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
DetectViT — Detector em tempo de teste, sem treinamento e independente de gatilho, para Vision Transformers com backdoor, que sinaliza amostras envenenadas usando consistência de atenção entre cabeças e variância de entropia. | Kitploit
Ferramentas/GitHubGitHub/siquanhuang/detectvit
Ferramentas DefensivasAprendizado de MáquinaPapers e PesquisaSegurança de IADetecção de Anomalias
GitHubsiquanhuang/detectvit

DetectViT

Detector em tempo de teste, sem treinamento e independente de gatilho, para Vision Transformers com backdoor, que sinaliza amostras envenenadas usando consistência de atenção entre cabeças e variância de entropia.

Ver Repositório
19há 2 diasAinda não revisado
Compartilhar

DetectViT: Detecção de Backdoor em Tempo de Teste para Vision Transformers via Discrepância de Atenção entre Cabeças

Siquan Huang1, Yijiang Li2, Xingfu Yan3,*, Ningzhi Gao1, Leyu Shi1, Ying Gao1,*

1Universidade de Tecnologia do Sul da China   2Universidade da Califórnia, San Diego   3Universidade Normal do Sul da China

*Autores correspondentes

NeurIPS 2026 Paper Poster License


Visão Geral

Vision Transformers (ViTs) são o codificador visual da maioria dos modelos multimodais, e os profissionais rotineiramente constroem sobre checkpoints pré-treinados de terceiros que podem carregar um backdoor. DetectViT é um detector de amostras com backdoor em tempo de teste para ViTs que lê as cabeças de atenção em vez das saídas ou embeddings do modelo.

  • Sem treinamento. Sem acesso a dados de treinamento e sem modelo auxiliar a treinar.
  • Sem saída. Funciona tanto para classificação quanto para geração aberta (por exemplo, legendagem de imagens com LLaVA).
  • Agnóstico ao gatilho. Nenhum conhecimento prévio do tipo de gatilho é necessário.
  • Leve. Uma passagem direta por amostra de teste; a detecção reutiliza os pesos de atenção já calculados durante a inferência.

Observação principal

Em imagens limpas, as cabeças de atenção atendem a regiões diferentes com concentração comparável. Os gatilhos de backdoor quebram esse equilíbrio de duas maneiras:

  • Sequestro completo da atenção. Um gatilho visível e localizado puxa todas as cabeças para a mesma região, produzindo uma sobreposição espacial entre cabeças anormalmente alta.
  • Sequestro parcial da atenção. Um gatilho furtivo e global captura as cabeças de forma desigual, produzindo uma variância anormalmente grande na concentração de atenção entre as cabeças.

Atenção CLS-para-patch de seis cabeças para uma imagem limpa, uma imagem com um gatilho de patch visível (sequestro completo) e uma imagem com um gatilho misturado furtivo (sequestro parcial)

Método

Pipeline do DetectViT

O DetectViT extrai a distribuição de atenção CLS-para-patch de cada cabeça e calcula dois sinais complementares:

  • Pontuação de Consistência entre Cabeças $\mathcal{S}_{\text{cons}}$: a similaridade de cosseno média aos pares entre as cabeças de uma camada (máximo entre as camadas). Ela captura o sequestro completo.
  • Pontuação de Variância de Entropia entre Cabeças $\mathcal{S}_{\text{var}}$: a variância da entropia de atenção por cabeça dentro de uma camada (máximo entre as camadas). Ela captura o sequestro parcial.

Os limiares são estimados com a regra dos três sigmas, $\tau = \mu + 3\sigma$, a partir de apenas 64 a 128 imagens limpas fora de distribuição de qualquer origem. Uma amostra de teste é sinalizada como tendo backdoor se $\mathcal{S}{\text{cons}} > \tau{\text{cons}}$ ou $\mathcal{S}{\text{var}} > \tau{\text{var}}$.


Resultados Principais

Desempenho de detecção em quatro ataques de backdoor em ViT. TPR e FPR estão em %, AUC está em uma escala [0, 1]. "–" significa que o método não é aplicável (métodos baseados em rótulos não conseguem lidar com legendas de forma livre) ou não produz uma pontuação contínua.

DefesaBadViT
TPR↑ / FPR↓ / AUC↑
TrojViT
TPR↑ / FPR↓ / AUC↑
BadCLIP
TPR↑ / FPR↓ / AUC↑
BadVision
TPR↑ / FPR↓ / AUC↑
TeCo77.95 / 61.86 / 0.6355.00 / 51.76 / 0.5199.20 / 39.52 / 0.89–
Scale-Up88.65 / 30.66 / 0.8185.00 / 41.98 / 0.7491.84 / 65.03 / 0.66–
PatchProc90.61 / 18.42 / 0.8987.60 / 21.44 / 0.8586.97 / 26.78 / 0.82–
DeDe63.97 / 23.29 / 0.7850.20 / 25.80 / 0.7255.12 / 27.97 / 0.697.00 / 29.68 / 0.50
BackdoorIDS80.79 / 9.73 / –5.00 / 10.84 / –93.24 / 16.88 / –96.00 / 15.96 / –
DetectViT100.00 / 1.58 / 1.0090.80 / 5.94 / 0.95100.00 / 0.17 / 1.0096.00 / 3.00 / 0.99

Ataques adicionais. Em cinco outros ataques que abrangem codificadores auto-supervisionados (BadEncoder, DRUPE), envenenamento com rótulos limpos (Label-Consistent), gatilhos no domínio da frequência (Low-Frequency) e gatilhos globais otimizados (Blended-Optimized), o DetectViT é o único método que mantém uma AUC de pelo menos 0,97 em todos eles. Os resultados completos estão no apêndice do artigo.

Tempo de execução. Tempo médio de detecção por amostra (s):

DefesaBadViTTrojViTBadCLIPBadVision
TeCo2.50944.29201.8448–
Scale-Up0.02460.02610.0696–
PatchProc0.66860.69260.8257–
DeDe0.02060.02790.10340.6060
BackdoorIDS0.17340.19820.25603.3458
DetectViT0.01240.01340.01630.0226

Pôster

DetectViT NeurIPS 2026 poster

Clique na imagem para abrir o PDF em resolução total.


Instalação

git clone https://github.com/siquanhuang/DetectViT.git
cd DetectViT

Pré-requisitos

  • Python 3.10.5
  • PyTorch 2.1.2
  • CUDA 11.8

Modelos de Ataque e Triggers Pré-treinados

Baixe os checkpoints do modelo backdoored pré-treinado e os triggers otimizados do Google Drive:

[Link do Google Drive]


Uso

O método de detecção está implementado em detectvit.py. Execute main.py para avaliar o DetectViT contra cada ataque.

BadViT

python3 main.py \
  --defense DetectViT \
  --attack_type badvit \
  --trojvit_attack_dir TrojViT/logs/Caltech101_DeiT-T_target0_BadViT \
  --trojvit_network DeiT-T \
  --trojvit_num_classes 102 \
  --trojvit_data_dir ./data

TrojViT

python3 main.py \
  --defense DetectViT \
  --attack_type trojvit \
  --trojvit_attack_dir TrojViT/logs/Tiny-ImageNet_DeiT-S_target2_TrojViT \
  --trojvit_data_dir ./data/tiny-imagenet-200 \
  --trojvit_network DeiT-S \
  --gpu 0

BadCLIP

python3 -u main.py \
  --defense DetectViT \
  --attack_type badclip \
  --gpu 0 \
  --eval_data_type ImageNet1K \
  --eval_test_data_dir BadCLIP/data/ImageNet1K/validation/ \
  --add_backdoor \
  --asr \
  --label banana \
  --patch_type ours_tnature \
  --patch_location middle \
  --patch_name BadCLIP/opti_patches/tnature_eda_bs64_ep50_32_middle_01_05_pos_neg.jpg \
  --patch_size 32

BadVision

python3 -u main.py \
  --defense DetectViT \
  --attack_type badvision \
  --gpu 0

Argumentos Principais

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.

    1.1k
  • 2

    ghostlock-app

    yukonga/ghostlock-app

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

    618
  • 3

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingere relatórios do Shadowserver no MongoDB e os reproduz como mapas interativos, análises, descobertas, avisos e painéis executivos.

    411
  • 4

    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.

    328
  • 5

    jumpserver

    jumpserver/jumpserver

    JumpServer é uma plataforma de código aberto de Gerenciamento de Acesso Privilegiado (PAM) que fornece às equipes de DevOps e TI acesso seguro e sob demanda a endpoints SSH, RDP, Kubernetes, Banco de Dados e RemoteApp através de um navegador web.

    314
  • 6

    Aliens_eye

    arxhr007/aliens_eye

    Mecanismo OSINT com IA para descobrir e mapear mais de 7.700 identidades em redes sociais na web

    275

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →