隐蔽尖峰：基于神经形态数据揭示脉冲神经网络中的 stealthy 后门攻击

深度神经网络（DNNs）在包括图像与语音识别在内的多种任务中展现出卓越性能。然而，最大化 DNNs 效能需要通过训练精细优化大量超参数与网络参数。此外，高性能 DNNs 包含众多参数，在训练期间消耗大量能量。为克服这些挑战，研究者转向脉冲神经网络（SNNs），其具备更高的能量效率与生物学合理的数据处理能力，非常适用于感官数据任务，尤其是神经形态数据。尽管具有优势，SNNs 与 DNNs 一样易受多种威胁，包括对抗样本与后门攻击。然而，SNNs 领域在理解与抵御此类攻击方面仍有待探索。本文利用神经形态数据集与多样化触发器深入研究了 SNNs 中的后门攻击。具体而言，我们探索了神经形态数据中可改变位置与颜色的后门触发器，相比图像等领域中的传统触发器提供了更广的可能性。我们提出了多种攻击策略，在保持干净准确率影响可忽略的同时实现了高达 100% 的攻击成功率。此外，我们评估了这些攻击的隐蔽性，揭示出我们最强大的攻击具有显著的隐蔽能力。最后，我们改编了若干图像领域最先进的防御方法，评估其在神经形态数据上的有效性，并揭示了其失效导致性能受损的实例。