Spikewhisper：针对低功耗设备上联邦神经形态学习的时间脉冲后门攻击
密码学与安全
2024-03-28 v1 人工智能
信号处理
摘要
联邦神经形态学习 (Federated neuromorphic learning, FedNL) 利用事件驱动的脉冲神经网络和联邦学习框架，在大量分布式低功耗设备上有效执行智能分析任务，但也表现出对投毒攻击的脆弱性。传统深度神经网络后门攻击的威胁通常来自时不变数据。然而，在 FedNL 中，未知的威胁可能隐藏在时变脉冲信号中。在本文中，我们开始利用时分复用的概念探索基于 FedNL 系统的一种新漏洞，称为 Spikewhisper，它允许攻击者尽可能逃避检测，因为多个恶意客户端可以在不同时间片使用不同触发器进行隐蔽投毒。具体而言，Spikewhisper 的隐蔽性源于全局触发器的时域可分性，其中每个恶意客户端仅将一个局部触发器粘贴到神经形态样本中的某个时间片，并且每个局部触发器的极性和运动可由攻击者配置。基于两个不同神经形态数据集的大量实验表明，Spikewispher 的攻击成功率高于时间集中式攻击。此外，验证了 Spikewispher 的效果对触发器持续时间敏感。
引用
@article{arxiv.2403.18607,
title = {Spikewhisper: Temporal Spike Backdoor Attacks on Federated Neuromorphic Learning over Low-power Devices},
author = {Hanqing Fu and Gaolei Li and Jun Wu and Jianhua Li and Xi Lin and Kai Zhou and Yuchen Liu},
journal= {arXiv preprint arXiv:2403.18607},
year = {2024}
}