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
OpenAttack — 텍스트 적대적 공격을 위한 오픈소스 패키지 | Kitploit
도구/GitHubGitHub/thunlp/openattack
Machine LearningPapers & ResearchLearning & EducationAI SecurityAdversarial Attack
GitHubthunlp/openattack

OpenAttack

텍스트 적대적 공격을 위한 오픈소스 패키지

저장소 보기
778127984년 전Kitploit 검토 완료
공유
웹사이트

OpenAttack Logo

Github Runner Covergae Status ReadTheDoc Status PyPI version GitHub release (latest by date) GitHub PRs are Welcome

문서 • 기능 및 사용 • 사용 예시 • 공격 모델 • 도구 키트 디자인

OpenAttack는 텍스트 적대적 공격(adversarial attack)의 전체 과정(텍스트 전처리, 피해자 모델 접근, 적대적 예제 생성 및 평가)을 처리하는 오픈소스 Python 기반 텍스트 적대적 공격 도구 키트입니다.

기능 및 사용

OpenAttack의 특징:

⭐️ 모든 공격 유형 지원. OpenAttack는 문장/단어/문자 수준의 변조(perturbation) 및 그래디언트/점수/결정 기반/블라인드 공격 모델 등 모든 유형의 공격을 지원합니다.

⭐️ 다국어 지원. OpenAttack는 현재 영어와 중국어를 지원합니다. 확장 가능한 설계로 더 많은 언어를 신속하게 지원할 수 있습니다.

⭐️ 병렬 처리. OpenAttack는 공격 모델의 멀티프로세스 실행을 지원하여 공격 효율성을 향상시킵니다.

⭐️ 🤗 Hugging Face 호환성. OpenAttack는 🤗 Transformers 및 Datasets 라이브러리와 완전히 통합됩니다.

⭐️ 뛰어난 확장성. 사용자 정의 피해자 모델을 사용자 정의 데이터셋에서 쉽게 공격하거나 사용자 정의 공격 모델을 개발 및 평가할 수 있습니다.

OpenAttack의 다양한 용도:

✅ 공격 모델을 위한 다양한 편리한 베이스라인 제공

✅ 포괄적인 평가 지표를 사용한 공격 모델의 철저한 평가

✅ 공통 공격 구성 요소를 활용한 새로운 공격 모델의 신속한 개발 지원

✅ 다양한 적대적 공격에 대한 기계 학습 모델의 견고성(robustness) 평가

✅ 생성된 적대적 예제로 훈련 데이터를 보강하여 기계 학습 모델의 견고성을 향상시키는 적대적 훈련(adversarial training) 수행

설치

1. pip 사용 (권장)```bash

pip install OpenAttack

#### 2. 이 저장소 클론하기```bash
git clone https://github.com/thunlp/OpenAttack.git
cd OpenAttack
python setup.py install

설치 후, demo.py를 실행하여 OpenAttack이 제대로 작동하는지 확인할 수 있습니다:``` python demo.py

![demo](https://assets.kitploit.com/production/public/readmes/4421/8322af527eba3c3dcd09c66e50aa3a1229ca0f529018fa6d08b6d8349eb0a51f.gif)
## 사용 예제

#### 내장 피해자 모델 공격

OpenAttack는 일반적으로 사용되는 NLP 모델인 BERT ([Devlin et al. 2018](https://arxiv.org/abs/1810.04805)) 및 RoBERTa ([Liu et al. 2019](https://arxiv.org/abs/1907.11692))를 내장하고 있으며, 이들은 일반적으로 사용되는 데이터셋(예: [SST-2](https://nlp.stanford.edu/sentiment/treebank.html))에 대해 미세 조정되었습니다. 이러한 내장 피해자 모델에 대해 손쉽게 적대적 공격을 수행할 수 있습니다.

다음 코드 스니펫은 SST-2 데이터셋에서 BERT를 공격하기 위해 탐욕 알고리즘 기반의 공격 모델인 PWWS ([Ren et al., 2019](https://www.aclweb.org/anthology/P19-1103.pdf))를 사용하는 방법을 보여줍니다 (전체 실행 가능 코드는 [여기](https://github.com/thunlp/openattack/blob/master/examples/workflow.py)에 있습니다).```python
import OpenAttack as oa
import datasets # use the Hugging Face's datasets library
# change the SST dataset into 2-class
def dataset_mapping(x):
    return {
        "x": x["sentence"],
        "y": 1 if x["label"] > 0.5 else 0,
    }
# choose a trained victim classification model
victim = oa.DataManager.loadVictim("BERT.SST")
# choose 20 examples from SST-2 as the evaluation data 
dataset = datasets.load_dataset("sst", split="train[:20]").map(function=dataset_mapping)
# choose PWWS as the attacker and initialize it with default parameters
attacker = oa.attackers.PWWSAttacker()
# prepare for attacking
attack_eval = OpenAttack.AttackEval(attacker, victim)
# launch attacks and print attack results 
attack_eval.eval(dataset, visualize=True)
사용자 정의 피해자 모델

다음 코드 조각은 SST-2에서 사용자 정의 감정 분석 모델(NLTK로 구축된 통계 모델)을 공격하기 위해 PWWS를 사용하는 방법을 보여줍니다 (전체 실행 가능 코드는 여기에 있습니다).```python import OpenAttack as oa import numpy as np import datasets import nltk from nltk.sentiment.vader import SentimentIntensityAnalyzer

configure access interface of the customized victim model by extending OpenAttack.Classifier.

class MyClassifier(oa.Classifier): def init(self): # nltk.sentiment.vader.SentimentIntensityAnalyzer is a traditional sentiment classification model. nltk.download('vader_lexicon') self.model = SentimentIntensityAnalyzer()

def get_pred(self, input_):
    return self.get_prob(input_).argmax(axis=1)

# access to the classification probability scores with respect input sentences
def get_prob(self, input_):
    ret = []
    for sent in input_:
        # SentimentIntensityAnalyzer calculates scores of “neg” and “pos” for each instance
        res = self.model.polarity_scores(sent)

        # we use 𝑠𝑜𝑐𝑟𝑒_𝑝𝑜𝑠 / (𝑠𝑐𝑜𝑟𝑒_𝑛𝑒𝑔 + 𝑠𝑐𝑜𝑟𝑒_𝑝𝑜𝑠) to represent the probability of positive sentiment
        # Adding 10^−6 is a trick to avoid dividing by zero.
        prob = (res["pos"] + 1e-6) / (res["neg"] + res["pos"] + 2e-6)

        ret.append(np.array([1 - prob, prob]))
    
    # The get_prob method finally returns a np.ndarray of shape (len(input_), 2). See Classifier for detail.
    return np.array(ret)

def dataset_mapping(x): return { "x": x["sentence"], "y": 1 if x["label"] > 0.5 else 0, }

load some examples of SST-2 for evaluation

dataset = datasets.load_dataset("sst", split="train[:20]").map(function=dataset_mapping)

choose the costomized classifier as the victim model

victim = MyClassifier()

choose PWWS as the attacker and initialize it with default parameters

attacker = oa.attackers.PWWSAttacker()

prepare for attacking

attack_eval = oa.AttackEval(attacker, victim)

launch attacks and print attack results

attack_eval.eval(dataset, visualize=True)

</details>


<details>
<summary><strong>사용자 정의 데이터셋</strong></summary>

다음 코드 스니펫은 **사용자 정의** 데이터셋에서 기존의 미세 조정된 감정 분석 모델을 공격하기 위해 PWWS를 사용하는 방법을 보여줍니다 (전체 실행 코드는 [여기](https://github.com/thunlp/openattack/blob/master/examples/custom_dataset.py)에 있습니다).```python
import OpenAttack as oa
import transformers
import datasets

# load a fine-tuned sentiment analysis model from Transformers (you can also use our fine-tuned Victim.BERT.SST)
tokenizer = transformers.AutoTokenizer.from_pretrained("echarlaix/bert-base-uncased-sst2-acc91.1-d37-hybrid")
model = transformers.AutoModelForSequenceClassification.from_pretrained("echarlaix/bert-base-uncased-sst2-acc91.1-d37-hybrid", num_labels=2, output_hidden_states=False)
victim = oa.classifiers.TransformersClassifier(model, tokenizer, model.bert.embeddings.word_embeddings)

# choose PWWS as the attacker and initialize it with default parameters
attacker = oa.attackers.PWWSAttacker()

# create your customized dataset
dataset = datasets.Dataset.from_dict({
    "x": [
        "I hate this movie.",
        "I like this apple."
    ],
    "y": [
        0, # 0 for negative
        1, # 1 for positive
    ]
})

# prepare for attacking
attack_eval = oa.AttackEval(attacker, victim, metrics = [oa.metric.EditDistance(), oa.metric.ModificationRate()])
# launch attacks and print attack results
attack_eval.eval(dataset, visualize=True)
멀티프로세싱
도구 다운로드

인기

모두 보기 →

커뮤니티에서 가장 많이 사용되는 도구를 찾아보세요.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 궁극의 OSINT 툴킷: 조사 그래프, 신뢰도 점수 산정, 별칭 패밀리, 지도, 타임라인 및 보고서. 49개 모듈, 400개 이상 사이트, API 키 불필요.

    806
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # GhostLock 원탭 실행 앱 (CVE-2026-43499)

    523
  • 3

    ARTEX

    baarai/artex

    LLM 멀티 에이전트 자율 침투 테스트 플랫폼으로, 플래너/워커 에이전트, 자산 및 탐색 그래프, MITM 트래픽 기록, 취약점 재테스트 기능을 제공합니다.

    441
  • 4

    redforge

    cybersecurity91/redforge

    브라우저 측 레드 팀 툴킷으로, 정찰, 페이로드 생성, 자격 증명 공격, 암호화, 인코딩 및 참여 보고를 위한 102개의 오프라인 도구를 제공합니다.

    346
  • 5

    looking-glass

    anonghosty/looking-glass

    Shadowserver 보고서를 MongoDB로 수집하고 이를 대화형 지도, 분석, 발견 사항, 권고 및 경영진 대시보드로 재생하는 CSIRT 플랫폼입니다.

    270
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI 네이티브 사이버보안을 위한 행동 체계—의도가 통제된 실행이 되고, 증거가 운영 메모리가 되며, 모든 운영이 다음 운영을 개선하는 곳.

    264

모든 도구 탐색

도구 컬렉션을 둘러보세요

모든 도구 보기 →