BadSNN：基于对抗性脉冲神经元的脉冲神经网络后门攻击
密码学与安全
2026-05-04 v2 人工智能
摘要
脉冲神经网络（Spiking Neural Networks, SNNs）是深度神经网络（Deep Neural Networks, DNNs）的能源高效替代方案，具有高度的生物学合理性，因为信息通过时间脉冲模式进行传输。SNN的核心组件是脉冲神经元，它遵循漏积积分-放电（Leaky Integrate-and-Fire, LIF）神经元模型，将输入数据转换为脉冲。该模型包含若干重要的超参数，如膜电位阈值和膜时间常数。尽管DNNs和SNNs都被证明可被后门攻击利用，即攻击者可通过投毒训练数据集中的恶意触发器，使模型按攻击者定义的方式行为。然而，如何利用SNN的独特特征进行后门攻击仍未充分探讨。本文提出了\textit{BadSNN}，一种针对脉冲神经网络的新型后门攻击方法，利用脉冲神经元的超参数变异在模型中注入后门行为。我们进一步提出了触发器优化过程，以实现更好的攻击性能并降低触发器模式的可感知性。\textit{BadSNN}在 various 数据集和架构上表现出优异的攻击性能，并且相对于现有基于数据投毒的后门攻击方法以及对常见后门缓解技术的鲁棒性都有显著优势。代码可在 https://github.com/SiSL-URI/BadSNN 查找。
引用
@article{arxiv.2602.07200,
title = {BadSNN: Backdoor Attacks on Spiking Neural Networks via Adversarial Spiking Neuron},
author = {Abdullah Arafat Miah and Kevin Vu and Yu Bi},
journal= {arXiv preprint arXiv:2602.07200},
year = {2026}
}