Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
aegis-audio-defense — Framework di difesa che mantiene congelati i modelli audio-linguaggio e aggiunge un gate di rischio a livello intermedio con adattatori di sicurezza a livello tardivo per bloccare i jailbreak audio in fase di inferenza. | Kitploit
Strumenti/GitHubGitHub/azzzzliao/aegis-audio-defense
Strumenti DifensiviAnalisi delle VulnerabilitàMachine LearningPaper e RicercaSicurezza dell'IAAttacco Avversario
GitHubazzzzliao/aegis-audio-defense

aegis-audio-defense

Condividi

Framework di difesa che mantiene congelati i modelli audio-linguaggio e aggiunge un gate di rischio a livello intermedio con adattatori di sicurezza a livello tardivo per bloccare i jailbreak audio in fase di inferenza.

Vedi Repository
961 mese faNon ancora revisionato

AEGIS: Protezione endogena audio tramite segnali interni contro i jailbreak dei grandi modelli audio-linguaggio

arXiv License

Inviato a ICASSP 2027.

AEGIS mantiene congelato il modello audio-linguaggio di destinazione e aggiunge un gate di rischio a livello intermedio che attiva condizionatamente adattatori di sicurezza negli strati finali, con scaling a ciclo chiuso in fase di inferenza.

Contenuti

PaginaCosa contiene
MetodoIl divario rischio-rifiuto, il gate e gli adattatori, la loss di addestramento, il ciclo chiuso.
RisultatiLe tabelle del paper: sei modelli, tre benchmark, l'ablazione e il confronto delle difese.
Analisi oltre il paperIl divario rischio-rifiuto negli altri cinque modelli, il comportamento del gate, le rappresentazioni, la tabella completa delle ablazioni.
DatiDa dove proviene ciascun dataset e come vengono costruiti i manifest.
Aggiungere un modelloPortare AEGIS su un altro LALM scrivendo un singolo adattatore.

In questa pagina: Struttura del repository · Configurazione · Dati · Esecuzione di AEGIS · Protocollo · Ablazioni · Test · Citazione

Struttura del repository

aegis/                        defense runtime; every script runs from any directory
  model_registry.py           ModelAdapter interface, registry, Qwen2-Audio and Phi-4 adapters
  adapters_gemma_voxtral.py   Gemma 4 E4B-it and Voxtral-Small-24B adapters
  adapters_ultravox_vita.py   Ultravox v0.5 and VITA-1.5 adapters
  train_gate_lora.py          joint training of the risk gate and the safety adapters
  run_defense.py              gated inference with closed-loop scaling (--score-only: gate scores)
  run_model.py                undefended generation
  judge.py                    Llama-Guard-3-8B safety judge
  refusal.py                  refusal regex for the over-refusal metric
  extract_hidden.py, analysis/  hidden-state probes for layer selection
scripts/
  prepare_data.py             downloaded datasets -> manifests (+ in-domain test splits)
  run_baseline.sh             step 0: undefended responses, judgments, training files
  run_aegis.sh                steps 1-4 for one protocol (PROTOCOL=indomain or lobo)
  run_ablation.sh             the Full and Always-on ablations
  models.sh                   per-model gate layer, intervention layers, prompt mode
  build_trainsets.py, calibrate_threshold.py, summarize.py
data/splits/                  in-domain train/test ids used in the paper
docs/                         method, results, analyses, porting guide
tests/                        CPU tests of the evaluation protocol

Configurazione

pip install -r requirements.txt

Ogni modello richiede una versione di Transformers in grado di caricarlo. Le fonti upstream non concordano, quindi abbiamo utilizzato un ambiente per ogni famiglia di modelli:

MODELModello baseHugging Face id (variabile di override)Layer di gateLayer di interventoTransformers utilizzato
gemma4_e4b_itGemma 4 E4B ITgoogle/gemma-4-E4B-it (AEGIS_GEMMA4_PATH)2125–415.7.0.dev0
phi4_mmPhi-4-multimodalmicrosoft/Phi-4-multimodal-instruct (AEGIS_PHI4_MM_PATH)1519–315.7.0.dev0
vita_15VITA-1.5VITA-MLLM/VITA-1.5 (AEGIS_VITA_PATH)1519–274.43.4
qwen2_audioQwen2-Audio-7B-InstructQwen/Qwen2-Audio-7B-Instruct (AEGIS_QWEN2_AUDIO_PATH)1519–31≥ 4.45
ultravox_v05Ultravox v0.5 (Llama-3.1-8B)fixie-ai/ultravox-v0_5-llama-3_1-8b (AEGIS_ULTRAVOX_PATH)1519–314.48.1
voxtral_smallVoxtral Small 24Bmistralai/Voxtral-Small-24B-2507 (AEGIS_VOXTRAL_PATH)2428–394.57.6
  • Per impostazione predefinita, i modelli vengono caricati dall'Hub. Per l'esecuzione offline, punta la variabile di override a uno snapshot locale.
  • Llama-Guard-3-8B, Gemma 4 e il backbone Llama-3.1 scaricato da Ultravox sono soggetti a gating sull'Hub. Accetta le rispettive licenze ed esegui huggingface-cli login, oppure imposta GUARD e AEGIS_LLAMA31_PATH su copie locali.
  • VITA-1.5 richiede il suo codice GitHub: clona https://github.com/VITA-MLLM/VITA e imposta AEGIS_VITA_REPO sul checkout (predefinito: external/VITA).
  • Hardware: una GPU da 48 GB è sufficiente per la maggior parte dei modelli. L'addestramento di Gemma 4 richiede una singola scheda con almeno ~40 GB, poiché la loss con vocabolario da 262k non si distribuisce bene in sharding. Voxtral Small richiede due schede da 48 GB (DEVICE=auto distribuisce il modello; il gate e gli adapter seguono i layer a cui sono agganciati). Anche Qwen2-Audio e Phi-4 traggono beneficio da DEVICE=auto sui clip lunghi di AJail.

Dati

Scarica i cinque dataset come descritto in data/README.md, quindi genera i manifest:

python scripts/prepare_data.py --data-root data --out-dir data/manifests

Lo script verifica i conteggi delle righe utilizzati nel paper: AJail 1.490, JALM 946, SACRED 1.364, XSTest 250, Benign_train 215. Scrive inoltre gli split di test in-domain (718 / 499 / 683 righe) a partire dagli elenchi di id in data/splits/.

Esecuzione di AEGIS

Per ciascun modello (PY è il Python dell'ambiente di quel modello; JUDGE_PY può puntare a un ambiente diverso per Llama Guard):

MODEL=gemma4_e4b_it PY=python DEVICE=cuda:0 bash scripts/run_baseline.sh                  # step 0
MODEL=gemma4_e4b_it PROTOCOL=indomain PY=python DEVICE=cuda:0 bash scripts/run_aegis.sh   # in-domain
MODEL=gemma4_e4b_it PROTOCOL=lobo     PY=python DEVICE=cuda:0 bash scripts/run_aegis.sh   # LOBO

Ogni fase è riavviabile; rieseguire lo stesso comando dopo un'interruzione. Gli output vanno in runs/<model>/:

baseline/                        undefended responses; <bench>_judged.jsonl = Llama Guard labels
train/train_{indomain,lobo}_<bench>.jsonl
<protocol>/<bench>/adapter/      router_head.pt, late_adapters.pt, config.json
<protocol>/<bench>/scores/       gate scores on XSTest and on the evaluation set
<protocol>/<bench>/threshold.json
<protocol>/<bench>/defended/     defended responses and their judgments
<protocol>/summary.json          unsafe rate, over-refusal, gate AUROC per benchmark

Protocollo

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Il toolkit OSINT definitivo: grafo di indagine, punteggio di affidabilità, famiglie di alias, mappa, timeline e report. 49 moduli, oltre 400 siti, nessuna chiave API richiesta.

    795
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # App di esecuzione con un tocco GhostLock (CVE-2026-43499)

    520
  • 3

    ARTEX

    baarai/artex

    Piattaforma di penetration testing autonoma multi-agente basata su LLM con agenti planner/worker, grafi di asset e di esplorazione, registrazione del traffico MITM e retesting delle vulnerabilità.

    439
  • 4

    redforge

    cybersecurity91/redforge

    Toolkit red team lato browser con 102 strumenti offline per ricognizione, generazione di payload, attacchi alle credenziali, crittografia, codifica e reportistica dell'engagement.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Piattaforma CSIRT che importa i report di Shadowserver in MongoDB e li riproduce come mappe interattive, analisi, risultati, avvisi e dashboard executive.

    267
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Il sistema d'azione per la cybersecurity nativa AI—dove l'intento diventa esecuzione governata, le evidenze diventano memoria operativa, e ogni operazione migliora la successiva.

    264

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →