机器学习模型在依赖不可信训练数据时面临后门攻击的风险，攻击者通过污染训练数据植入隐藏行为。现有防御方法难以应对日益隐蔽的攻击，尤其是干净标签后门攻击，因为它们无法监控单个训练样本对模型更新的细粒度影响。本文提出PoisonSpot系统，受动态污点跟踪启发，通过细粒度训练来源跟踪精确检测干净标签后门攻击。PoisonSpot在训练过程中捕获并分析每个训练样本对模型参数更新的影响，根据影响谱系为可疑样本分配中毒分数，从而准确识别并拒绝携带后门触发器的样本。该系统在多个基准数据集（如CIFAR-10、GTSRB）和攻击场景（包括不同触发器类型和污染率）下进行评估，与现有最优防御方法相比，PoisonSpot始终实现高真阳性率、低假阳性率，并能有效缓解后门攻击，即使面对自适应对抗策略也表现鲁棒。此外，PoisonSpot在多种训练设置（如从头训练、再训练、微调）中高效运行，展现出良好的可扩展性和实用性。实验结果表明，PoisonSpot在准确性和效率上均优于现有方法，为机器学习供应链安全提供了一种新的、可部署的防御手段。