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
Strumenti/GitHubGitHub/jefffffffu/priv-qdnn
PrivacyMachine LearningPaper e RicercaApprendimento e FormazioneSicurezza dell'IA
GitHubjefffffffu/priv-qdnn

Priv-QDNN

Codebase di ricerca per la valutazione della privacy delle reti neurali quantizzate: addestra modelli target/shadow con PTQ/QAT ed esegue attacchi di inferenza di appartenenza (MIA, RMIA, white-box) con difese DP.

Vedi Repository
1221 giorni faNon ancora revisionato
Condividi
Sito web

Priv-QDNN

Questo è il codice ufficiale dell'articolo "Revisiting Privacy Risks in Quantized Deep Neural Networks"

Questo repository contiene una base di codice di ricerca per la valutazione della privacy delle reti neurali profonde quantizzate. Supporta l'addestramento di modelli target/shadow nelle comuni impostazioni di quantizzazione post-addestramento (PTQ) e di addestramento consapevole della quantizzazione (QAT), il salvataggio su disco delle feature intermedie per gli attacchi e l'esecuzione di una suite di attacchi e metriche correlati all'inferenza di appartenenza (ad es. MIA, RMIA, WhiteBoxMIA, WhiteBoxMIA_Partial). La base di codice integra inoltre percorsi di addestramento con privacy differenziale basati su Opacus per i modelli difesi (ad es. varianti dropout / DP / avversariali negli script di esempio forniti).

Il flusso di valutazione è suddiviso in due fasi: (1) addestramento (--training target|shadow|both) per materializzare gli artefatti in save/<attack_method>/..., e (2) valutazione solo-attacco (--training None) che carica le posteriori/modelli salvati e riporta le metriche in result/<attack_method>/....

Installazione

È necessaria una macchina con supporto GPU NVIDIA per gli esperimenti tipici. Consigliamo i wheel CUDA 12.1 per PyTorch (vedere i comandi sotto). Utilizzare Python 3.10 per corrispondere alle versioni fissate in requirements.txt.

È possibile installare la maggior parte dei requisiti con:

conda create --name priv-qdnn python=3.10
conda activate priv-qdnn
pip install -r requirements.txt --extra-index-url https://download.pytorch.org/whl/cu121

Note:

  • Per PyTorch solo CPU, esegui pip install -r requirements.txt senza --extra-index-url (wheel CPU di PyPI se disponibili per la tua piattaforma).
  • Se utilizzi i percorsi di quantizzazione AdaRound / AIMET, hai bisogno di un'installazione funzionante di aimet-torch (vedi quantization/PTQ/adaround.py). Se pip non riesce a risolvere aimet-torch sulla tua piattaforma, segui prima le istruzioni di installazione di Qualcomm AIMET, poi installa le dipendenze rimanenti.

Dataset

I dataset non sono inclusi in questo repository. Ne sono supportati quattro, e differiscono per la quantità di configurazione necessaria.

CIFAR-100 e CINIC-10 (automatici)

Entrambi vengono scaricati al primo utilizzo in data/, quindi non è richiesto alcun passaggio manuale — assicurati solo che la macchina abbia accesso alla rete la prima volta che esegui un esperimento.

  • CIFAR-100 viene scaricato da torchvision.datasets.CIFAR100(..., download=True) in data/load_data.py.
  • CINIC-10 viene scaricato ed estratto da fetch_cinic10() in data/cinic10.py dal mirror Edinburgh DataShare. È un archivio di grandi dimensioni, quindi prevedi tempo e spazio su disco per la prima esecuzione.

Texas100 e Location (manuali)

Questi due non hanno un downloader automatico. Scarica gli archivi grezzi, estraili in data/<dataset>/raw/, quindi convertili nei file .npy che i loader si aspettano.

DatasetArchivio grezzo
Texas100https://www.comp.nus.edu.sg/~reza/files/dataset_texas.tgz
Locationhttps://github.com/privacytrustlab/datasets (il set location)

Struttura prevista dopo l'estrazione:

data/texas/raw/texas/100/feats
data/texas/raw/texas/100/labels
data/location/raw/bangkok

Poi costruisci le suddivisioni train/test:

python data/prepare_tabular.py --dataset both

--dataset accetta texas, location o both. Usa --raw_root per puntare a una posizione diversa (predefinita data/<dataset>/raw), e --test_size / --seed per modificare la suddivisione (valori predefiniti 0.2 e 41).

Questo scrive i file che data/tabular_datasets.py carica:

data/<dataset>/{train_feats,train_labels,test_feats,test_labels}.npy

Se questi file .npy mancano, qualsiasi esecuzione che utilizzi --dataset_name texas o --dataset_name location fallisce con un FileNotFoundError che indica il percorso mancante.

Struttura del codice di Priv-QDNN

  • attack: implementazioni degli attacchi e punti di ingresso per la valutazione (MIA, RMIA, WhiteBox_MIA, ecc.).
  • training: cicli di addestramento target/shadow e varianti di addestramento difeso (rami DP / avversariali, utilità).
  • model: definizioni dei modelli e wrapper utilizzati da addestramento e attacchi.
  • quantization: pipeline e helper di quantizzazione PTQ/QAT (inclusa l'integrazione di AIMET AdaRound).
  • data: helper per il download dei dataset, script di preparazione e wrapper Dataset di PyTorch.
  • dp: utilità per la privacy differenziale utilizzate dai percorsi di addestramento DP.
  • example: script shell per esperimenti end-to-end (raccolta dati MIA + valutazione solo-attacco / difese).
  • experiment: studi meccanicistici alla base dell'analisi del paper — punteggi di memorizzazione in stile LOOD (memorization.py) e le tabelle di quantizzazione della norma del gradiente (grad_norm_quantization_table.py, grad_norm_range_normalized_table.py).
  • plot: generazione di figure e tabelle per il paper; i PDF e i CSV di output finiscono in plot/figures/.
  • main.py: punto di ingresso CLI unificato (--training alterna tra modalità di addestramento e solo-attacco).
  • parameter_parser.py: tutti gli argomenti della riga di comando e i valori predefiniti.
  • extract_last_layer_grad_norm.py: norme L2 per campione del gradiente del classificatore dell'ultimo layer per i sottoinsiemi member e non-member, riutilizzate dalle tabelle in experiment/.

Esperimenti dimostrativi

Raccolta dati di membership inference + MIA solo-attacco (CIFAR-100)

Il seguente schema corrisponde al flusso di lavoro previsto dal repository: addestrare con MIA per popolare save/MIA/..., quindi eseguire MIA con --training None.

# Stage 1: train target + shadow and save MIA artifacts
python main.py \
  --dataset_name cifar100 \
  --net_name resnet18 \
  --quantization hawq --a_bit 8 --w_bit 8 \
  --attack_method MIA \
  --training both \
  --num_epochs 50 --trials 3 \
  --device cuda:0

# Stage 2: attack-only MIA evaluation (confidence threshold attack only)
python main.py \
  --dataset_name cifar100 \
  --net_name resnet18 \
  --quantization hawq --a_bit 8 --w_bit 8 \
  --attack_method MIA \
  --compleaknr_attacks confidence \
  --training None \
  --trials 3 \
  --device cuda:0

Per ogni esecuzione dell'attacco, la console stamperà l'avanzamento dalla corrispondente implementazione dell'attacco (ad es., metriche per singolo trial per MIA; le esecuzioni solo-attacco vengono salvate in result/MIA/...).

Scegliere quali attacchi black-box eseguire

--compleaknr_attacks controlla la voce MIA solo-attacco:

  • confidence — esegue solo l'attacco a soglia di confidenza. Consuma solo le posteriori salvate, quindi è veloce e non richiede file del modello.
  • all (il valore predefinito dell'argomento) — esegue tutte e sei le varianti black-box: soglia di confidenza, soglia di entropia, entropia modificata, due attacchi basati sull'addestramento (LR/RF sulle posteriori, e sulle posteriori più l'etichetta), e SAMIA.

Nota che le due modalità hanno requisiti diversi. Le prime cinque varianti leggono solo le posteriori salvate, ma SAMIA carica inoltre i modelli target e shadow salvati da save/MIA/.../target/<trial>/model.pth e save/MIA/.../shadow/0/model.pth e li interroga su input perturbati per stimare la sensibilità dell'output. Questo è comunque black-box nel senso che vengono utilizzati solo gli output del modello — nessun gradiente o attivazione interna — ma richiede che tali checkpoint siano presenti, ed è considerevolmente più lento.

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.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    510
  • 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.

    415
  • 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.

    343
  • 5

    antifox

    antifox-ai/antifox

    Piattaforma multi-agente di penetration testing autonoma basata sull'IA che esegue ricognizione, scoperta della superficie d'attacco, validazione dello sfruttamento e consegna di report supportati da evidenze.

    259
  • 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.

    258

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →