T-Backdoor

Códigos de ejemplo para el artículo: 'T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs'

Resumen

Los ataques de puerta trasera son una amenaza de seguridad grave para las redes neuronales profundas (DNN) y siguen estando en gran medida poco explorados en las redes neuronales de picos (SNN). Los ataques existentes introducen principalmente disparadores espaciotemporales que inducen desviaciones en la distribución de picos de las muestras envenenadas respecto a sus contrapartes limpias. Para abordar esta limitación, este trabajo propone un novedoso ataque de puerta trasera sobre SNN, denominado \textbf{T-Backdoor}, que opera utilizando disparadores puramente temporales como \textit{Rate}, \textit{Latency} y \textit{Jitter} sin introducir ninguna perturbación espacial, lo que hace que el cambio en las distribuciones de picos sea significativamente más difícil de detectar. Mediante experimentos exhaustivos en tres conjuntos de datos neuromórficos de referencia: N-MNIST, CIFAR10-DVS y N-Caltech101, y la evaluación frente a siete métodos de defensa de puerta trasera de referencia, demostramos que T-Backdoor alcanza una tasa de éxito de ataque (ASR) casi perfecta del 100% tanto en configuraciones de objetivo único como de objetivos múltiples, con solo una degradación menor en la precisión limpia, a la vez que se mantiene robusto frente a las técnicas existentes de detección y mitigación de puertas traseras.

Estructura del repositorio

├── 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

---

Requisitos

• Python 3.11
• GPU compatible con CUDA (la CPU funciona pero es impracticablemente lenta)

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

Entorno de referencia utilizado para los resultados reportados:

Paquete	Versión
Python	3.11.10
torch	2.11.0+cu128
torchvision	0.26.0+cu128
numpy	2.2.6
scipy	1.16.0
matplotlib	3.8.4
seaborn	0.13.2
spikingjelly	última desde el código fuente

Configuración del conjunto de datos

Descargue los conjuntos de datos neuromórficos sin procesar y coloque cada uno en su propio subdirectorio de data/, nombrado exactamente como el valor de --dataset:

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

⚠️ data/ debe ser un directorio literal en su directorio de trabajo

Uso

1. Objetivo único (main_single.py)

Un disparador, una clase objetivo.

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

Argumentos principales

Argumento	Predeterminado	Descripción
--dataset	gesture	mnist, cifar10, caltech, gesture
--type	static	static, moving, smart, latency, rate, jitter, jitter_fixed
--epsilon	0.1	Fracción del conjunto de entrenamiento a envenenar
--trigger_label	0	Clase objetivo
--T	10	Pasos de tiempo de simulación
--epochs	10	Épocas de entrenamiento
--batch_size	16	Tamaño del lote
--lr	0.001	Tasa de aprendizaje
--loss	mse	mse o cross
--optim	adam	adam o sgd
--amp	desactivado	Habilitar precisión mixta automática
--seed	42	Semilla aleatoria
--data_dir	data/	Raíz del conjunto de datos
--save_path	experiments_single	Raíz de salida
--model_path	None	Comenzar desde un checkpoint preentrenado

Argumentos específicos del disparador

Argumento	Predeterminado	Se aplica a
--delay_frames	2	latency — fotogramas de retardo
--scale_factor	0.5	rate — <1 más lento, >1 más rápido
--n_shift	3	jitter_fixed — número de pares de fotogramas intercambiados
--trigger_size	0.1	static/moving/smart — tamaño del parche como fracción del ancho
--pos	top-left	static — top-left, top-right, bottom-left, bottom-right, middle, random
--polarity	3	static/moving/smart — 0=negro, 1=azul oscuro, 2=verde, 3=azul claro
--n_masks	2	smart — número de regiones candidatas
--least	desactivado	smart — apuntar a la región menos activa en lugar de la más activa
--most_polarity	desactivado	smart — usar la polaridad más activa en la región

Establecer --epsilon 0.0 entrena un modelo de referencia limpio.

---

2. Objetivos múltiples (main_multi_target.py)

Un tipo de disparador, N clases objetivo separadas por el valor del parámetro del disparador.

# 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/'

Argumento	Predeterminado	Descripción
--type	rate	static, latency, rate, jitter, jitter_fixed
--n_targets	3	Número de clases objetivo
--trigger_labels	[0..n-1]	Etiquetas objetivo explícitas; la longitud debe ser igual a --n_targets
--epsilon	0.1	Presupuesto total, dividido equitativamente entre los objetivos

Parámetros por objetivo. Proporciónelos explícitamente, o deje que se asignen automáticamente mediante np.linspace sobre un rango. Las listas explícitas deben tener longitud --n_targets y anulan los argumentos de rango.

Disparador	Explícito	Rango automático	Predeterminado automático
latency	--delay_params 1 3 5	--delay_min, --delay_max	1 … T//2
rate	--rate_params 0.3 0.6 0.9	--rate_min, --rate_max	0.1 … 6.0
jitter	--jitter_params 0.05 0.15 0.25	--jitter_std_min, --jitter_std_max	0.05 … 0.3
jitter_fixed	--nshift_params 1 3 5	--n_shift_min, --n_shift_max	1 … max(n_shift_min+1, T//4)
static	—	—	T dividido en n_targets grupos de fotogramas

Los parámetros enteros asignados automáticamente (latency, jitter_fixed) se deduplican incrementando las colisiones, de modo que dos objetivos no comparten un valor.

Para static, los objetivos se separan por qué fotogramas portan el parche — el eje temporal los distingue en lugar de la apariencia del parche.

La ASR por objetivo se imprime en cada época, junto con la precisión limpia.

---

3. Múltiples disparadores y múltiples objetivos (main_mtmt.py)

Un tipo de disparador diferente por objetivo.