_____ _______ _______ _______ _____
| | | | | | |_____| |______ |_____]
|_____| | | | |_____ | | ______| |
OMLASP - 开放机器学习应用安全项目 旨在成为审计机器学习算法的标准。它不仅关注算法的安全性，也关注其偏见。通常，部署使用机器学习或深度学习算法的应用程序时，安全审计仅检查传统漏洞。然而，这些算法同样暴露于其他攻击者可利用的漏洞，而这些漏洞将贯穿本框架或工具集。互联网上有大量关于这些攻击的信息，但分散、通常偏学术或直接出自学术论文。我们希望将这些攻击技术带给不精通机器学习的网络安全领域。我们想到了网络安全领域众所周知的框架：MITRE ATT&CK 矩阵（攻击者战术、技术和通用知识）。
OMLASP 提供了简单工具的实现，用于执行我们已提及并将在实践中看到的某些攻击。所有 OMLASP 源代码均使用 Python 编写且开源，可根据安全审计员的需求进行修改。此外，还包含一篇与这些工具实现所需全部理论相关的学术论文。
运行不同工具所需的所有要求均位于其各自目录中。还有一个 README 文件包含运行所需的所有信息。我们已在 Linux 和 Windows 11 上测试了这些工具。为获得更好的性能（虽然非必需），建议配备 16GB RAM 和 GPU。
请查看每个工具对应文件夹内的 README 文件。
本项目基于 GNU 通用公共许可证授权 - 详情请参阅 LICENSE 文件。
本软件按“原样”提供，不提供任何明示或暗示的担保，包括但不限于适销性、特定用途适用性和非侵权的保证。在任何情况下，作者或版权持有人均不对任何索赔、损害或其他责任负责，无论其基于合同、侵权或其他方式，均与本软件或本软件的使用或其他交易有关。当您向包含许可证声明的仓库做出贡献时，您以相同条款许可您的贡献，并同意您有权以这些条款许可您的贡献。如果您有单独的协议以不同条款许可您的贡献（例如贡献者许可协议），则该协议将取代本条款。
本软件没有质量保证流程。本软件为概念验证。
如有任何问题或疑问，请联系：