T-Backdoor

Códigos de Exemplo para o artigo: 'T-Backdoor: Explorando a Redundância Temporal em Dados Neuromórficos para Ataques Backdoor com Preservação de Spikes em SNNs'

Resumo

Ataques backdoor são uma séria ameaça à segurança de redes neurais profundas (DNNs) e permanecem amplamente pouco explorados para redes neurais de spikes (SNNs). Os ataques existentes introduzem principalmente gatilhos espaço-temporais que induzem desvios na distribuição de spikes de amostras envenenadas em relação às suas contrapartes limpas. Para abordar essa limitação, este trabalho propõe um novo ataque 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 backdoor de linha de base, demonstramos que o T-Backdoor alcança uma taxa de sucesso de ataque (ASR) quase perfeita de 100% tanto em configurações 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 compatível com CUDA (CPU funciona, mas é impraticavelmente lento)

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 usado para os resultados reportados:

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

Argumentos específicos do gatilho

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

2. Múltiplos alvos (main_multi_target.py)

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

# 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/'

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.

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 quadros 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. Múltiplos gatilhos e múltiplos alvos (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/'

Listas de parâmetros por tipo. Cada lista tem uma entrada por alvo daquele tipo — com --target_types latency latency rate rate jitter_fixed você passa dois atrasos, duas taxas e uma troca:

Omitir uma lista atribui automaticamente a partir do intervalo correspondente *_min / *_max.

Presets integrados (usados quando --target_types não é fornecido):

• --n_targets 3 — static (quadros 0..T/3), latency (--delay), rate (--scale_factor)
• --n_targets 5 — dois static (grupos de quadros e posições diferentes), dois latency (--delay, --delay_2), um rate

Qualquer outro valor de --n_targets requer --target_types.

Saídas

Cada execução grava uma linha em um CSV compartilhado, além de um diretório de experimento autocontido.

Os parâmetros do gatilho são codificados no nome do diretório (df1 = atraso 1, sf0.1 = taxa 0.1, ns3 = 3 trocas), de modo que execuções que diferem apenas em um parâmetro de gatilho não se sobrescrevem.

Agradecimentos

Partes desta base de código são adaptadas do repositório Sneaky Spikes de Gorka Abad et al., que acompanha o artigo "Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic Data" (NDSS 2024). Agradecemos aos autores por disponibilizarem publicamente seu código.

Citação

Se você achar este trabalho útil em sua pesquisa, considere citá-lo:

@article{miah2026tbackdoor,
  title   = {T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs},
  author  = {Miah, Abdullah Arafat and Vu, Kevin and Bi, Yu},
  journal = {arXiv},
  year    = {2026}
}

Contato

Para perguntas ou problemas relacionados ao código, abra uma issue no GitHub ou entre em contato:

• Abdullah Arafat Miah — [email protected]
• Yu Bi — [email protected]