Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
DetectViT — Detector en tiempo de prueba sin entrenamiento y agnóstico al disparador para Vision Transformers con puertas traseras que señala muestras envenenadas mediante la consistencia de atención entre cabezas y la varianza de entropía. | Kitploit
Herramientas/GitHubGitHub/siquanhuang/detectvit
Herramientas DefensivasAprendizaje AutomáticoPapers e InvestigaciónSeguridad de IADetección de Anomalías
GitHubsiquanhuang/detectvit

DetectViT

Detector en tiempo de prueba sin entrenamiento y agnóstico al disparador para Vision Transformers con puertas traseras que señala muestras envenenadas mediante la consistencia de atención entre cabezas y la varianza de entropía.

Ver Repositorio
19hace 2 díasAún no revisado
Compartir

DetectViT: Detección de puertas traseras en tiempo de prueba para Vision Transformers mediante la discrepancia de atención entre cabezas

Siquan Huang1, Yijiang Li2, Xingfu Yan3,*, Ningzhi Gao1, Leyu Shi1, Ying Gao1,*

1Universidad Tecnológica del Sur de China   2Universidad de California, San Diego   3Universidad Normal del Sur de China

*Autores de correspondencia

NeurIPS 2026 Artículo Póster Licencia


Descripción general

Los Vision Transformers (ViT) son el codificador visual de la mayoría de los modelos multimodales, y los profesionales suelen construir sobre checkpoints preentrenados de terceros que pueden contener una puerta trasera. DetectViT es un detector de muestras con puerta trasera en tiempo de prueba para ViT que examina las cabezas de atención en lugar de las salidas o los embeddings del modelo.

  • Sin entrenamiento. Sin acceso a datos de entrenamiento y sin modelo auxiliar que entrenar.
  • Sin salidas. Funciona tanto para clasificación como para generación abierta (p. ej., subtitulado de imágenes con LLaVA).
  • Agnóstico al disparador. No se requiere conocimiento previo del tipo de disparador.
  • Ligero. Una pasada hacia adelante por muestra de prueba; la detección reutiliza los pesos de atención ya calculados durante la inferencia.

Observación clave

En imágenes limpias, las cabezas de atención se fijan en regiones diferentes con una concentración comparable. Los disparadores de puerta trasera rompen este equilibrio de dos maneras:

  • Secuestro total de la atención. Un disparador visible y localizado atrae a todas las cabezas hacia la misma región, produciendo un solapamiento espacial entre cabezas anormalmente alto.
  • Secuestro parcial de la atención. Un disparador global y sigiloso captura las cabezas de forma desigual, produciendo una varianza anormalmente grande en la concentración de la atención entre cabezas.

Atención CLS-a-parche de seis cabezas para una imagen limpia, una imagen con un disparador de parche visible (secuestro total) y una imagen con un disparador mezclado sigiloso (secuestro parcial)

Método

Pipeline de DetectViT

DetectViT extrae la distribución de atención CLS-a-parche de cada cabeza y calcula dos señales complementarias:

  • Puntuación de consistencia entre cabezas $\mathcal{S}_{\text{cons}}$: la similitud coseno media por pares entre las cabezas de una capa (máximo sobre las capas). Captura el secuestro total.
  • Puntuación de varianza de entropía entre cabezas $\mathcal{S}_{\text{var}}$: la varianza de la entropía de atención por cabeza dentro de una capa (máximo sobre las capas). Captura el secuestro parcial.

Los umbrales se estiman con la regla de las tres sigma, $\tau = \mu + 3\sigma$, a partir de solo 64 a 128 imágenes limpias fuera de distribución de cualquier origen. Una muestra de prueba se marca como con puerta trasera si $\mathcal{S}{\text{cons}} > \tau{\text{cons}}$ o $\mathcal{S}{\text{var}} > \tau{\text{var}}$.


Resultados principales

Rendimiento de detección en cuatro ataques de puerta trasera a ViT. TPR y FPR están en %, AUC está en una escala [0, 1]. "–" significa que el método no es aplicable (los métodos basados en etiquetas no pueden manejar subtítulos de forma libre) o no produce una puntuación continua.

DefensaBadViT
TPR↑ / FPR↓ / AUC↑
TrojViT
TPR↑ / FPR↓ / AUC↑
BadCLIP
TPR↑ / FPR↓ / AUC↑
BadVision
TPR↑ / FPR↓ / AUC↑
TeCo77.95 / 61.86 / 0.6355.00 / 51.76 / 0.5199.20 / 39.52 / 0.89–
Scale-Up88.65 / 30.66 / 0.8185.00 / 41.98 / 0.7491.84 / 65.03 / 0.66–
PatchProc90.61 / 18.42 / 0.8987.60 / 21.44 / 0.8586.97 / 26.78 / 0.82–
DeDe63.97 / 23.29 / 0.7850.20 / 25.80 / 0.7255.12 / 27.97 / 0.697.00 / 29.68 / 0.50
BackdoorIDS80.79 / 9.73 / –5.00 / 10.84 / –93.24 / 16.88 / –96.00 / 15.96 / –
DetectViT100.00 / 1.58 / 1.0090.80 / 5.94 / 0.95100.00 / 0.17 / 1.0096.00 / 3.00 / 0.99

Ataques adicionales. En otros cinco ataques que abarcan codificadores auto-supervisados (BadEncoder, DRUPE), envenenamiento con etiquetas limpias (Label-Consistent), disparadores en el dominio de la frecuencia (Low-Frequency) y disparadores globales optimizados (Blended-Optimized), DetectViT es el único método que mantiene un AUC de al menos 0.97 en todos ellos. Los resultados completos están en el apéndice del artículo.

Tiempo de ejecución. Tiempo medio de detección por muestra (s):

DefensaBadViTTrojViTBadCLIPBadVision
TeCo2.50944.29201.8448–
Scale-Up0.02460.02610.0696–
PatchProc0.66860.69260.8257–
DeDe0.02060.02790.10340.6060
BackdoorIDS0.17340.19820.25603.3458
DetectViT0.01240.01340.01630.0226

Póster

DetectViT NeurIPS 2026 poster

Haz clic en la imagen para abrir el PDF en resolución completa.


Instalación

git clone https://github.com/siquanhuang/DetectViT.git
cd DetectViT

Requisitos previos

  • Python 3.10.5
  • PyTorch 2.1.2
  • CUDA 11.8

Modelos de ataque y triggers preentrenados

Descarga los checkpoints de modelos con puerta trasera preentrenados y los triggers optimizados desde Google Drive:

[Enlace de Google Drive]


Uso

El método de detección está implementado en detectvit.py. Ejecuta main.py para evaluar DetectViT frente a cada ataque.

BadViT

python3 main.py \
  --defense DetectViT \
  --attack_type badvit \
  --trojvit_attack_dir TrojViT/logs/Caltech101_DeiT-T_target0_BadViT \
  --trojvit_network DeiT-T \
  --trojvit_num_classes 102 \
  --trojvit_data_dir ./data

TrojViT

python3 main.py \
  --defense DetectViT \
  --attack_type trojvit \
  --trojvit_attack_dir TrojViT/logs/Tiny-ImageNet_DeiT-S_target2_TrojViT \
  --trojvit_data_dir ./data/tiny-imagenet-200 \
  --trojvit_network DeiT-S \
  --gpu 0

BadCLIP

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    618
  • 3

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingiere informes de Shadowserver en MongoDB y los reproduce como mapas interactivos, análisis, hallazgos, avisos y paneles ejecutivos.

    411
  • 4

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    328
  • 5

    jumpserver

    jumpserver/jumpserver

    JumpServer es una plataforma de gestión de accesos privilegiados (PAM) de código abierto que proporciona a los equipos de DevOps y TI acceso seguro y bajo demanda a endpoints SSH, RDP, Kubernetes, base de datos y RemoteApp a través de un navegador web.

    314
  • 6

    Aliens_eye

    arxhr007/aliens_eye

    Motor de OSINT impulsado por IA para descubrir y mapear más de 7.700 identidades en redes sociales en toda la web

    275

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →