Skip to content
KitploitKITPLOIT
도구익스플로잇블로그
Log in
제출
도구익스플로잇블로그
제출

해킹, 침투 테스트 및 사이버 보안 도구를 당신의 보안 무기고에!

Kitploit은 해킹, 사이버 보안 및 침투 테스트 도구 디렉토리입니다. 최신 프로젝트 업데이트를 발견하여 취약점을 찾고, 시스템을 분석하고, 테스트를 자동화하고, 보안을 강화하세요.

피드문의개인정보© 2026 Kitploit

도구 디렉토리

카테고리

모든 카테고리 보기
Loading categories
T-Backdoor — 스파이킹 신경망에 대한 rate, latency, jitter 트리거를 사용한 시간적 트리거 백도어 공격인 T-Backdoor를 구현한 연구 코드로, 공간적 교란 없이 동작한다. | Kitploit
도구/GitHubGitHub/sisl-uri/t-backdoor
Machine LearningPapers & ResearchLearning & EducationAI SecurityAdversarial Attack
GitHubsisl-uri/t-backdoor

T-Backdoor

스파이킹 신경망에 대한 rate, latency, jitter 트리거를 사용한 시간적 트리거 백도어 공격인 T-Backdoor를 구현한 연구 코드로, 공간적 교란 없이 동작한다.

저장소 보기
28313일 전아직 검토되지 않음
공유

논문 'T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs'를 위한 샘플 코드

초록

백도어 공격은 심층 신경망(DNN)에 대한 심각한 보안 위협이지만, 스파이킹 신경망(SNN)에 대해서는 아직 충분히 연구되지 않은 상태이다. 기존의 공격은 주로 오염된 샘플의 스파이크 분포가 정상 샘플과 비교하여 편차를 유발하는 시공간 트리거를 도입한다. 이러한 한계를 해결하기 위해, 본 연구는 \textbf{T-Backdoor}라고 명명된 SNN에 대한 새로운 백도어 공격을 제안하며, 이는 \textit{Rate}, \textit{Latency}, \textit{Jitter}와 같은 순수 시간적 트리거를 사용하여 어떠한 공간적 교란도 도입하지 않으므로 스파이크 분포의 변화를 탐지하기가 훨씬 더 어렵게 만든다. 세 가지 벤치마크 뉴로모픽 데이터셋인 N-MNIST, CIFAR10-DVS, N-Caltech101에 대한 광범위한 실험과 일곱 가지 기준 백도어 방어 방법에 대한 평가를 통해, T-Backdoor가 단일 대상 및 다중 대상 설정 모두에서 정상 정확도의 경미한 저하만으로 거의 완벽한 100% 공격 성공률(ASR)을 달성하며 기존의 백도어 탐지 및 완화 기법에 대해 견고함을 유지함을 입증한다.

저장소 구조

├── 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

요구 사항

  • Python 3.11
  • CUDA 지원 GPU (CPU에서도 작동하지만 실용적이지 않을 정도로 느림)
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

보고된 결과에 사용된 참조 환경:

패키지버전
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjelly소스에서 최신 버전

데이터셋 설정

원시 뉴로모픽 데이터셋을 다운로드하여 각각을 data/의 자체 하위 디렉터리에 배치하며, 디렉터리 이름은 --dataset 값과 정확히 일치해야 합니다:

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

⚠️ data/는 작업 디렉터리에 있는 실제 디렉터리여야 합니다

사용법

1. 단일 대상 (main_single.py)

하나의 트리거, 하나의 대상 클래스.

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

핵심 인수

인수기본값설명
--datasetgesturemnist, cifar10, caltech, gesture
--typestaticstatic, moving, smart, latency, rate, jitter, jitter_fixed
--epsilon0.1포이즈닝할 훈련 세트의 비율
--trigger_label0대상 클래스
--T10시뮬레이션 시간 단계
--epochs10훈련 에포크
--batch_size16배치 크기
--lr0.001학습률
--lossmsemse 또는 cross
--optimadamadam 또는 sgd
--amp꺼짐자동 혼합 정밀도 활성화
--seed42랜덤 시드
--data_dirdata/데이터셋 루트
--save_pathexperiments_single출력 루트
--model_pathNone사전 훈련된 체크포인트에서 시작

트리거별 인수

인수기본값적용 대상
--delay_frames2latency — 지연 프레임 수
--scale_factor0.5rate — <1 느리게, >1 빠르게
--n_shift3jitter_fixed — 교체되는 프레임 쌍 수
--trigger_size0.1static/moving/smart — 너비 대비 패치 크기 비율
--postop-leftstatic — top-left, top-right, bottom-left, bottom-right, middle, random
--polarity3static/moving/smart — 0=검정, 1=진한 파랑, 2=초록, 3=연한 파랑
--n_masks2smart — 후보 영역 수
--least꺼짐smart — 가장 활성화된 영역 대신 가장 덜 활성화된 영역을 대상으로 함
--most_polarity꺼짐smart — 영역에서 가장 활성화된 극성 사용

--epsilon 0.0을 설정하면 깨끗한 기준 모델을 훈련합니다.


2. 다중 대상 (main_multi_target.py)

하나의 트리거 유형, 트리거의 매개변수 값으로 구분되는 N개의 대상 클래스.

# 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/'
인수기본값설명
--typeratestatic, latency, rate, jitter, jitter_fixed
--n_targets3대상 클래스 수
--trigger_labels[0..n-1]명시적 대상 레이블; 길이는 --n_targets와 같아야 함
--epsilon0.1총 예산, 대상별로 균등하게 분할됨

대상별 매개변수. 명시적으로 지정하거나, 범위에 걸쳐 np.linspace에 의해 자동 할당되도록 둡니다. 명시적 목록은 길이가 --n_targets여야 하며 범위 인수를 재정의합니다.

트리거명시적자동 범위자동 기본값
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——T가 n_targets개의 프레임 그룹으로 분할됨

자동 할당된 정수 매개변수(latency, jitter_fixed)는 충돌 시 값을 증가시켜 중복이 제거되므로, 두 대상이 같은 값을 공유하지 않습니다.

static의 경우, 대상은 어떤 프레임이 패치를 운반하는지에 따라 구분됩니다. 즉, 패치 모양이 아니라 시간 축이 대상을 구분합니다.

대상별 ASR은 매 에포크마다 clean 정확도와 함께 출력됩니다.


3. 다중 트리거 다중 대상 (main_mtmt.py)

대상별로 다른 트리거 유형을 사용합니다.

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/'
인수기본값설명
--n_targets3대상 수; 3과 5에는 내장 프리셋이 있음
--target_typesNone대상별 트리거 유형 — static, latency, rate, jitter, jitter_fixed. 길이는 --n_targets와 같아야 함. 프리셋을 재정의함
--trigger_labels[0..n-1]대상 레이블
--epsilon0.2총 예산, 대상 간에 균등하게 분할됨

유형별 매개변수 목록. 각 목록은 해당 유형의 대상마다 하나의 항목을 가짐 — --target_types latency latency rate rate jitter_fixed를 사용하면 두 개의 지연, 두 개의 비율, 하나의 이동 값을 전달함:

인수적용 대상
--latency_delays 1 2각 latency 대상
--rate_scales 0.5 2.0각 rate 대상
--jitter_fixed_shifts 3각 jitter_fixed 대상
--jitter_stds 0.1 0.3각 jitter 대상
--static_positions top-left bottom-right각 static 대상
--static_polarities 3 1각 static 대상

목록을 생략하면 일치하는 *_min / *_max 범위에서 자동으로 할당됨.

내장 프리셋 (--target_types가 주어지지 않았을 때 사용됨):

  • --n_targets 3 — static (프레임 0..T/3), latency (--delay), rate (--scale_factor)
  • --n_targets 5 — 두 개의 static (서로 다른 프레임 그룹과 위치), 두 개의 latency (--delay, --delay_2), 하나의 rate

다른 --n_targets 값은 반드시 --target_types가 필요함.


출력

모든 실행은 공유 CSV에 한 행을 기록하고 자체 포함된 실험 디렉터리를 생성함.

설정요약 CSV실험 디렉터리
단일<save_path>/results.csv<dataset>_<type>_<eps>_<size>_<param>_<seed>/
다중 대상<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>/

트리거 매개변수는 디렉터리 이름에 인코딩됨 (df1 = 지연 1, sf0.1 = 비율 0.1, ns3 = 3회 교체), 따라서 트리거 매개변수만 다른 실행은 서로를 덮어쓰지 않음.


감사의 글

이 코드베이스의 일부는 Gorka Abad 등이 작성한 Sneaky Spikes 저장소에서 각색되었으며, 이는 논문 "Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic Data" (NDSS 2024)를 accompanies함. 코드를 공개해 주신 저자들께 감사드립니다.


인용

이 작업이 연구에 유용하다고 생각되시면 다음을 인용해 주시기 바랍니다:

도구 다운로드

인기

모두 보기 →

커뮤니티에서 가장 많이 사용되는 도구를 찾아보세요.

아직 인기 데이터가 없습니다.

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →