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
Herramientas/GitHubGitHub/sisl-uri/t-backdoor
Aprendizaje AutomáticoPapers e InvestigaciónAprendizaje y EducaciónSeguridad de IAAtaque Adversario
GitHubsisl-uri/t-backdoor

T-Backdoor

Código de investigación que implementa T-Backdoor, ataques de puerta trasera con activador temporal en redes neuronales de impulsos utilizando activadores de tasa, latencia y jitter sin perturbación espacial.

Ver Repositorio
283hace 14 díasAún no revisado
Compartir

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 grave amenaza para la seguridad de las redes neuronales profundas (DNN) y siguen estando en gran medida poco explorados en el caso de 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 de 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 sobre tres conjuntos de datos neuromórficos de referencia: N-MNIST, CIFAR10-DVS y N-Caltech101, y la evaluación frente a siete métodos de defensa de referencia contra puertas traseras, 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 sobre datos limpios, 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:

PaqueteVersión
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjellyúltima 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/, con el nombre exactamente igual al valor de --dataset:

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

⚠️ data/ debe ser un directorio literal en tu 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

ArgumentoValor predeterminadoDescripción
--datasetgesturemnist, cifar10, caltech, gesture
--typestaticstatic, moving, smart, latency, rate, jitter, jitter_fixed
--epsilon0.1Fracción del conjunto de entrenamiento a envenenar
--trigger_label0Clase objetivo
--T10Pasos de tiempo de simulación
--epochs10Épocas de entrenamiento
--batch_size16Tamaño del lote
--lr0.001Tasa de aprendizaje
--lossmsemse o cross
--optimadamadam o sgd
--ampdesactivadoActivar precisión mixta automática
--seed42Semilla aleatoria
--data_dirdata/Directorio raíz del conjunto de datos
--save_pathexperiments_singleDirectorio raíz de salida
--model_pathNoneIniciar desde un checkpoint preentrenado

Argumentos específicos del trigger

ArgumentoValor predeterminadoSe aplica a
--delay_frames2latency — fotogramas de retardo
--scale_factor0.5rate — <1 más lento, >1 más rápido
--n_shift3jitter_fixed — número de pares de fotogramas intercambiados
--trigger_size0.1static/moving/smart — tamaño del parche como fracción del ancho
--postop-leftstatic — top-left, top-right, bottom-left, bottom-right, middle, random
--polarity3static/moving/smart — 0=negro, 1=azul oscuro, 2=verde, 3=azul claro
--n_masks2smart — número de regiones candidatas
--leastdesactivadosmart — apuntar a la región menos activa en lugar de la más activa
--most_polaritydesactivadosmart — usar la polaridad más activa en la región

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


2. Multiobjetivo (main_multi_target.py)

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

# 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/'
ArgumentoPredeterminadoDescripción
--typeratestatic, latency, rate, jitter, jitter_fixed
--n_targets3Número de clases objetivo
--trigger_labels[0..n-1]Etiquetas objetivo explícitas; la longitud debe ser igual a --n_targets
--epsilon0.1Presupuesto total, dividido equitativamente entre los objetivos

Parámetros por objetivo. Indíquelos 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.

DisparadorExplícitoRango automáticoPredeterminado automático
latency--delay_params 1 3 5--delay_min, --delay_max1 … T//2
rate--rate_params 0.3 0.6 0.9--rate_min, --rate_max0.1 … 6.0
jitter--jitter_params 0.05 0.15 0.25--jitter_std_min, --jitter_std_max0.05 … 0.3
jitter_fixed--nshift_params 1 3 5--n_shift_min, --n_shift_max1 … 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 distinguen por qué fotogramas llevan 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. Multi-disparador multi-objetivo (main_mtmt.py)

Un tipo de disparador diferente por objetivo.

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.

    911
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    548
  • 3

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    366
  • 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.

    362
  • 5

    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.

    311
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    287

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →