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:

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

Argumentos específicos del disparador

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/'

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.

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.

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/'

Listas de parámetros por tipo. Cada lista tiene una entrada por objetivo de ese tipo — con --target_types latency latency rate rate jitter_fixed se pasan dos retardos, dos tasas y un desplazamiento:

Omitir una lista asigna automáticamente desde el rango correspondiente *_min / *_max.

Preajustes integrados (utilizados cuando no se proporciona --target_types):

• --n_targets 3 — static (fotogramas 0..T/3), latency (--delay), rate (--scale_factor)
• --n_targets 5 — dos static (diferentes grupos de fotogramas y posiciones), dos latency (--delay, --delay_2), uno rate

Cualquier otro valor de --n_targets requiere --target_types.

Salidas

Cada ejecución escribe una fila en un CSV compartido más un directorio de experimento autocontenido.

Los parámetros del disparador se codifican en el nombre del directorio (df1 = retardo 1, sf0.1 = tasa 0.1, ns3 = 3 intercambios), de modo que las ejecuciones que difieren solo en un parámetro del disparador no se sobrescriben entre sí.

Agradecimientos

Partes de esta base de código están adaptadas del repositorio Sneaky Spikes de Gorka Abad et al., que acompaña al artículo "Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic Data" (NDSS 2024). Agradecemos a los autores por hacer su código públicamente disponible.

Cita

Si este trabajo le resulta útil en su investigación, considere citarlo:

@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}
}

Contacto

Para preguntas o problemas relacionados con el código, abra un issue en GitHub o contacte a:

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