Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
Ferramentas/GitHubGitHub/azzzzliao/aegis-audio-defense
Ferramentas DefensivasAnálise de VulnerabilidadesAprendizado de MáquinaPapers e PesquisaSegurança de IAAtaque Adversário
GitHubazzzzliao/aegis-audio-defense

aegis-audio-defense

Compartilhar

Estrutura de defesa que mantém os modelos de áudio-linguagem congelados e adiciona um portão de risco em camada intermediária com adaptadores de segurança em camadas finais para bloquear jailbreaks de áudio na inferência.

Ver Repositório
96há 1 mêsAinda não revisado

AEGIS: Proteção Endógena de Áudio via Sinais Internos Contra Jailbreaks em Modelos Áudio-Linguagem de Grande Porte

arXiv License

Submetido ao ICASSP 2027.

AEGIS mantém o modelo áudio-linguagem alvo congelado e adiciona um portão de risco em camada intermediária que aciona condicionalmente adaptadores de segurança em camadas tardias, com escalonamento em malha fechada na inferência.

Conteúdo

PáginaO que contém
MétodoA lacuna entre risco e recusa, o portão e os adaptadores, a perda de treinamento, a malha fechada.
ResultadosAs tabelas do artigo: seis modelos, três benchmarks, a ablação e a comparação de defesas.
Análises além do artigoA lacuna entre risco e recusa nos outros cinco modelos, o comportamento do portão, representações, a tabela completa de ablação.
DadosDe onde vem cada conjunto de dados e como os manifestos são construídos.
Adicionando um modeloPortar o AEGIS para outro LALM escrevendo um adaptador.

Nesta página: Estrutura do repositório · Configuração · Dados · Executando o AEGIS · Protocolo · Ablações · Testes · Citação

Estrutura do repositório

aegis/                        defense runtime; every script runs from any directory
  model_registry.py           ModelAdapter interface, registry, Qwen2-Audio and Phi-4 adapters
  adapters_gemma_voxtral.py   Gemma 4 E4B-it and Voxtral-Small-24B adapters
  adapters_ultravox_vita.py   Ultravox v0.5 and VITA-1.5 adapters
  train_gate_lora.py          joint training of the risk gate and the safety adapters
  run_defense.py              gated inference with closed-loop scaling (--score-only: gate scores)
  run_model.py                undefended generation
  judge.py                    Llama-Guard-3-8B safety judge
  refusal.py                  refusal regex for the over-refusal metric
  extract_hidden.py, analysis/  hidden-state probes for layer selection
scripts/
  prepare_data.py             downloaded datasets -> manifests (+ in-domain test splits)
  run_baseline.sh             step 0: undefended responses, judgments, training files
  run_aegis.sh                steps 1-4 for one protocol (PROTOCOL=indomain or lobo)
  run_ablation.sh             the Full and Always-on ablations
  models.sh                   per-model gate layer, intervention layers, prompt mode
  build_trainsets.py, calibrate_threshold.py, summarize.py
data/splits/                  in-domain train/test ids used in the paper
docs/                         method, results, analyses, porting guide
tests/                        CPU tests of the evaluation protocol

Configuração

pip install -r requirements.txt

Cada modelo precisa de uma versão do Transformers que consiga carregá-lo. As fontes upstream divergem, por isso utilizámos um ambiente por família de modelos:

MODELModelo baseID do Hugging Face (variável de substituição)Camada de gateCamadas de intervençãoTransformers utilizado
gemma4_e4b_itGemma 4 E4B ITgoogle/gemma-4-E4B-it (AEGIS_GEMMA4_PATH)2125–415.7.0.dev0
phi4_mmPhi-4-multimodalmicrosoft/Phi-4-multimodal-instruct (AEGIS_PHI4_MM_PATH)1519–315.7.0.dev0
vita_15VITA-1.5VITA-MLLM/VITA-1.5 (AEGIS_VITA_PATH)1519–274.43.4
qwen2_audioQwen2-Audio-7B-InstructQwen/Qwen2-Audio-7B-Instruct (AEGIS_QWEN2_AUDIO_PATH)1519–31≥ 4.45
ultravox_v05Ultravox v0.5 (Llama-3.1-8B)fixie-ai/ultravox-v0_5-llama-3_1-8b (AEGIS_ULTRAVOX_PATH)1519–314.48.1
voxtral_smallVoxtral Small 24Bmistralai/Voxtral-Small-24B-2507 (AEGIS_VOXTRAL_PATH)2428–394.57.6
  • Por predefinição, os modelos são carregados a partir do Hub. Para executar offline, aponte a variável de substituição para um snapshot local.
  • O Llama-Guard-3-8B, o Gemma 4 e o backbone Llama-3.1 que o Ultravox descarrega estão sujeitos a gate no Hub. Aceite as respetivas licenças e execute huggingface-cli login, ou defina GUARD e AEGIS_LLAMA31_PATH para cópias locais.
  • O VITA-1.5 precisa do seu código do GitHub: clone https://github.com/VITA-MLLM/VITA e defina AEGIS_VITA_REPO para o checkout (predefinição: external/VITA).
  • Hardware: uma GPU de 48 GB é suficiente para a maioria dos modelos. O treino do Gemma 4 precisa de uma única placa com pelo menos ~40 GB, porque a loss com vocabulário de 262k não é bem fragmentada. O Voxtral Small precisa de duas placas de 48 GB (DEVICE=auto fragmenta o modelo; o gate e os adaptadores seguem as camadas às quais estão ligados). O Qwen2-Audio e o Phi-4 também beneficiam de DEVICE=auto nos clips longos do AJail.

Dados

Descarregue os cinco conjuntos de dados conforme descrito em data/README.md e, em seguida, construa os manifestos:

python scripts/prepare_data.py --data-root data --out-dir data/manifests

O script verifica as contagens de linhas usadas no artigo: AJail 1.490, JALM 946, SACRED 1.364, XSTest 250, Benign_train 215. Também grava as divisões de teste in-domain (718 / 499 / 683 linhas) a partir das listas de ids em data/splits/.

Executando o AEGIS

Para cada modelo (PY é o Python do ambiente desse modelo; JUDGE_PY pode apontar para um ambiente diferente para o Llama Guard):

MODEL=gemma4_e4b_it PY=python DEVICE=cuda:0 bash scripts/run_baseline.sh                  # step 0
MODEL=gemma4_e4b_it PROTOCOL=indomain PY=python DEVICE=cuda:0 bash scripts/run_aegis.sh   # in-domain
MODEL=gemma4_e4b_it PROTOCOL=lobo     PY=python DEVICE=cuda:0 bash scripts/run_aegis.sh   # LOBO

Cada etapa é retomável; execute novamente o mesmo comando após uma interrupção. As saídas vão para runs/<model>/:

baseline/                        undefended responses; <bench>_judged.jsonl = Llama Guard labels
train/train_{indomain,lobo}_<bench>.jsonl
<protocol>/<bench>/adapter/      router_head.pt, late_adapters.pt, config.json
<protocol>/<bench>/scores/       gate scores on XSTest and on the evaluation set
<protocol>/<bench>/threshold.json
<protocol>/<bench>/defended/     defended responses and their judgments
<protocol>/summary.json          unsafe rate, over-refusal, gate AUROC per benchmark

Protocolo

Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    546
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    477
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    377
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    324
  • 5

    estorides

    grisuno/estorides

    Agrega mais de 99 fontes OSINT gratuitas em paralelo, resolve entidades em um grafo de conhecimento e exporta STIX 2.1, MISP ou GraphML com análise assistida por LLM.

    269
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    252

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →