Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
उपकरण/GitHubGitHub/siquanhuang/detectvit
रक्षात्मक उपकरणमशीन लर्निंगपेपर और शोधAI सुरक्षाविसंगति का पता लगाना
GitHubsiquanhuang/detectvit

DetectViT

बैकडोर वाले Vision Transformers के लिए ट्रेनिंग-मुक्त, ट्रिगर-अज्ञेय टेस्ट-टाइम डिटेक्टर जो इंटर-हेड अटेंशन कंसिस्टेंसी और एंट्रॉपी वेरिएंस का उपयोग करके ज़हरीले नमूनों को चिह्नित करता है।

रिपॉजिटरी देखें
192 दिन पहलेअभी तक समीक्षित नहीं

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    618
  • 3

    looking-glass

    anonghosty/looking-glass

    CSIRT प्लेटफ़ॉर्म जो Shadowserver रिपोर्ट्स को MongoDB में इनजेस्ट करता है और उन्हें इंटरैक्टिव मैप्स, विश्लेषण, निष्कर्षों, सलाहों और कार्यकारी डैशबोर्ड के रूप में पुनः प्रस्तुत करता है।

    411
  • 4

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    328
  • 5

    jumpserver

    jumpserver/jumpserver

    JumpServer एक ओपन-सोर्स विशेषाधिकार प्रबंधन (PAM) प्लेटफ़ॉर्म है जो DevOps और IT टीमों को SSH, RDP, Kubernetes, डेटाबेस और RemoteApp एंडपॉइंट्स तक वेब ब्राउज़र के माध्यम से मांग पर और सुरक्षित पहुँच प्रदान करता है।

    314
  • 6

    Aliens_eye

    arxhr007/aliens_eye

    वेब पर 7,700+ सोशल मीडिया पहचानों को खोजने और मैप करने के लिए AI-संचालित OSINT इंजन

    275

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →
साझा करें

DetectViT: इंटर-हेड अटेंशन विसंगति के माध्यम से विज़न ट्रांसफ़ॉर्मर के लिए परीक्षण-समय बैकडोर डिटेक्शन

सिकुआन हुआंग1, यीजियांग ली2, शिंगफू यान3,*, निंगझी गाओ1, लेयु शी1, यिंग गाओ1,*

1साउथ चाइना यूनिवर्सिटी ऑफ़ टेक्नोलॉजी   2यूनिवर्सिटी ऑफ़ कैलिफ़ोर्निया, सैन डिएगो   3साउथ चाइना नॉर्मल यूनिवर्सिटी

*संबंधित लेखक

NeurIPS 2026 Paper Poster License


अवलोकन

विज़न ट्रांसफ़ॉर्मर (ViT) अधिकांश मल्टीमॉडल मॉडलों के विज़ुअल एनकोडर हैं, और व्यवसायी नियमित रूप से तृतीय-पक्ष पूर्व-प्रशिक्षित चेकपॉइंट्स पर निर्माण करते हैं जिनमें बैकडोर हो सकता है। DetectViT ViT के लिए एक परीक्षण-समय बैकडोर नमूना डिटेक्टर है जो मॉडल के आउटपुट या एम्बेडिंग के बजाय अटेंशन हेड्स को पढ़ता है।

  • प्रशिक्षण-मुक्त। प्रशिक्षण डेटा तक कोई पहुँच नहीं और प्रशिक्षित करने के लिए कोई सहायक मॉडल नहीं।
  • आउटपुट-मुक्त। वर्गीकरण और खुली-अंत वाली जनरेशन (जैसे LLaVA के साथ इमेज कैप्शनिंग) दोनों के लिए काम करता है।
  • ट्रिगर-अज्ञेय। ट्रिगर के प्रकार का कोई पूर्व ज्ञान आवश्यक नहीं।
  • हल्का। प्रति परीक्षण नमूना एक फ़ॉरवर्ड पास; डिटेक्शन अनुमान के दौरान पहले से गणना किए गए अटेंशन भारों का पुनः उपयोग करता है।

मुख्य अवलोकन

स्वच्छ छवियों पर, अटेंशन हेड्स भिन्न क्षेत्रों पर तुलनीय संकेंद्रण के साथ ध्यान देते हैं। बैकडोर ट्रिगर इस संतुलन को दो तरीकों से तोड़ते हैं:

  • पूर्ण अटेंशन अपहरण। एक दृश्यमान, स्थानीयकृत ट्रिगर सभी हेड्स को एक ही क्षेत्र पर खींच लेता है, जिससे असामान्य रूप से उच्च इंटर-हेड स्थानिक अतिव्यापन उत्पन्न होता है।
  • आंशिक अटेंशन अपहरण। एक गुप्त, वैश्विक ट्रिगर हेड्स को असमान रूप से पकड़ लेता है, जिससे हेड्स के बीच अटेंशन संकेंद्रण में असामान्य रूप से बड़ा विचरण उत्पन्न होता है।

CLS-to-patch attention of six heads for a clean image, an image with a visible patch trigger (complete hijacking), and an image with a stealthy blended trigger (partial hijacking)

विधि

DetectViT pipeline

DetectViT प्रत्येक हेड का CLS-to-patch अटेंशन वितरण निकालता है और दो पूरक संकेतों की गणना करता है:

  • इंटर-हेड संगति स्कोर $\mathcal{S}_{\text{cons}}$: एक परत के हेड्स के बीच औसत जोड़ीवार कोसाइन समानता (परतों में अधिकतम)। यह पूर्ण अपहरण को पकड़ता है।
  • इंटर-हेड एंट्रॉपी विचरण स्कोर $\mathcal{S}_{\text{var}}$: एक परत के भीतर प्रति-हेड अटेंशन एंट्रॉपी का विचरण (परतों में अधिकतम)। यह आंशिक अपहरण को पकड़ता है।

सीमाएँ तीन-सिग्मा नियम, $\tau = \mu + 3\sigma$, द्वारा केवल किसी भी स्रोत की 64 से 128 स्वच्छ आउट-ऑफ़-डिस्ट्रीब्यूशन छवियों से अनुमानित की जाती हैं। एक परीक्षण नमूना बैकडोरयुक्त के रूप में चिह्नित किया जाता है यदि $\mathcal{S}{\text{cons}} > \tau{\text{cons}}$ या $\mathcal{S}{\text{var}} > \tau{\text{var}}$।


मुख्य परिणाम

चार ViT बैकडोर आक्रमणों पर डिटेक्शन प्रदर्शन। TPR और FPR % में हैं, AUC [0, 1] पैमाने पर है। "–" का अर्थ है कि विधि लागू नहीं है (लेबल-आधारित विधियाँ मुक्त-रूप कैप्शन संभाल नहीं सकतीं) या निरंतर स्कोर उत्पन्न नहीं करती।

रक्षाBadViT
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

अतिरिक्त आक्रमण। स्व-पर्यवेक्षित एन्कोडर (BadEncoder, DRUPE), क्लीन-लेबल पॉइज़निंग (Label-Consistent), फ़्रीक्वेंसी-डोमेन ट्रिगर (Low-Frequency) और अनुकूलित ग्लोबल ट्रिगर (Blended-Optimized) को कवर करने वाले पाँच और आक्रमणों पर, DetectViT एकमात्र ऐसी विधि है जो इन सभी पर कम से कम 0.97 का AUC बनाए रखती है। पूर्ण परिणाम पेपर के परिशिष्ट में हैं।

रनटाइम। प्रति-नमूना औसत पहचान समय (s):

रक्षाBadViTTrojViTBadCLIPBadVision
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

पोस्टर

DetectViT NeurIPS 2026 poster

पूर्ण-रिज़ॉल्यूशन PDF खोलने के लिए छवि पर क्लिक करें।


इंस्टॉलेशन

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

पूर्वापेक्षाएँ

  • Python 3.10.5
  • PyTorch 2.1.2
  • CUDA 11.8

पूर्व-प्रशिक्षित आक्रमण मॉडल और ट्रिगर

Google Drive से पूर्व-प्रशिक्षित बैकडोर किए गए मॉडल चेकपॉइंट और अनुकूलित ट्रिगर डाउनलोड करें:

[Google Drive लिंक]


उपयोग

पहचान विधि detectvit.py में लागू की गई है। प्रत्येक आक्रमण के विरुद्ध DetectViT का मूल्यांकन करने के लिए main.py चलाएँ।

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

python3 -u main.py \
  --defense DetectViT \
  --attack_type badclip \
  --gpu 0 \
  --eval_data_type ImageNet1K \
  --eval_test_data_dir BadCLIP/data/ImageNet1K/validation/ \
  --add_backdoor \
  --asr \
  --label banana \
  --patch_type ours_tnature \
  --patch_location middle \
  --patch_name BadCLIP/opti_patches/tnature_eda_bs64_ep50_32_middle_01_05_pos_neg.jpg \
  --patch_size 32

BadVision

python3 -u main.py \
  --defense DetectViT \
  --attack_type badvision \
  --gpu 0

मुख्य आर्ग्युमेंट्स

आर्ग्युमेंटविवरणडिफ़ॉल्ट
--defenseडिटेक्शन विधि (DetectViT, DeDe, BackdoorIDS, ...)DetectViT
--attack_typeमूल्यांकन हेतु आक्रमण (badvit, trojvit, badclip, badvision)—
--gpuGPU डिवाइस ID0

उद्धरण

यदि आपको यह कार्य उपयोगी लगे, तो कृपया हमारे पेपर को उद्धृत करने पर विचार करें।

टूल डाउनलोड करें