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
T-Backdoor — Código de pesquisa que implementa o T-Backdoor, ataques de backdoor com gatilho temporal em redes neurais spiking usando gatilhos de taxa, latência e jitter sem perturbação espacial. | Kitploit
Ferramentas/GitHubGitHub/sisl-uri/t-backdoor
Aprendizado de MáquinaPapers e PesquisaAprendizado e EducaçãoSegurança de IAAtaque Adversário
GitHubsisl-uri/t-backdoor

T-Backdoor

Código de pesquisa que implementa o T-Backdoor, ataques de backdoor com gatilho temporal em redes neurais spiking usando gatilhos de taxa, latência e jitter sem perturbação espacial.

Ver Repositório
283há 13 diasAinda não revisado
Compartilhar

Códigos de Exemplo para o artigo: 'T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs'

Resumo

Ataques de backdoor são uma séria ameaça à segurança de redes neurais profundas (DNNs) e permanecem amplamente inexplorados para redes neurais de disparo (SNNs). Os ataques existentes introduzem principalmente gatilhos espaço-temporais que induzem desvios na distribuição de spikes das amostras envenenadas em relação às suas contrapartes limpas. Para superar essa limitação, este trabalho propõe um novo ataque de backdoor em SNNs, denominado \textbf{T-Backdoor}, que opera usando gatilhos puramente temporais, como \textit{Rate}, \textit{Latency} e \textit{Jitter}, sem introduzir qualquer perturbação espacial, tornando a mudança nas distribuições de spikes significativamente mais difícil de detectar. Por meio de experimentos extensivos em três conjuntos de dados neuromórficos de referência: N-MNIST, CIFAR10-DVS e N-Caltech101, e avaliação contra sete métodos de defesa de backdoor de linha de base, demonstramos que o T-Backdoor alcança uma taxa de sucesso de ataque (ASR) quase perfeita de 100% tanto em cenários de alvo único quanto de múltiplos alvos, com apenas uma degradação menor na acurácia limpa, permanecendo robusto contra técnicas existentes de detecção e mitigação de backdoor.

Estrutura do repositório

├── 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

Requisitos

  • Python 3.11
  • GPU com suporte a CUDA (a CPU funciona, mas é impraticavelmente lenta)
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

Ambiente de referência utilizado para os resultados reportados:

PacoteVersão
Python3.11.10
torch2.11.0+cu128
torchvision0.26.0+cu128
numpy2.2.6
scipy1.16.0
matplotlib3.8.4
seaborn0.13.2
spikingjellylatest from source

Configuração do conjunto de dados

Baixe os conjuntos de dados neuromórficos brutos e coloque cada um em seu próprio subdiretório de data/, nomeado exatamente como o valor de --dataset:

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

⚠️ data/ deve ser um diretório literal no seu diretório de trabalho

Uso

1. Alvo único (main_single.py)

Um gatilho, uma classe alvo.

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

Argumentos principais

ArgumentoPadrãoDescrição
--datasetgesturemnist, cifar10, caltech, gesture
--typestaticstatic, moving, smart, latency, rate, jitter, jitter_fixed
--epsilon0.1Fração do conjunto de treino a envenenar
--trigger_label0Classe alvo
--T10Passos de tempo da simulação
--epochs10Épocas de treino
--batch_size16Tamanho do lote
--lr0.001Taxa de aprendizagem
--lossmsemse ou cross
--optimadamadam ou sgd
--ampdesativadoAtiva a precisão mista automática
--seed42Semente aleatória
--data_dirdata/Raiz do conjunto de dados
--save_pathexperiments_singleRaiz de saída
--model_pathNoneIniciar a partir de um checkpoint pré-treinado

Argumentos específicos do trigger

ArgumentoPadrãoAplica-se a
--delay_frames2latency — frames de atraso
--scale_factor0.5rate — <1 mais lento, >1 mais rápido
--n_shift3jitter_fixed — número de pares de frames trocados
--trigger_size0.1static/moving/smart — tamanho do patch como fração da largura
--postop-leftstatic — top-left, top-right, bottom-left, bottom-right, middle, random
--polarity3static/moving/smart — 0=preto, 1=azul escuro, 2=verde, 3=azul claro
--n_masks2smart — número de regiões candidatas
--leastdesativadosmart — visar a região menos ativa em vez da mais ativa
--most_polaritydesativadosmart — usar a polaridade mais ativa na região

Definir --epsilon 0.0 treina um modelo de linha de base limpo.


2. Multi-target (main_multi_target.py)

Um tipo de trigger, N classes alvo separadas pelo valor do parâmetro do trigger.

# 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/'
ArgumentoPadrãoDescrição
--typeratestatic, latency, rate, jitter, jitter_fixed
--n_targets3Número de classes alvo
--trigger_labels[0..n-1]Rótulos alvo explícitos; o comprimento deve ser igual a --n_targets
--epsilon0.1Orçamento total, dividido igualmente entre os alvos

Parâmetros por alvo. Forneça-os explicitamente ou deixe que sejam atribuídos automaticamente por np.linspace sobre um intervalo. Listas explícitas devem ter comprimento --n_targets e substituem os argumentos de intervalo.

GatilhoExplícitoIntervalo automáticoPadrão automático
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——T dividido em n_targets grupos de frames

Parâmetros inteiros atribuídos automaticamente (latency, jitter_fixed) são desduplicados incrementando colisões, de modo que dois alvos não compartilham um valor.

Para static, os alvos são separados por quais frames carregam o patch — o eixo temporal os distingue, em vez da aparência do patch.

A ASR por alvo é impressa a cada época, juntamente com a acurácia limpa.


3. Multi-gatilho multi-alvo (main_mtmt.py)

Um tipo de gatilho diferente por alvo.

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/'
Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

Sem dados de popularidade ainda.

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →