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
T-Backdoor — Code de recherche implémentant T-Backdoor, des attaques par porte dérobée à déclencheur temporel sur les réseaux de neurones impulsionnels utilisant des déclencheurs de taux, de latence et de gigue sans perturbation spatiale. | Kitploit
Outils/GitHubGitHub/sisl-uri/t-backdoor
Apprentissage AutomatiqueArticles et RechercheApprentissage et ÉducationSécurité de l'IAAttaque Adversariale
GitHubsisl-uri/t-backdoor

T-Backdoor

Code de recherche implémentant T-Backdoor, des attaques par porte dérobée à déclencheur temporel sur les réseaux de neurones impulsionnels utilisant des déclencheurs de taux, de latence et de gigue sans perturbation spatiale.

Voir le dépôt
283il y a 14 joursPas encore vérifié
Partager

Exemples de codes pour l'article : « T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs »

Résumé

Les attaques par porte dérobée constituent une menace sérieuse pour la sécurité des réseaux de neurones profonds (DNN) et restent largement sous-explorées pour les réseaux de neurones impulsionnels (SNN). Les attaques existantes introduisent principalement des déclencheurs spatio-temporels qui induisent des déviations dans la distribution des impulsions des échantillons empoisonnés par rapport à leurs homologues propres. Pour remédier à cette limitation, ce travail propose une nouvelle attaque par porte dérobée sur les SNN, appelée \textbf{T-Backdoor}, qui fonctionne à l'aide de déclencheurs purement temporels tels que \textit{Rate}, \textit{Latency} et \textit{Jitter}, sans introduire aucune perturbation spatiale, ce qui rend le décalage dans les distributions d'impulsions nettement plus difficile à détecter. Grâce à des expériences approfondies sur trois jeux de données neuromorphiques de référence : N-MNIST, CIFAR10-DVS et N-Caltech101, et à une évaluation face à sept méthodes de défense contre les portes dérobées servant de référence, nous démontrons que T-Backdoor atteint un taux de réussite de l'attaque (ASR) quasi parfait de 100% dans les configurations à cible unique et à cibles multiples, avec seulement une dégradation mineure de la précision sur les données propres, tout en restant robuste face aux techniques existantes de détection et d'atténuation des portes dérobées.

Organisation du dépôt

├── 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

Prérequis

  • Python 3.11
  • GPU compatible CUDA (le CPU fonctionne mais est trop lent pour être pratique)
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

Environnement de référence utilisé pour les résultats rapportés :

PaquetVersion
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjellylatest from source

Configuration du jeu de données

Téléchargez les jeux de données neuromorphiques bruts et placez chacun dans son propre sous-répertoire de data/, nommé exactement comme la valeur de --dataset :

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

⚠️ data/ doit être un répertoire littéral dans votre répertoire de travail

Utilisation

1. Cible unique (main_single.py)

Un déclencheur, une classe cible.

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

Arguments principaux

ArgumentValeur par défautDescription
--datasetgesturemnist, cifar10, caltech, gesture
--typestaticstatic, moving, smart, latency, rate, jitter, jitter_fixed
--epsilon0.1Fraction de l'ensemble d'entraînement à empoisonner
--trigger_label0Classe cible
--T10Pas de temps de simulation
--epochs10Époques d'entraînement
--batch_size16Taille du lot
--lr0.001Taux d'apprentissage
--lossmsemse ou cross
--optimadamadam ou sgd
--ampdésactivéActiver la précision mixte automatique
--seed42Graine aléatoire
--data_dirdata/Racine du jeu de données
--save_pathexperiments_singleRacine de sortie
--model_pathNoneDémarrer à partir d'un point de contrôle pré-entraîné

Arguments spécifiques au déclencheur

ArgumentValeur par défautS'applique à
--delay_frames2latency — trames de retard
--scale_factor0.5rate — <1 plus lent, >1 plus rapide
--n_shift3jitter_fixed — nombre de paires de trames permutées
--trigger_size0.1static/moving/smart — taille du patch en fraction de la largeur
--postop-leftstatic — top-left, top-right, bottom-left, bottom-right, middle, random
--polarity3static/moving/smart — 0=noir, 1=bleu foncé, 2=vert, 3=bleu clair
--n_masks2smart — nombre de régions candidates
--leastdésactivésmart — cibler la région la moins active au lieu de la plus active
--most_polaritydésactivésmart — utiliser la polarité la plus active dans la région

Définir --epsilon 0.0 entraîne un modèle de référence propre.


2. Multi-cible (main_multi_target.py)

Un type de déclencheur, N classes cibles séparées par la valeur de paramètre du déclencheur.

# 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/'
ArgumentPar défautDescription
--typeratestatic, latency, rate, jitter, jitter_fixed
--n_targets3Nombre de classes cibles
--trigger_labels[0..n-1]Étiquettes cibles explicites ; la longueur doit être égale à --n_targets
--epsilon0.1Budget total, réparti uniformément entre les cibles

Paramètres par cible. Fournissez-les explicitement, ou laissez-les être attribués automatiquement par np.linspace sur une plage. Les listes explicites doivent avoir une longueur de --n_targets et remplacent les arguments de plage.

DéclencheurExplicitePlage automatiqueValeur par défaut automatique
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 réparti en n_targets groupes de trames

Les paramètres entiers attribués automatiquement (latency, jitter_fixed) sont dédupliqués en incrémentant les collisions, de sorte que deux cibles ne partagent jamais une valeur.

Pour static, les cibles sont séparées par quelles trames portent le patch — l'axe temporel les distingue plutôt que l'apparence du patch.

L'ASR par cible est affiché à chaque époque, aux côtés de la précision sur données propres.


3. Multi-déclencheur multi-cible (main_mtmt.py)

Un type de déclencheur différent par cible.

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.

    891
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    547
  • 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.

    369
  • 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.

    366
  • 5

    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.

    309
  • 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.

    282

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →