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
T-Backdoor — 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. | Kitploit
Strumenti/GitHubGitHub/sisl-uri/t-backdoor
Machine LearningPaper e RicercaApprendimento e FormazioneSicurezza dell'IAAttacco Avversario
GitHubsisl-uri/t-backdoor

T-Backdoor

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.

Vedi Repository
28313 giorni faNon ancora revisionato
Condividi

Codici di esempio per il paper: 'T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs'

Abstract

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.

Struttura del repository

├── 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

Requisiti

  • Python 3.11
  • GPU compatibile con CUDA (la CPU funziona ma è impraticabilmente lenta)
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:

PacchettoVersione
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjellyultima versione dal sorgente

Configurazione del dataset

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 lavoro

Utilizzo

1. Singolo target (main_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

ArgomentoPredefinitoDescrizione
--datasetgesturemnist, cifar10, caltech, gesture
--typestaticstatic, moving, smart, latency, rate, jitter, jitter_fixed
--epsilon0.1Frazione del set di addestramento da avvelenare
--trigger_label0Classe target
--T10Passi temporali della simulazione
--epochs10Epoche di addestramento
--batch_size16Dimensione del batch
--lr0.001Tasso di apprendimento
--lossmsemse o cross
--optimadamadam o sgd
--ampdisattivatoAbilita la precisione mista automatica
--seed42Seme casuale
--data_dirdata/Directory radice del dataset
--save_pathexperiments_singleDirectory radice di output
--model_pathNoneParte da un checkpoint pre-addestrato

Argomenti specifici del trigger

ArgomentoPredefinitoSi applica a
--delay_frames2latency — frame di ritardo
--scale_factor0.5rate — <1 più lento, >1 più veloce
--n_shift3jitter_fixed — numero di coppie di frame scambiate
--trigger_size0.1static/moving/smart — dimensione della patch come frazione della larghezza
--postop-leftstatic — top-left, top-right, bottom-left, bottom-right, middle, random
--polarity3static/moving/smart — 0=nero, 1=blu scuro, 2=verde, 3=azzurro
--n_masks2smart — numero di regioni candidate
--leastdisattivatosmart — prende di mira la regione meno attiva invece della più attiva
--most_polaritydisattivatosmart — usa la polarità più attiva nella regione

Impostando --epsilon 0.0 si addestra un modello baseline pulito.


2. Multi-target (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/'
ArgomentoPredefinitoDescrizione
--typeratestatic, latency, rate, jitter, jitter_fixed
--n_targets3Numero di classi target
--trigger_labels[0..n-1]Etichette target esplicite; la lunghezza deve essere uguale a --n_targets
--epsilon0.1Budget 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.

TriggerEsplicitoIntervallo automaticoPredefinito automatico
latency--delay_params 1 3 5--delay_min, --delay_max1 … T//2
rate--rate_params 0.3 0.6 0.9--rate_min, --rate_max0.1 … 6.0
jitter--jitter_params 0.05 0.15 0.25--jitter_std_min, --jitter_std_max0.05 … 0.3
jitter_fixed--nshift_params 1 3 5--n_shift_min, --n_shift_max1 … 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.


3. Multi-trigger multi-target (main_mtmt.py)

Un tipo di trigger diverso per ogni target.

Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

Nessun dato di popolarità ancora.

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →