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
DetectViT — Détecteur au moment du test, sans entraînement et indépendant du déclencheur, pour les Vision Transformers portant une porte dérobée, qui signale les échantillons empoisonnés en s'appuyant sur la cohérence d'attention entre têtes et la variance de l'entropie. | Kitploit
Outils/GitHubGitHub/siquanhuang/detectvit
Outils DéfensifsApprentissage AutomatiqueArticles et RechercheSécurité de l'IADétection d'Anomalies
GitHubsiquanhuang/detectvit

DetectViT

Détecteur au moment du test, sans entraînement et indépendant du déclencheur, pour les Vision Transformers portant une porte dérobée, qui signale les échantillons empoisonnés en s'appuyant sur la cohérence d'attention entre têtes et la variance de l'entropie.

Voir le dépôt
19il y a 2 joursPas encore vérifié
Partager

DetectViT : Détection de portes dérobées à l'inférence pour les Transformateurs de Vision via la divergence d'attention inter-têtes

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

1Université de Technologie de Chine du Sud   2Université de Californie, San Diego   3Université Normale de Chine du Sud

*Auteurs correspondants

NeurIPS 2026 Article Poster Licence


Aperçu

Les Transformateurs de Vision (ViT) constituent l'encodeur visuel de la plupart des modèles multimodaux, et les praticiens s'appuient couramment sur des points de contrôle pré-entraînés tiers qui peuvent contenir une porte dérobée. DetectViT est un détecteur d'échantillons porteurs de portes dérobées à l'inférence pour les ViT, qui analyse les têtes d'attention plutôt que les sorties ou les plongements du modèle.

  • Sans entraînement. Aucun accès aux données d'entraînement et aucun modèle auxiliaire à entraîner.
  • Sans sortie. Fonctionne à la fois pour la classification et pour la génération ouverte (par exemple, la légendation d'images avec LLaVA).
  • Indépendant du déclencheur. Aucune connaissance préalable du type de déclencheur n'est requise.
  • Léger. Une seule passe avant par échantillon de test ; la détection réutilise les poids d'attention déjà calculés lors de l'inférence.

Observation clé

Sur des images propres, les têtes d'attention se concentrent sur des régions différentes avec une concentration comparable. Les déclencheurs de portes dérobées rompent cet équilibre de deux manières :

  • Détournement complet de l'attention. Un déclencheur visible et localisé attire toutes les têtes sur la même région, produisant un chevauchement spatial inter-têtes anormalement élevé.
  • Détournement partiel de l'attention. Un déclencheur furtif et global capture les têtes de manière inégale, produisant une variance anormalement grande de la concentration d'attention entre les têtes.

Attention CLS-vers-patchs de six têtes pour une image propre, une image avec un déclencheur en patch visible (détournement complet) et une image avec un déclencheur fondu furtif (détournement partiel)

Méthode

Pipeline de DetectViT

DetectViT extrait la distribution d'attention CLS-vers-patchs de chaque tête et calcule deux signaux complémentaires :

  • Score de cohérence inter-têtes $\mathcal{S}_{\text{cons}}$ : la similarité cosinus moyenne par paire entre les têtes d'une couche (maximum sur les couches). Il capture le détournement complet.
  • Score de variance d'entropie inter-têtes $\mathcal{S}_{\text{var}}$ : la variance de l'entropie d'attention par tête au sein d'une couche (maximum sur les couches). Il capture le détournement partiel.

Les seuils sont estimés par la règle des trois sigmas, $\tau = \mu + 3\sigma$, à partir de seulement 64 à 128 images propres hors distribution de n'importe quelle source. Un échantillon de test est signalé comme porteur d'une porte dérobée si $\mathcal{S}{\text{cons}} > \tau{\text{cons}}$ ou $\mathcal{S}{\text{var}} > \tau{\text{var}}$.


Résultats principaux

Performances de détection sur quatre attaques par porte dérobée visant les ViT. Le TPR et le FPR sont exprimés en %, l'AUC est sur une échelle [0, 1]. « – » signifie que la méthode n'est pas applicable (les méthodes fondées sur les étiquettes ne peuvent pas traiter des légendes en texte libre) ou ne produit pas de score continu.

DéfenseBadViT
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

Attaques supplémentaires. Sur cinq autres attaques couvrant les encodeurs auto-supervisés (BadEncoder, DRUPE), l'empoisonnement à étiquettes propres (Label-Consistent), les déclencheurs dans le domaine fréquentiel (Low-Frequency) et les déclencheurs globaux optimisés (Blended-Optimized), DetectViT est la seule méthode qui maintient une AUC d'au moins 0,97 sur toutes. Les résultats complets figurent en annexe de l'article.

Temps d'exécution. Temps moyen de détection par échantillon (s) :

DéfenseBadViTTrojViTBadCLIPBadVision
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

Poster

DetectViT NeurIPS 2026 poster

Cliquez sur l'image pour ouvrir le PDF en pleine résolution.


Installation

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

Prérequis

  • Python 3.10.5
  • PyTorch 2.1.2
  • CUDA 11.8

Modèles d'attaque et déclencheurs pré-entraînés

Téléchargez les points de contrôle du modèle porté (backdoor) pré-entraîné et les déclencheurs optimisés depuis Google Drive :

[Lien Google Drive]


Utilisation

La méthode de détection est implémentée dans detectvit.py. Exécutez main.py pour évaluer DetectViT face à chaque attaque.

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

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.

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    618
  • 3

    looking-glass

    anonghosty/looking-glass

    Plateforme CSIRT qui ingère les rapports Shadowserver dans MongoDB et les rejoue sous forme de cartes interactives, d'analyses, de constats, d'avis et de tableaux de bord exécutifs.

    411
  • 4

    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.

    328
  • 5

    jumpserver

    jumpserver/jumpserver

    JumpServer est une plateforme open-source de Gestion des Accès Privilégiés (PAM) qui offre aux équipes DevOps et IT un accès sécurisé et à la demande aux terminaux SSH, RDP, Kubernetes, bases de données et RemoteApp via un navigateur web.

    314
  • 6

    Aliens_eye

    arxhr007/aliens_eye

    Moteur OSINT alimenté par l'IA pour découvrir et cartographier plus de 7 700 identités sur les réseaux sociaux à travers le web

    275

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →