本文提出了一种针对视觉-红外融合人脸检测模型的物理对抗补丁攻击方法 VIPatch（视觉-红外补丁）。随着深度学习在多模态融合（如可见光与红外图像）人脸检测中的应用日益广泛，模型面临的对抗性威胁也相应增加。现有的对抗补丁攻击大多仅在数字域针对单一模态（可见光或红外）设计，难以有效攻击融合模型，并且补丁图案往往不自然、容易被察觉。VIPatch 的核心创新在于生成同时作用于可见光和红外图像的逼真补丁，具体通过设计渐变颜色掩码和创可贴形状的贴纸，并联合优化这两个元素，使得生成的数字补丁既具备对抗性又外观自然，进而指导物理补丁的制作。实验在数字域和物理域（如打印贴纸并佩戴）均进行了评估，结果显示 VIPatch 在两个域中对融合模型均达到超过 90% 的攻击成功率，且补丁对人类观察者而言不易引起注意。该工作揭示了多模态人脸检测系统在物理世界中的新漏洞，对于安全从业者理解并防御此类攻击具有重要参考价值。

深度神经网络（DNN）仍然容易受到后门攻击，现有后门检测方法通常需要干净数据、代理数据、梯度或迭代触发器重建，导致计算成本高且在实际模型审计场景中鲁棒性有限。本文提出HTell，一种快速、轻量级且无需数据的后门检测方法，基于头部随机探针技术。HTell的核心洞察是：后门模型在随机潜在探针下，预测头部的目标类别上往往表现出异常高的响应集中度。该方法首先生成架构感知的随机潜在探针，直接馈入模型头部，然后通过分析类别级响应统计量来检测后门，无需访问真实/代理数据、模型梯度或参数优化。在包含超过6000个后门模型和700多个干净模型的大规模基准上进行评估，覆盖4个数据集、14种架构和21种后门攻击类型。HTell实现了99.03%的真阳性率和2.11%的假阳性率，每模型检测延迟仅为12.69毫秒，相比基于梯度的代表性检测器时间成本降低超过30,000倍。结果表明，头部随机探针为大规模无数据后门模型审计提供了准确、鲁棒且高效的解决方案。