Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
Watermark_Spoofing — Code de recherche et jeu de données (WSD) pour évaluer l'impact du tatouage audio sur l'anti- usurpation, à l'aide de wav2vec2 XLS-R et de l'apprentissage préservant les connaissances. | Kitploit
Outils/GitHubGitHub/alphawarheads/watermark_spoofing
Apprentissage AutomatiqueArticles et RechercheSécurité de l'IA
GitHubalphawarheads/watermark_spoofing

Watermark_Spoofing

Code de recherche et jeu de données (WSD) pour évaluer l'impact du tatouage audio sur l'anti- usurpation, à l'aide de wav2vec2 XLS-R et de l'apprentissage préservant les connaissances.

Voir le dépôt
Partager
254il y a 1 anPas encore vérifié

L'IMPACT DU TATOUAGE AUDIO SUR LES CONTRE-MESURES ANTI-TROMPERIE AUDIO

Ce dépôt fournit l'implémentation officielle de notre article : L'IMPACT DU TATOUAGE AUDIO SUR LES CONTRE-MESURES ANTI-TROMPERIE AUDIO . Explorez la démo interactive et les visualisations ici.

Contenu

  1. Watermark-Spoofing Dataset (WSD) — scripts et fichiers d'étiquettes pour générer nos ensembles d'évaluation et d'entraînement avec tatouage.
  2. Knowledge-Preserving Watermark Learning (KPWL) — scripts pour reproduire le cadre KPWL et les expériences.

Watermark-Spoofing Dataset (WSD)

Nous dérivons le WSD de corpus publics et le comparons aux ensembles de données d'origine :

  • ASVspoof 2019 (LA) — division d'entraînement utilisée pour l'entraînement du modèle. Téléchargement : https://datashare.is.ed.ac.uk/handle/10283/3336

  • ASVspoof 2021 (LA & DF) — utilisé pour l'évaluation.

    -LA : https://zenodo.org/record/4837263 -DF : https://zenodo.org/record/4835108

  • In-the-Wild — utilisé pour l'évaluation. Téléchargement : https://deepfake-total.com/in_the_wild

Configuration typique : entraîner sur ASVspoof 2019 LA (train) ; évaluer sur ASVspoof 2021 LA/DF (eval) et In-the-Wild.

Les utilitaires de génération de données se trouvent dans data_generation/. Suivez le README de ce dossier pour reproduire WSD et ses variantes (divisions de tatouage vues/non vues).


Installation (KPWL)

# 1) Clone
git clone https://github.com/Alphawarheads/Watermark_Spoofing.git
cd Watermark_Spoofing

# 2) (Optionnel) Utiliser l'instantané Fairseq fourni
unzip fairseq-a54021305d6b3c4c5959ac9395135f63202db8f1.zip

# 3) Environnement Conda
conda create -n kpwl python=3.7 -y
conda activate kpwl

# 4) PyTorch (ajustez les wheels CUDA/ROCm si nécessaire)
pip install torch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1

# 5) Fairseq (éditable)
cd fairseq-a54021305d6b3c4c5959ac9395135f63202db8f1
pip install --editable ./
cd ..

# 6) Exigences du projet
pip install -r requirements.txt

Remarques : nos expériences principales ont été entraînées sur 4 GPU/DCU.


wav2vec 2.0 XLS-R pré-entraîné (300M)

Téléchargez les poids XLS-R depuis : https://github.com/pytorch/fairseq/tree/main/examples/wav2vec/xlsr


Évaluation

Les commandes ci-dessous produisent trois fichiers score.txt (un par ensemble d'évaluation). Ces scores sont ensuite utilisés pour calculer l'EER (%).

Astuce : Utilisez toujours les indicateurs complets --eval_track et --eval_output (ne les abrégez pas en --eval).

LA 2021

Original (sans tatouage) :

TRACK=LA
PROTOCOLS=/public/home/qinxy/.../ASVspoof2021.LA.cm.eval.trl.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/ASVspoof2021/ASVspoof2021_LA_eval/flac/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_ori_LA21.txt
CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
    main_multinodes.py --track="$TRACK" --is_eval --eval \
  --model_path models/model_4dcu_kpwl.pth \
  --protocols_path="$PROTOCOLS" \
  --database_path="$DATABASE_PATH" \
  --eval_output="$EVAL_OUTPUT"

Watermark-Spoof (Vu) :

TRACK=LA
PROTOCOLS=/public/home/qinxy/zhangzs/watermarking/The-A-Files-master/protocols/tagged/LA21/protocol_wm_75_only.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/LA21_phase1/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_wm_seen_LA21.txt

Watermark-Spoof (Non vu) :

TRACK=LA
PROTOCOLS=/public/home/qinxy/zhangzs/watermarking/The-A-Files-master/protocols/tagged_phase2/LA21/split/protocol_wm_75_only.txt
DATABASE_PATH=/public/home/qinxy/AudioData/Antispoofing/LA21_phase2/
EVAL_OUTPUT=/public/home/qinxy/.../test2/${COMMENT}_eval_wm_unseen_LA21.txt

Voir eval.sh pour l'ensemble complet des scripts d'évaluation.


Testez avec nos modèles pré-entraînés :

  • Télécharger KPWL entraîné
  • Télécharger Baseline entraîné

Fusionner les scores et évaluer

  • _wm_ dans un nom de fichier = scores produits sur de l'audio avec tatouage.
  • _ori_ dans un nom de fichier = scores produits sur de l'audio original (sans tatouage).
# Si auto_merge_scores n'est pas dans le même fichier, importez-le :
# from your_module import auto_merge_scores

TRACK = "ITW"     # l'un de {"LA21", "DF21", "ITW"}
comment = "ori"   # étiquette utilisée dans vos noms de fichiers de scores

outs = auto_merge_scores(
    track=TRACK,
    score_wm_path=f"/public/.../test2/{comment}_train_eval_wm_SLS_{TRACK}.txt",
    score_ori_path=f"/public/.../test2/{comment}_train_eval_ori_SLS_{TRACK}.txt",
)

print("Output Results:")
for p in outs:
    print(" -", p)

Voir le README dans generate_data/ pour plus de détails sur la construction des protocoles.


Entraînement

Pré-entraînement baseline (original)

CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
  main_multinodes.py \
  --track=DF --lr=0.000001 --batch_size=5 --loss=WCE \
  --num_epochs=50 --comment 4dcu_baseline

Fine-tuning KPWL

CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun --standalone --nproc_per_node=4 \
    main_kpwl.py \
  --eval_track=DF --lr=5e-7 --batch_size=5 --num_epochs=2 \
  --model_path best_model.pth \
  --comment model_4dcu_kpwl

Remerciements et code tiers

Ce dépôt s'appuie sur et intègre des composants modifiés des projets open source suivants :

SLSforASVspoof-2021-DF — https://github.com/QiShanZhang/SLSforASVspoof-2021-DF.git

The-A-Files — https://github.com/pawel-kaczmarek/The-A-Files.git

Certaines parties du code sont adaptées de ces dépôts. Tout code tiers reste sous ses licences d'origine ; veuillez vous référer aux fichiers LICENSE en amont et conserver toutes les mentions de copyright applicables. Si une attribution ou un détail de licence est incomplet, faites-le-nous savoir et nous le corrigerons rapidement.

Contact / Citation Si vous utilisez ce dépôt ou WSD/KPWL dans vos recherches, veuillez citer l'article et créer un lien vers ce dépôt.

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    546
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    477
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    377
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    324
  • 5

    estorides

    grisuno/estorides

    Agrège plus de 99 sources OSINT gratuites en parallèle, résout les entités dans un graphe de connaissances et exporte en STIX 2.1, MISP ou GraphML avec une analyse assistée par LLM.

    269
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    252

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →