sdn_onos：在mininet上安装和使用ONOS

对抗图书馆 该库包含与PyTorch中实施的对抗性攻击有关的各种资源。 它针对寻求最新攻击实施方案的研究人员。 编写代码是为了最大程度地提高效率（例如，通过偏爱PyTorch的底层函数），同时保持简单性（例如，避免抽象）。 因此，大多数库（尤其是攻击）都是使用纯函数实现的（只要有可能）。 在着重于攻击的同时，该库还提供了一些与对抗性攻击有关的实用程序：距离（SSIM，CIEDE2000，LPIPS），可见回调，预测，损失和辅助功能。 最值得注意的是，来自utils/attack_utils.py的功能run_attack对具有给定输入和标签且具有固定批处理大小的模型进行了攻击，并报告了与复杂性相关的指标（运行时和向前/向后传播）。 依存关系 该库的目标是使用最新版本的PyTorch进行更新，以便可以定期更新依赖项（可能会导致重大更改）。 pytorch> = 1.7.0 火炬视觉>

adaptive_attacks_paper “针对对抗性示例防御的自适应攻击”的代码

具有吸引力的工具 特征： 未经许可获取设备信息 访问位置[智能手机] Os Password Grabber [WIN-10] 访问网络摄像头 存取麦克风 经过测试的操作系统 卡利Linux 2020 在Kali Linux上安装 $ git clone https://github.com/ultrasecurity/Storm-Breaker $ cd Storm-Breaker $ sudo bash linux-installer.sh $ python3 -m pip install -r requirments.txt $ sudo python3 Storm-Breaker.py

强化学习对抗攻击和防御 DQN政策 战略定时攻击 统一攻击 对抗训练 该存储库为深度强化学习代理实现了一些经典的对抗攻击方法，包括（ drl_attacks/ ）： 统一攻击[]。 战略定时攻击[]。 临界点攻击[]。 关键策略攻击。 对抗性政策攻击[]。 也可以使用以下RL防御方法（ drl_defenses/ ）： 对抗训练[]。 还提供了一些图像防御方法（ img_defenses/ ）： JPEG转换[]。 位压缩[ ]。 图像平滑[]。 该项目大部分基于基于的RL框架守。 图片敌对攻击和防御都与实施 ，也是基于Pytorch。 相反，A2C和PPO策略基于pytorch-a2c-ppo-acktr-gail ，DQN使用了天守实现。 任何图像对抗攻击都与此项目兼容。 可用型号 它还可以在文件夹log找到适用于不同任务的训练有素的模型。 下表报告了三种

对峙 对面部识别进行物理对抗攻击的步骤 在应用蒙版之后，将左侧的输入图像检测为右侧的目标图像。 安装 创建一个虚拟环境 conda create -n facial pip 克隆仓库 git clone https://github.com/392781/Face-Off.git 安装所需的库 pip install -r requirements.txt 导入和使用！ from adversarial_face_recognition import * ` 有关培训说明，请查看以开始少于30行。 用法 该库的目的是再次制造对抗攻击，再用FaceNet人脸识别器。 这是初步的工作，目的是使用一个可以戴在脸上的面具来产生更强壮的物理攻击。 当前管道由对齐的输入图像和计算出的蒙版组成。 然后使用dlib定向梯度检测器直方图将其输入到面部检测器中，以测试是否仍检测到面部。 然后将其传

后门学习资源 精选的后门学习资源列表。 有关更多详细信息和分类标准，请参考我们的。 为什么要进行后门学习？ 后门学习是一个新兴的研究领域，它讨论了针对机器学习算法的训练过程的安全性问题。 对于现实中安全采用第三方算法至关重要。 尽管后门学习与对抗学习（在推理过程的安全性问题上）具有某些相似性，但它们确实具有本质区别，并且可以轻松区分。 注意：“后门”通常也称为“神经木马”或“木马”。 贡献 请与联系或添加以帮助贡献此列表 降价格式： - Paper Name. [[pdf]](link) [[code]](link) - Author 1, Author 2, and Author 3. *Conference/Journal* , Year. 目录 相关调查 后门学习：调查。 李一鸣，吴宝元，姜勇，李志峰和夏树涛。 arXiv，2020年。 深度学习的后门攻

对抗攻击PyTorch 是一个PyTorch库，其中包含对抗性攻击以生成对抗性示例。 干净的图像 对抗形象 目录 推荐的地点和配套 用法 :clipboard: 依存关系 火炬== 1.4.0 Python== 3.6 :hammer: 安装 pip install torchattacks或 git clone https://github.com/Harry24k/adversairal-attacks-pytorch import torchattacks atk = torchattacks . PGD ( model , eps = 8 / 255 , alpha = 2 / 255 , steps = 4 ) adversarial_images = atk ( images , labels ) :warning: 预防措施 在用于攻击之前，应使用transform [to.Tensor（）]将所有图像缩放为

目录 注意：如有问题，请先参阅问题管理！ 介绍 该项目旨在提供一个简单方便的界面，依靠Contiki OS生成Cooja模拟并为无线传感器网络（WSN）部署恶意节点，该传感器使用针对低功率和有损设备（RPL） （ RFC 6550 ）的路由协议网络层。 使用此框架，可以重新定义RPL配置常量，修改ContikiRPL库中的单行或使用自己的外部RPL库来轻松定义仿真活动（以JSON格式）。 而且，可以针对每个模拟基于相同或随机的拓扑来生成活动中的实验。 使用该框架进行的一些测试案例： 测试案例1：泛洪攻击 恶意微粒的范围为3、7、10 没有恶意微粒的电源跟踪 使用恶意微粒进行功率跟踪 测试案例2：版本控制攻击 合法的DODAG 实施版本控制攻击（全局修复） 没有恶意微粒的电源跟踪 使用恶意微粒进行功率跟踪 测试案例3a：黑洞攻击 合法的DODAG 黑洞攻击行动

Are_These_Ads_Safe__Detecting_Hidden_Attacks_Through_the_Mobile_App-Web_Interface 应急响应 安全研究 漏洞分析 威胁情报 APT