Skip to content
KitploitKITPLOIT
ツールエクスプロイトブログ
Log in
提出
ツールエクスプロイトブログ
提出

ハッキング、侵入テスト、サイバーセキュリティツールをあなたのセキュリティアーセナルに!

Kitploitはハッキング、サイバーセキュリティ、ペネトレーションテストのツールディレクトリです。最新のプロジェクトアップデートを見つけて、脆弱性の発見、システム分析、テストの自動化、セキュリティの強化を行いましょう。

フィードお問い合わせプライバシー© 2026 Kitploit

ツールディレクトリ

カテゴリ

すべてのカテゴリを見る
Loading categories
ツール/GitHubGitHub/sisl-uri/t-backdoor
機械学習論文と研究学習と教育AIセキュリティ敵対的攻撃
GitHubsisl-uri/t-backdoor

T-Backdoor

スパイキングニューラルネットワークに対する時間的トリガーバックドア攻撃であるT-Backdoorを実装した研究コード。空間的摂動を用いず、rate、latency、jitterトリガーを利用する。

リポジトリを見る
28313日前未レビュー
共有

論文用サンプルコード: 「T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs」

概要

バックドア攻撃は深層ニューラルネットワーク(DNN)に対する深刻なセキュリティ脅威であり、スパイキングニューラルネットワーク(SNN)においては依然としてほとんど研究されていない。既存の攻撃は主に、毒入りサンプルのスパイク分布をクリーンなサンプルと比較して逸脱させる時空間トリガーを導入する。この限界に対処するため、本研究ではSNNに対する新規のバックドア攻撃を提案し、これを\textbf{T-Backdoor}と呼ぶ。これは\textit{Rate}、\textit{Latency}、\textit{Jitter}といった純粋に時間的なトリガーのみを用いて動作し、いかなる空間的摂動も導入しないため、スパイク分布の変化を検出することが著しく困難になる。3つのベンチマーク神経形態データセット(N-MNIST、CIFAR10-DVS、N-Caltech101)での広範な実験と、7つのベースラインバックドア防御手法に対する評価を通じて、T-Backdoorが単一ターゲット設定とマルチターゲット設定の両方において、クリーン精度の低下をわずかにとどめつつ、ほぼ完璧な100%の攻撃成功率(ASR)を達成し、既存のバックドア検出・緩和技術に対して堅牢であることを実証する。

リポジトリ構成

├── 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

要件

  • Python 3.11
  • CUDA対応GPU(CPUでも動作するが、実用的でないほど遅い)
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

報告された結果に使用した参照環境:

パッケージバージョン
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjellyソースから最新版

データセットのセットアップ

生のニューロモルフィックデータセットをダウンロードし、それぞれを data/ の専用サブディレクトリに配置してください。ディレクトリ名は --dataset の値と 完全に一致させてください:

data/
├── mnist/       # N-MNIST
├── cifar10/     # CIFAR10-DVS
├── caltech/     # N-Caltech101
└── gesture/     # DVS128-Gesture

⚠️ data/ は作業ディレクトリ内の実ディレクトリである必要があります

使用方法

1. 単一ターゲット (main_single.py)

1つのトリガー、1つのターゲットクラス。

python main_single.py --dataset cifar10 --type latency --delay_frames 1 \
    --T 10 --epochs 100 --epsilon 0.1 --data_dir 'data/'

コア引数

引数デフォルト説明
--datasetgesturemnist、cifar10、caltech、gesture
--typestaticstatic、moving、smart、latency、rate、jitter、jitter_fixed
--epsilon0.1ポイズニングする訓練セットの割合
--trigger_label0ターゲットクラス
--T10シミュレーションのタイムステップ数
--epochs10訓練エポック数
--batch_size16バッチサイズ
--lr0.001学習率
--lossmsemse または cross
--optimadamadam または sgd
--ampオフ自動混合精度を有効化
--seed42乱数シード
--data_dirdata/データセットのルート
--save_pathexperiments_single出力ルート
--model_pathNone事前学習済みチェックポイントから開始

トリガー固有の引数

引数デフォルト適用対象
--delay_frames2latency — 遅延フレーム数
--scale_factor0.5rate — <1 で遅く、>1 で速く
--n_shift3jitter_fixed — 入れ替えるフレームペアの数
--trigger_size0.1static/moving/smart — 幅に対するパッチサイズの割合
--postop-leftstatic — top-left、top-right、bottom-left、bottom-right、middle、random
--polarity3static/moving/smart — 0=黒、1=濃紺、2=緑、3=水色
--n_masks2smart — 候補領域の数
--leastオフsmart — 最も活発な領域ではなく、最も活発でない領域を対象にする
--most_polarityオフsmart — 領域内で最も活発な極性を使用する

--epsilon 0.0 を設定すると、クリーンなベースラインモデルを訓練します。


2. マルチターゲット (main_multi_target.py)

1つのトリガータイプで、N個のターゲットクラスをトリガーのパラメータ値で区別します。

# 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/'
引数デフォルト説明
--typeratestatic、latency、rate、jitter、jitter_fixed
--n_targets3ターゲットクラスの数
--trigger_labels[0..n-1]明示的なターゲットラベル。長さは --n_targets と一致する必要があります
--epsilon0.1総バジェット。ターゲット間で均等に分割されます

ターゲットごとのパラメータ。 明示的に指定するか、範囲に対して np.linspace によって自動割り当てさせます。明示的なリストは長さが --n_targets と一致する必要があり、 範囲引数を上書きします。

トリガー明示的指定自動範囲自動デフォルト
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 を n_targets 個のフレームグループに分割

自動割り当てされる整数パラメータ(latency、jitter_fixed)は、衝突時に値をインクリメントすることで 重複排除されるため、2 つのターゲットが同じ値を共有することはありません。

static の場合、ターゲットはどのフレームがパッチを運ぶかによって区別されます — パッチの見た目ではなく 時間軸によって区別されます。

ターゲットごとの ASR は、クリーン精度とともに毎エポック出力されます。


3. マルチトリガー・マルチターゲット (main_mtmt.py)

ターゲットごとに異なるトリガータイプを使用します。

python main_mtmt.py --dataset mnist --T 10 --n_targets 5 \
    --target_types latency latency rate rate jitter_fixed \
    --trigger_labels 0 1 2 3 4 \
    --latency_delays 1 2 --rate_scales 0.5 2.0 --jitter_fixed_shifts 3 \
    --epsilon 0.3 --epochs 100 --data_dir 'data/'
引数デフォルト説明
--n_targets3ターゲット数。3 と 5 には組み込みプリセットあり
--target_typesNoneターゲットごとのトリガータイプ — static、latency、rate、jitter、jitter_fixed。長さは --n_targets と一致する必要あり。プリセットを上書きする
--trigger_labels[0..n-1]ターゲットラベル
--epsilon0.2合計バジェット。ターゲット間で均等に分割される

タイプ別パラメータリスト。 各リストはそのタイプのターゲットごとに1エントリを持ちます — --target_types latency latency rate rate jitter_fixed の場合、2つの遅延、2つのレート、 1つのシフトを渡します:

引数適用対象
--latency_delays 1 2各 latency ターゲット
--rate_scales 0.5 2.0各 rate ターゲット
--jitter_fixed_shifts 3各 jitter_fixed ターゲット
--jitter_stds 0.1 0.3各 jitter ターゲット
--static_positions top-left bottom-right各 static ターゲット
--static_polarities 3 1各 static ターゲット

リストを省略した場合、対応する *_min / *_max 範囲から自動割り当てされます。

組み込みプリセット(--target_types が指定されていない場合に使用):

  • --n_targets 3 — static(フレーム 0..T/3)、latency(--delay)、rate(--scale_factor)
  • --n_targets 5 — 2つの static(異なるフレームグループと位置)、2つの latency (--delay、--delay_2)、1つの rate

その他の --n_targets 値では --target_types が必須です。


出力

各実行は共有CSVに1行を書き込み、さらに自己完結型の実験ディレクトリを生成します。

設定サマリーCSV実験ディレクトリ
シングル<save_path>/results.csv<dataset>_<type>_<eps>_<size>_<param>_<seed>/
マルチターゲット<save_path>/multi_target_results.csvmulti_<type>_<dataset>_<n>targets_<labels>_eps<eps>_<params>_seed<seed>/
MTMT<save_path>/mtmt_results.csvmtmt_<dataset>_<n>t_<params>_eps<eps>_seed<seed>/

トリガーパラメータはディレクトリ名にエンコードされます(df1 = 遅延1、sf0.1 = レート 0.1、ns3 = 3スワップ)。そのため、トリガーパラメータのみが異なる実行が互いを上書きすることはありません。


謝辞

このコードベースの一部は、Gorka Abad らによる Sneaky Spikes リポジトリから適応したものであり、論文 "Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic Data"(NDSS 2024)に付随するものです。コードを公開してくださった著者の皆様に感謝します。


引用

本研究があなたの研究に役立つ場合は、以下を引用していただけると幸いです:

ツールをダウンロード

人気

すべて見る →

コミュニティで最も使われているツールを見つけましょう。

まだ人気データがありません。

すべてのツールを探索

ツールコレクションを閲覧

すべてのツールを見る →