神经形态系统中的新兴威胁与对策：综述
密码学与安全
2026-01-26 v1 人工智能
新兴技术
摘要
神经形态计算通过脉冲神经元和高效能处理模仿大脑机制，为高效内存储器计算 (IMC) 提供了一条路径。然而，这些进步引发了关键的安全和隐私担忧。随着仿生架构和 memristor 器件的采纳增加，对这些新兴技术是否易受硬件和软件攻击的脆弱性评估的紧迫性也随之增加。新型架构引入了新的攻击面，特别是由于异步的、事件驱动的处理以及随机器件行为。将 memristor 集成到神经形态硬件和基于脉冲神经网络 (SNN) 的软件实现为高级计算架构提供了多样化的可能性，包括其在安全感知应用中的作用。本综述系统性地分析了神经形态系统的安全领土，涵盖攻击方法、旁道漏洞和对策。我们关注与脉冲神经网络 (SNN) 和硬件基元相关的硬件和软件问题，例如用于加密和安全计算应用的物理不可克隆函数 (PUF) 和真随机数生成器 (TRNG)。我们从多种角度进行分析，从攻击方法到集成效率与保护的对策策略。本综述不仅勘测了当前的安全威胁格局，还为开发安全可信的神经形态架构奠定了基础。
引用
@article{arxiv.2601.16589,
title = {Emerging Threats and Countermeasures in Neuromorphic Systems: A Survey},
author = {Pablo Sorrentino and Stjepan Picek and Ihsen Alouani and Nikolaos Athanasios Anagnostopoulos and Francesco Regazzoni and Lejla Batina and Tamalika Banerjee and Fatih Turkmen},
journal= {arXiv preprint arXiv:2601.16589},
year = {2026}
}
备注
Survey paper on security and privacy in neuromorphic and in-memory computing systems (35 pages, 11 figures, 6 tables)