
Codice di ricerca che implementa T-Backdoor, attacchi backdoor con trigger temporale su reti neurali a impulsi utilizzando trigger di rate, latenza e jitter senza perturbazione spaziale.
Gli attacchi backdoor rappresentano una seria minaccia alla sicurezza delle reti neurali profonde (DNN) e restano in gran parte poco esplorati per le reti neurali a impulsi (SNN). Gli attacchi esistenti introducono principalmente trigger spazio-temporali che inducono deviazioni nella distribuzione degli spike dei campioni avvelenati rispetto alle loro controparti pulite. Per superare questo limite, questo lavoro propone un nuovo attacco backdoor sulle SNN, denominato \textbf{T-Backdoor}, che opera utilizzando trigger puramente temporali come \textit{Rate}, \textit{Latency} e \textit{Jitter} senza introdurre alcuna perturbazione spaziale, rendendo lo spostamento nelle distribuzioni degli spike significativamente più difficile da rilevare. Attraverso estesi esperimenti su tre dataset neuromorfici di riferimento: N-MNIST, CIFAR10-DVS e N-Caltech101, e valutazioni contro sette metodi di difesa backdoor di riferimento, dimostriamo che T-Backdoor raggiunge un tasso di successo dell'attacco (ASR) quasi perfetto del 100% sia in configurazioni a target singolo che multi-target, con solo una lieve degradazione dell'accuratezza sui dati puliti, rimanendo al contempo robusto contro le tecniche esistenti di rilevamento e mitigazione delle backdoor.
├── 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
Ambiente di riferimento utilizzato per i risultati riportati:
| Pacchetto | Versione |
|---|---|
| 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 | ultima versione dal sorgente |
Scarica i dataset neuromorfici grezzi e colloca ciascuno nella propria sottodirectory di
data/, denominata esattamente come il valore di --dataset:
data/
├── mnist/ # N-MNIST
├── cifar10/ # CIFAR10-DVS
├── caltech/ # N-Caltech101
└── gesture/ # DVS128-Gesture
data/ deve essere una directory letterale nella tua directory di lavoromain_single.py)Un trigger, una classe target.
python main_single.py --dataset cifar10 --type latency --delay_frames 1 \
--T 10 --epochs 100 --epsilon 0.1 --data_dir 'data/'
Argomenti principali
| Argomento | Predefinito | Descrizione |
|---|---|---|
--dataset | gesture | mnist, cifar10, caltech, gesture |
--type | static | static, moving, smart, latency, rate, jitter, jitter_fixed |
--epsilon | 0.1 | Frazione del set di addestramento da avvelenare |
--trigger_label | 0 | Classe target |
--T | 10 | Passi temporali della simulazione |
--epochs | 10 | Epoche di addestramento |
--batch_size | 16 | Dimensione del batch |
--lr | 0.001 | Tasso di apprendimento |
--loss | mse | mse o cross |
--optim | adam | adam o sgd |
--amp | disattivato | Abilita la precisione mista automatica |
--seed | 42 | Seme casuale |
--data_dir | data/ | Directory radice del dataset |
--save_path | experiments_single | Directory radice di output |
--model_path | None | Parte da un checkpoint pre-addestrato |
Argomenti specifici del trigger
| Argomento | Predefinito | Si applica a |
|---|---|---|
--delay_frames | 2 | latency — frame di ritardo |
--scale_factor | 0.5 | rate — <1 più lento, >1 più veloce |
--n_shift | 3 | jitter_fixed — numero di coppie di frame scambiate |
--trigger_size | 0.1 | static/moving/smart — dimensione della patch come frazione della larghezza |
--pos | top-left | static — top-left, top-right, bottom-left, bottom-right, middle, random |
--polarity | 3 | static/moving/smart — 0=nero, 1=blu scuro, 2=verde, 3=azzurro |
--n_masks | 2 | smart — numero di regioni candidate |
--least | disattivato | smart — prende di mira la regione meno attiva invece della più attiva |
--most_polarity | disattivato | smart — usa la polarità più attiva nella regione |
Impostando --epsilon 0.0 si addestra un modello baseline pulito.
main_multi_target.py)Un tipo di trigger, N classi target separate dal valore del parametro del trigger.
# 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/'
| Argomento | Predefinito | Descrizione |
|---|---|---|
--type | rate | static, latency, rate, jitter, jitter_fixed |
--n_targets | 3 | Numero di classi target |
--trigger_labels | [0..n-1] | Etichette target esplicite; la lunghezza deve essere uguale a --n_targets |
--epsilon | 0.1 | Budget totale, suddiviso equamente tra i target |
Parametri per target. Specificarli esplicitamente, oppure lasciare che vengano assegnati automaticamente da
np.linspace su un intervallo. Le liste esplicite devono avere lunghezza --n_targets e sovrascrivono
gli argomenti dell'intervallo.
| Trigger | Esplicito | Intervallo automatico | Predefinito automatico |
|---|---|---|---|
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 suddiviso in n_targets gruppi di frame |
I parametri interi assegnati automaticamente (latency, jitter_fixed) vengono deduplicati
incrementando le collisioni, così che nessuna coppia di target condivida un valore.
Per static, i target sono separati da quali frame trasportano la patch — è l'asse temporale
a distinguerli, non l'aspetto della patch.
L'ASR per target viene stampato a ogni epoca, insieme all'accuratezza pulita.
main_mtmt.py)Un tipo di trigger diverso per ogni target.
Scopri gli strumenti più utilizzati dalla nostra community.
Nessun dato di popolarità ancora.