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/davidc1212/craw
EsteganografiaCriptografiaAprendizado de MáquinaPapers e Pesquisa
GitHubdavidc1212/craw

craw

Ver Repositório
753há 2 mesesAinda não revisado

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.

    614
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    476
  • 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.

    389
  • 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.

    334
  • 5

    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.

    257
  • 6

    antifox

    antifox-ai/antifox

    Plataforma de testes de penetração autónoma com multiagentes de IA que executa reconhecimento, descoberta de superfície de ataque, validação de exploração e entrega de relatórios com evidências.

    247

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →

Sobre

Framework robusto de marca d'água em áudio que incorpora mensagens binárias em espectrogramas de magnitude, com simulação diferenciável de ataques, pooling Q-Former, mascaramento PESQ e códigos de correção de erros para resiliência contra ataques de codec e processamento de sinal.

Compartilhar

CRAW: Marca d'água de áudio robusta a codecs

Código-fonte do CRAW, um método robusto de marca d'água de áudio baseado em incorporação no domínio da magnitude da STFT. Um codificador incorpora uma mensagem binária no espectrograma de magnitude de um clipe de áudio (a fase é preservada do sinal limpo); um decodificador recupera a mensagem sob uma ampla variedade de ataques de processamento de sinal, codecs neurais, denoising e vocoder.

Este repositório é um fork do TimbreWatermarking (NDSS 2024), estendido com:

  • Camada de distorção robusta — simulação diferenciável de ataques (ruído, filtragem, FACodec, MP3, spectral gating, ...) durante o treinamento.
  • Pooling com Q-Former — agregação baseada em atenção das características de marca d'água extraídas, substituindo o pooling por média simples.
  • Mascaramento PESQ — no momento da inferência, uma máscara por amostra restaura o conteúdo limpo do espectrograma nas células menos úteis para a robustez (pela magnitude do gradiente PESQ), trocando uma pequena quantidade ajustável de robustez por um ganho de fidelidade.
  • Códigos corretores de erros (ECC) — codecs de repetição, Reed–Solomon, LDPC e BCH envolvendo os bits brutos da mensagem.

Estrutura do repositório

  • watermarking_model/ — todo o código do modelo de marca d'água: arquitetura (model/), treinamento (train.py), simulação de ataques (distortions/, utils/distortions.py), avaliação (eval/) e scripts de exportação/experimentos (scripts/).

Configuração

Requer Python 3.8.

As dependências de terceiros incluídas abaixo não estão empacotadas neste repositório. Elas são necessárias apenas para os ataques FACodec/denoiser/TiCodec especificamente — não para a verificação básica de embed/decode (veja Inferência abaixo). Se você quiser executar esses ataques, clone os repositórios públicos você mesmo nos caminhos mostrados:

git clone https://github.com/lifeiteng/naturalspeech3_facodec.git watermarking_model/naturalspeech3_facodec
git clone https://github.com/modelscope/ClearerVoice-Studio.git watermarking_model/ClearerVoice-Studio
git clone https://github.com/y-ren16/TiCodec.git watermarking_model/codecs/ticodec_repo

As dependências Python para o pipeline principal de treino/avaliação estão listadas em watermarking_model/requirements.txt. Para a renderização de ataques de codec (EnCodec, TiCodec), recomendamos um ambiente conda separado por codec, uma vez que cada um tem as suas próprias — por vezes conflituantes — dependências; consulte as instruções de configuração na docstring de cada script (codecs/encode_*.py).

Dados

O treino e a avaliação utilizam o LibriSpeech (divisões de treino + teste) e, para as experiências zero-shot de domínio cruzado, o LJSpeech. Os caminhos dos conjuntos de dados são definidos no campo path.raw_path da configuração de treino de cada experiência (watermarking_model/config/**/train_*.yaml) e através de --audio_dir nos scripts de avaliação/exportação — aponte estes para as suas próprias cópias locais do LibriSpeech e do LJSpeech.

Treino

cd watermarking_model
python3 train.py \
  -p config/process.yaml \
  -m config/craw/model.yaml \
  -t config/craw/train.yaml

Isso treina o modelo completo (camada de distorção robusta + Q-Former + ECC de repetição) — a configuração usada para os resultados principais do CRAW. O treinamento registra no Weights & Biases sob o projeto craw; defina WANDB_ENTITY/faça login via wandb login para sua própria conta primeiro.

O treinamento usa uma semente aleatória fixa (2022, definida em train.py para random/numpy/torch/torch.cuda) para reprodutibilidade.

A máscara PESQ é aplicada no momento de exportação/inferência, não durante o treinamento — consulte scripts/export_watermarked_dynamic.py --grad_mode spect_ft.

Inferência

Um checkpoint CRAW pré-treinado (época 20, correspondente aos resultados principais do artigo) está incluído diretamente nesta submissão — sem necessidade de download — em watermarking_model/results/craw/ckpt/pth/ (config/craw/model.yaml's test.model_path aponta para cá).

Para incorporar uma mensagem em um arquivo WAV e imediatamente decodificá-la de volta (sem ataque aplicado) como uma verificação rápida de sanidade:

cd watermarking_model
python3 -m scripts.infer \
  -p config/process.yaml \
  -m config/craw/model.yaml \
  -t config/craw/train.yaml \
  --input /path/to/clean.wav \
  --output /path/to/watermarked.wav \
  --ckpt 20

Isso imprime a mensagem incorporada/decodificada e a precisão de bits. Para a avaliação completa do conjunto de ataques usada no artigo, consulte eval/common_test.py abaixo.

Avaliação

eval/common_test.py executa o conjunto completo de ataques (processamento clássico de sinais, codecs neurais, denoisers, vocoders) contra um checkpoint treinado e reporta a precisão de decodificação e a fidelidade por ataque (SI-SNR, PESQ, STOI).

eval/tpr_eval.py calibra um limiar de detecção por modelo a partir das taxas de falsos positivos em áudio limpo e reporta o TPR em um FPR compartilhado; eval/compare_tpr.py agrega os resultados entre experimentos nas tabelas comparativas do artigo com testes de significância por bootstrap pareado. scripts/plot_ablation_sweep.py, scripts/plot_fidelity_sweep.py, scripts/visualize_mask.py e scripts/visualize_mask_zoom.py geram as figuras do artigo.

Citação

Se você usar este código, por favor cite:

@article{chernin2026craw,
  title={CRAW: Codec Robust Audio Watermarking},
  author={Chernin, David and Fetaya, Ethan},
  journal={arXiv preprint arXiv:2609.03107},
  year={2026},
  url={https://arxiv.org/abs/2609.03107}
}

Agradecimentos

Baseado em TimbreWatermarking (NDSS 2024). Utiliza NaturalSpeech3 FACodec, ClearerVoice-Studio, TiCodec e EnCodec para ataques de codec/denoiser.

Baixar ferramenta