
स्पाइकिंग न्यूरल नेटवर्क्स पर रेट, लेटेंसी, और जिटर ट्रिगर्स का उपयोग करते हुए स्थानिक व्यवधान के बिना टेम्पोरल-ट्रिगर बैकडोर हमलों, T-Backdoor को लागू करने वाला शोध कोड।
हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।
अभी तक कोई लोकप्रियता डेटा नहीं है।
बैकडोर हमले डीप न्यूरल नेटवर्क (DNNs) के लिए एक गंभीर सुरक्षा खतरा हैं और स्पाइकिंग न्यूरल नेटवर्क (SNNs) के लिए अभी भी काफी हद तक कम खोजे गए हैं। मौजूदा हमले मुख्य रूप से स्पेटियोटेम्पोरल ट्रिगर्स पेश करते हैं जो जहर वाले नमूनों के स्पाइक वितरण में उनके स्वच्छ समकक्षों के सापेक्ष विचलन उत्पन्न करते हैं। इस सीमा को संबोधित करने के लिए, यह कार्य SNNs पर एक नया बैकडोर हमला प्रस्तावित करता है, जिसे \textbf{T-Backdoor} कहा जाता है, जो विशुद्ध रूप से टेम्पोरल ट्रिगर्स जैसे \textit{Rate}, \textit{Latency}, और \textit{Jitter} का उपयोग करके संचालित होता है, बिना किसी स्थानिक गड़बड़ी को पेश किए, जिससे स्पाइक वितरण में बदलाव का पता लगाना काफी कठिन हो जाता है। तीन बेंचमार्क न्यूरोमॉर्फिक डेटासेट्स: N-MNIST, CIFAR10-DVS, और N-Caltech101 पर व्यापक प्रयोगों के माध्यम से, और सात बेसलाइन बैकडोर रक्षा विधियों के खिलाफ मूल्यांकन के माध्यम से, हम प्रदर्शित करते हैं कि T-Backdoor स्वच्छ सटीकता में केवल मामूली गिरावट के साथ एकल लक्ष्य और बहु लक्ष्य दोनों सेटिंग्स में लगभग सही 100% हमला सफलता दर (ASR) प्राप्त करता है, जबकि मौजूदा बैकडोर पहचान और शमन तकनीकों के खिलाफ मजबूत बना रहता है।
├── 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
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
रिपोर्ट किए गए परिणामों के लिए उपयोग किया गया संदर्भ वातावरण:
| पैकेज | संस्करण |
|---|---|
| Python | 3.11.10 |
| torch | 2.11.0+cu128 |
| torchvision | 0.26.0+cu128 |
| numpy | 2.2.6 |
| scipy | 1.16.0 |
| matplotlib | 3.8.4 |
| seaborn | 0.13.2 |
| spikingjelly | स्रोत से नवीनतम |
कच्चे न्यूरोमॉर्फिक डेटासेट डाउनलोड करें और प्रत्येक को
data/ की अपनी अलग सबडायरेक्टरी में रखें, जिसका नाम ठीक वैसा ही हो जैसा --dataset मान होता है:
data/
├── mnist/ # N-MNIST
├── cifar10/ # CIFAR10-DVS
├── caltech/ # N-Caltech101
└── gesture/ # DVS128-Gesture
data/ आपकी कार्यशील निर्देशिका में एक शाब्दिक निर्देशिका होनी चाहिएmain_single.py)एक ट्रिगर, एक लक्ष्य वर्ग।
python main_single.py --dataset cifar10 --type latency --delay_frames 1 \
--T 10 --epochs 100 --epsilon 0.1 --data_dir 'data/'
मुख्य आर्ग्युमेंट्स
| आर्ग्युमेंट | डिफ़ॉल्ट | विवरण |
|---|---|---|
--dataset | gesture | mnist, cifar10, caltech, gesture |
--type | static | static, moving, smart, latency, rate, jitter, jitter_fixed |
--epsilon | 0.1 | प्रशिक्षण सेट का वह अंश जिसे ज़हरीला बनाना है |
--trigger_label | 0 | लक्ष्य क्लास |
--T | 10 | सिमुलेशन टाइम-स्टेप्स |
--epochs | 10 | प्रशिक्षण एपॉक्स |
--batch_size | 16 | बैच साइज़ |
--lr | 0.001 | लर्निंग रेट |
--loss | mse | mse या cross |
--optim | adam | adam या sgd |
--amp | बंद | स्वचालित मिश्रित परिशुद्धता सक्षम करें |
--seed | 42 | रैंडम सीड |
--data_dir | data/ | डेटासेट रूट |
--save_path | experiments_single | आउटपुट रूट |
--model_path | None | पूर्व-प्रशिक्षित चेकपॉइंट से प्रारंभ करें |
ट्रिगर-विशिष्ट आर्ग्युमेंट्स
| आर्ग्युमेंट | डिफ़ॉल्ट | लागू होता है |
|---|---|---|
--delay_frames | 2 | latency — विलंब के फ्रेम |
--scale_factor | 0.5 | rate — <1 धीमा, >1 तेज़ |
--n_shift | 3 | jitter_fixed — स्वैप किए गए फ्रेम जोड़ों की संख्या |
--trigger_size | 0.1 | static/moving/smart — चौड़ाई के अंश के रूप में पैच आकार |
--pos | top-left | static — top-left, top-right, bottom-left, bottom-right, middle, random |
--polarity | 3 | static/moving/smart — 0=काला, 1=गहरा नीला, 2=हरा, 3=हल्का नीला |
--n_masks | 2 | smart — उम्मीदवार क्षेत्रों की संख्या |
--least | बंद | smart — सबसे अधिक सक्रिय क्षेत्र के बजाय सबसे कम सक्रिय क्षेत्र को लक्षित करें |
--most_polarity | बंद | smart — क्षेत्र में सबसे अधिक सक्रिय ध्रुवता का उपयोग करें |
--epsilon 0.0 सेट करने पर एक स्वच्छ बेसलाइन मॉडल प्रशिक्षित होता है।
main_multi_target.py)एक ट्रिगर प्रकार, ट्रिगर के पैरामीटर मान द्वारा अलग किए गए N लक्ष्य क्लास।
# 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/'
| आर्ग्युमेंट | डिफ़ॉल्ट | विवरण |
|---|---|---|
--type | rate | static, latency, rate, jitter, jitter_fixed |
--n_targets | 3 | लक्ष्य क्लासों की संख्या |
--trigger_labels | [0..n-1] | स्पष्ट लक्ष्य लेबल; लंबाई --n_targets के बराबर होनी चाहिए |
--epsilon | 0.1 | कुल बजट, लक्ष्यों में समान रूप से विभाजित |
प्रति-लक्ष्य पैरामीटर। इन्हें स्पष्ट रूप से दें, या इन्हें किसी रेंज पर
np.linspace द्वारा स्वतः असाइन होने दें। स्पष्ट सूचियों की लंबाई --n_targets होनी चाहिए और
ये रेंज आर्ग्युमेंट्स को ओवरराइड करती हैं।
| ट्रिगर | स्पष्ट | ऑटो रेंज | ऑटो डिफ़ॉल्ट |
|---|---|---|---|
latency | --delay_params 1 3 5 | --delay_min, --delay_max | 1 … T//2 |
rate | --rate_params 0.3 0.6 0.9 | --rate_min, --rate_max | 0.1 … 6.0 |
jitter | --jitter_params 0.05 0.15 0.25 | --jitter_std_min, --jitter_std_max | 0.05 … 0.3 |
jitter_fixed | --nshift_params 1 3 5 | --n_shift_min, --n_shift_max | 1 … max(n_shift_min+1, T//4) |
static | — | — | T को n_targets फ्रेम समूहों में विभाजित किया गया |
स्वतः असाइन किए गए पूर्णांक पैरामीटर (latency, jitter_fixed) टकरावों को
इंक्रीमेंट करके डी-डुप्लिकेट किए जाते हैं, ताकि कोई भी दो लक्ष्य एक ही मान साझा न करें।
static के लिए, लक्ष्यों को कौन से फ्रेम पैच ले जाते हैं के आधार पर अलग किया जाता है — उन्हें पैच की
उपस्थिति के बजाय समय अक्ष अलग करता है।
प्रति-लक्ष्य ASR हर epoch में प्रिंट किया जाता है, साथ में clean accuracy भी।
main_mtmt.py)प्रति लक्ष्य एक अलग ट्रिगर प्रकार।
python main_mtmt.py --dataset mnist --T 10 --n_targets 5 \
--target_types latency latency rate rate jitter_fixed \
--trigger_labels 0 1 2 3 4 \
--latency_delays 1 2 --rate_scales 0.5 2.0 --jitter_fixed_shifts 3 \
--epsilon 0.3 --epochs 100 --data_dir 'data/'