T-Backdoor

Beispielcodes für das Paper: 'T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs'

Zusammenfassung

Backdoor-Angriffe stellen eine ernsthafte Sicherheitsbedrohung für tiefe neuronale Netze (DNNs) dar und sind für spikende neuronale Netze (SNNs) weitgehend unerforscht. Bestehende Angriffe führen hauptsächlich raumzeitliche Trigger ein, die Abweichungen in der Spike-Verteilung vergifteter Proben gegenüber ihren sauberen Gegenstücken hervorrufen. Um diese Einschränkung zu adressieren, schlägt diese Arbeit einen neuartigen Backdoor-Angriff auf SNNs vor, genannt \textbf{T-Backdoor}, der ausschließlich mit zeitlichen Triggern wie \textit{Rate}, \textit{Latency} und \textit{Jitter} arbeitet, ohne jegliche räumliche Störung einzuführen, wodurch die Verschiebung der Spike-Verteilungen deutlich schwerer zu erkennen ist. Durch umfangreiche Experimente auf drei Benchmark-Neuromorphik-Datensätzen: N-MNIST, CIFAR10-DVS und N-Caltech101, sowie Evaluierung gegen sieben Baseline-Backdoor-Abwehrverfahren zeigen wir, dass T-Backdoor eine nahezu perfekte Angriffserfolgsrate (ASR) von 100% sowohl in Single-Target- als auch in Multi-Target-Szenarien erreicht, mit nur geringfügiger Verschlechterung der sauberen Genauigkeit, während es robust gegenüber bestehenden Backdoor-Erkennungs- und -Abschwächungstechniken bleibt.

Repository-Struktur

├── models.py                          # Architectures for all datasets (shared)
├── datasets.py                        # Neuromorphic dataset loading (shared)
│
├── main_single.py                     # 1. Single-target entry point
├── single_poisoned_dataset.py         #    Trigger implementations + loaders
├── single_utils.py                    #    Train/eval loop, saving, plots
├── single_target.sh                   #    Paper runs
│
├── main_multi_target.py               # 2. Multi-target entry point
├── multi_target_poisoned_dataset.py   #    Per-target parameter assignment
├── multi_target_utils.py              #    Per-target ASR tracking, saving
├── multi_target.sh                    #    Paper runs
│
├── main_mtmt.py                       # 3. Multi-trigger multi-target entry point
├── mtmt_poisoned_dataset.py           #    Per-target trigger-type config
├── mtmt_utils.py                      #    Per-target ASR tracking, saving
└── mtmt.sh                            #    Paper runs

Anforderungen

• Python 3.11
• CUDA-fähige GPU (CPU funktioniert, ist aber unpraktisch langsam)

python -m venv venv
source venv/bin/activate

pip install torch torchvision          # CUDA build matching your driver
pip install spikingjelly
pip install numpy scipy matplotlib seaborn tqdm

Referenzumgebung, die für die berichteten Ergebnisse verwendet wurde:

Datensatz-Einrichtung

Laden Sie die rohen neuromorphen Datensätze herunter und platzieren Sie jeden in einem eigenen Unterverzeichnis von data/, genau benannt wie der --dataset-Wert:

data/
├── mnist/       # N-MNIST
├── cifar10/     # CIFAR10-DVS
├── caltech/     # N-Caltech101
└── gesture/     # DVS128-Gesture

⚠️ data/ muss ein wörtliches Verzeichnis in Ihrem Arbeitsverzeichnis sein

Verwendung

1. Single-Target (main_single.py)

Ein Trigger, eine Zielklasse.

python main_single.py --dataset cifar10 --type latency --delay_frames 1 \
    --T 10 --epochs 100 --epsilon 0.1 --data_dir 'data/'

Kernargumente

Triggerspezifische Argumente

Das Setzen von --epsilon 0.0 trainiert ein sauberes Baseline-Modell.

2. Multi-Target (main_multi_target.py)

Ein Trigger-Typ, N Zielklassen getrennt durch den Parameterwert des Triggers.

# Latency: delay 1 -> class 0, delay 3 -> class 1, delay 5 -> class 2
python main_multi_target.py --dataset mnist --type latency --n_targets 3 \
    --trigger_labels 0 1 2 --delay_params 1 3 5 \
    --epsilon 0.2 --T 10 --epochs 10 --data_dir 'data/'

Pro-Ziel-Parameter. Geben Sie sie explizit an, oder lassen Sie sie automatisch durch np.linspace über einen Bereich zuweisen. Explizite Listen müssen die Länge --n_targets haben und überschreiben die Bereichsargumente.

Automatisch zugewiesene ganzzahlige Parameter (latency, jitter_fixed) werden durch Inkrementieren von Kollisionen dedupliziert, sodass keine zwei Ziele denselben Wert teilen.

Bei static werden die Ziele dadurch getrennt, welche Frames den Patch tragen — die Zeitachse unterscheidet sie, nicht das Erscheinungsbild des Patches.

Die Pro-Ziel-ASR wird in jeder Epoche zusammen mit der sauberen Genauigkeit ausgegeben.

3. Multi-Trigger Multi-Target (main_mtmt.py)

Ein anderer Trigger-Typ pro Ziel.

python main_mtmt.py --dataset mnist --T 10 --n_targets 5 \
    --target_types latency latency rate rate jitter_fixed \
    --trigger_labels 0 1 2 3 4 \
    --latency_delays 1 2 --rate_scales 0.5 2.0 --jitter_fixed_shifts 3 \
    --epsilon 0.3 --epochs 100 --data_dir 'data/'

Pro-Typ-Parameterlisten. Jede Liste hat einen Eintrag pro Ziel dieses Typs — mit --target_types latency latency rate rate jitter_fixed übergeben Sie zwei Delays, zwei Rates und einen Shift:

Das Weglassen einer Liste führt zur automatischen Zuweisung aus dem passenden *_min / *_max-Bereich.

Integrierte Presets (verwendet, wenn --target_types nicht angegeben ist):

• --n_targets 3 — static (Frames 0..T/3), latency (--delay), rate (--scale_factor)
• --n_targets 5 — zwei static (verschiedene Frame-Gruppen und Positionen), zwei latency (--delay, --delay_2), ein rate

Jeder andere --n_targets-Wert erfordert --target_types.

Ausgaben

Jeder Lauf schreibt eine Zeile in eine gemeinsame CSV sowie ein eigenständiges Experimentverzeichnis.

Trigger-Parameter werden in den Verzeichnisnamen kodiert (df1 = Delay 1, sf0.1 = Rate 0.1, ns3 = 3 Swaps), sodass Läufe, die sich nur in einem Trigger-Parameter unterscheiden, einander nicht überschreiben.

Danksagung

Teile dieser Codebasis sind aus dem Repository Sneaky Spikes von Gorka Abad et al. übernommen, das zum Paper "Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic Data" (NDSS 2024) gehört. Wir danken den Autoren für die öffentliche Bereitstellung ihres Codes.

Zitation

Wenn Sie diese Arbeit in Ihrer Forschung nützlich finden, ziehen Sie bitte in Betracht, sie zu zitieren:

@article{miah2026tbackdoor,
  title   = {T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs},
  author  = {Miah, Abdullah Arafat and Vu, Kevin and Bi, Yu},
  journal = {arXiv},
  year    = {2026}
}

Kontakt

Bei Fragen oder Problemen bezüglich des Codes öffnen Sie bitte ein GitHub-Issue oder kontaktieren Sie:

• Abdullah Arafat Miah — [email protected]
• Yu Bi — [email protected]