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
DetectViT — Rilevatore test-time per Vision Transformer con backdoor, senza addestramento e indipendente dal trigger, che segnala i campioni avvelenati sfruttando la coerenza dell'attenzione tra le teste e la varianza dell'entropia. | Kitploit
Strumenti/GitHubGitHub/siquanhuang/detectvit
Strumenti DifensiviMachine LearningPaper e RicercaSicurezza dell'IARilevamento di Anomalie
GitHubsiquanhuang/detectvit

DetectViT

Rilevatore test-time per Vision Transformer con backdoor, senza addestramento e indipendente dal trigger, che segnala i campioni avvelenati sfruttando la coerenza dell'attenzione tra le teste e la varianza dell'entropia.

Vedi Repository
192 giorni faNon ancora revisionato
Condividi

DetectViT: Rilevamento di backdoor in fase di test per Vision Transformer tramite discrepanza dell'attenzione inter-head

Siquan Huang1, Yijiang Li2, Xingfu Yan3,*, Ningzhi Gao1, Leyu Shi1, Ying Gao1,*

1South China University of Technology   2University of California, San Diego   3South China Normal University

*Autori corrispondenti

NeurIPS 2026 Paper Poster License


Panoramica

I Vision Transformer (ViT) sono l'encoder visivo della maggior parte dei modelli multimodali, e i professionisti costruiscono abitualmente su checkpoint preaddestrati di terze parti che potrebbero contenere una backdoor. DetectViT è un rilevatore di campioni con backdoor in fase di test per i ViT che analizza le teste di attenzione anziché gli output o gli embedding del modello.

  • Senza addestramento. Nessun accesso ai dati di addestramento e nessun modello ausiliario da addestrare.
  • Senza output. Funziona sia per la classificazione che per la generazione aperta (ad es. didascalia di immagini con LLaVA).
  • Indipendente dal trigger. Non è richiesta alcuna conoscenza preliminare del tipo di trigger.
  • Leggero. Un solo passaggio in avanti per campione di test; il rilevamento riutilizza i pesi di attenzione già calcolati durante l'inferenza.

Osservazione chiave

Sulle immagini pulite, le teste di attenzione si concentrano su regioni diverse con concentrazione comparabile. I trigger backdoor rompono questo equilibrio in due modi:

  • Dirottamento completo dell'attenzione. Un trigger visibile e localizzato trascina tutte le teste sulla stessa regione, producendo una sovrapposizione spaziale inter-head anormalmente elevata.
  • Dirottamento parziale dell'attenzione. Un trigger furtivo e globale cattura le teste in modo non uniforme, producendo una varianza anormalmente grande nella concentrazione dell'attenzione tra le teste.

Attenzione CLS-to-patch di sei teste per un'immagine pulita, un'immagine con un trigger a patch visibile (dirottamento completo) e un'immagine con un trigger blended furtivo (dirottamento parziale)

Metodo

Pipeline di DetectViT

DetectViT estrae la distribuzione dell'attenzione CLS-to-patch di ogni testa e calcola due segnali complementari:

  • Inter-Head Consistency Score $\mathcal{S}_{\text{cons}}$: la similarità coseno media a coppie tra le teste di un livello (massimo sui livelli). Cattura il dirottamento completo.
  • Inter-Head Entropy Variance Score $\mathcal{S}_{\text{var}}$: la varianza dell'entropia dell'attenzione per testa all'interno di un livello (massimo sui livelli). Cattura il dirottamento parziale.

Le soglie sono stimate con la regola dei tre sigma, $\tau = \mu + 3\sigma$, a partire da soli da 64 a 128 immagini pulite fuori distribuzione di qualsiasi origine. Un campione di test viene segnalato come backdoorato se $\mathcal{S}{\text{cons}} > \tau{\text{cons}}$ oppure $\mathcal{S}{\text{var}} > \tau{\text{var}}$.


Risultati principali

Prestazioni di rilevamento su quattro attacchi backdoor ai ViT. TPR e FPR sono in %, l'AUC è su una scala [0, 1]. "–" indica che il metodo non è applicabile (i metodi basati sulle etichette non possono gestire didascalie in forma libera) o non produce un punteggio continuo.

DifesaBadViT
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

Attacchi aggiuntivi. Su altri cinque attacchi che coprono encoder auto-supervisionati (BadEncoder, DRUPE), avvelenamento clean-label (Label-Consistent), trigger nel dominio della frequenza (Low-Frequency) e trigger globali ottimizzati (Blended-Optimized), DetectViT è l'unico metodo che mantiene un AUC di almeno 0.97 su tutti. I risultati completi sono nell'appendice del paper.

Tempo di esecuzione. Tempo medio di rilevamento per campione (s):

DifesaBadViTTrojViTBadCLIPBadVision
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

Poster

DetectViT NeurIPS 2026 poster

Clicca sull'immagine per aprire il PDF a piena risoluzione.


Installazione

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

Prerequisiti

  • Python 3.10.5
  • PyTorch 2.1.2
  • CUDA 11.8

Modelli di attacco pre-addestrati e trigger

Scarica da Google Drive i checkpoint dei modelli backdoor pre-addestrati e i trigger ottimizzati:

[Link Google Drive]


Utilizzo

Il metodo di rilevamento è implementato in detectvit.py. Esegui main.py per valutare DetectViT rispetto a ciascun attacco.

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

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.

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    618
  • 3

    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.

    411
  • 4

    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.

    328
  • 5

    jumpserver

    jumpserver/jumpserver

    JumpServer è una piattaforma open-source di gestione degli accessi privilegiati (PAM) che fornisce ai team DevOps e IT un accesso sicuro e on-demand a endpoint SSH, RDP, Kubernetes, database e RemoteApp tramite un browser web.

    314
  • 6

    Aliens_eye

    arxhr007/aliens_eye

    Motore OSINT basato sull'IA per scoprire e mappare oltre 7.700 identità sui social media in tutto il web

    275

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →