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
Outils/GitHubGitHub/trailofbits/anamorpher
Génération de PayloadsApprentissage AutomatiqueSécurité de l'IAAttaque Adversariale
GitHubtrailofbits/anamorpher

anamorpher

attaques de redimensionnement d'images pour l'injection de prompts multi-modaux

Voir le dépôt
1.1k9142il y a 9 moisVérifié par Kitploit

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.

    576
  • 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.

    388
  • 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.

    330
  • 5

    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.

    255
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    247

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →
Partager

Anamorpher

Anamorpher (du nom de l'anamorphose) est un outil conçu pour créer et visualiser des attaques de mise à l'échelle d'images contre les systèmes d'IA multimodaux. Il fournit une interface frontale et une API Python pour générer des images qui ne révèlent des injections d'instructions multimodales que lorsqu'elles sont réduites. Consultez l'article « Armer la mise à l'échelle d'images contre les systèmes d'IA de production » pour plus d'informations sur ce vecteur d'attaque.

Anamorpher est en développement bêta actif. Nous accueillons volontiers vos retours et contributions !

Fonctionnalités

  • Générer des charges utiles pour les systèmes utilisant des implémentations sélectionnées des algorithmes de réduction d'échelle bicubique, bilinéaire et du plus proche voisin
  • Comparer l'efficacité des charges utiles via une interface frontale qui inclut des implémentations d'OpenCV, PyTorch, TensorFlow et Pillow
  • Inclure votre propre implémentation personnalisée de réduction d'échelle d'image en utilisant la conception modulaire de l'API Python
Comparaison montrant l'invite cachée Démonstration de l'attaque en action
Démo frontale Démo d'attaque CLI Gemini

Prérequis

  • Python 3.11+
  • uv (recommandé) ou pip

Installation

  1. Installer les dépendances :
uv sync
  1. Lancer le backend :
uv run python backend/app.py
  1. Ouvrir frontend/index.html dans un navigateur web

Windows : Utilisez WSL2 en raison des dépendances TensorFlow.

Avertissements et limitations connues

  • En raison de la nature probabiliste de ces systèmes, les résultats peuvent varier. Pour une évaluation cohérente, exécutez chaque exemple 5 fois.
  • Des transformations d'images supplémentaires peuvent interférer avec l'efficacité des injections.
  • Toutes les charges utiles ne fonctionneront pas avec chaque implémentation et jeu de paramètres des algorithmes de réduction d'échelle bicubique et bilinéaire en raison de la robustesse variable de l'anti-aliasing entre les implémentations, des paramètres par défaut différents dans les bibliothèques de mise à l'échelle et des optimisations spécifiques à l'implémentation qui affectent le comportement d'interpolation.
  • Cela vaut également pour les systèmes d'IA de production plus largement, car le comportement de mise à l'échelle du système est sujet à changement.

Responsables

  • Kikimora Morozova
  • Suha Sabi Hussain

Références

  • Armer la mise à l'échelle d'images contre les systèmes d'IA de production
  • Prétraitement adversarial : Comprendre et prévenir les attaques de mise à l'échelle d'images dans l'apprentissage automatique
  • Voir n'est pas croire : Attaques de camouflage sur les algorithmes de mise à l'échelle d'images
Télécharger l’outil