时钟是万能的：基于事件驱动脉冲神经网络的脉冲重排攻击

脉冲神经网络（SNN）以离散脉冲计算，利用时间结构，但大多数对抗攻击改变强度或事件计数而非时间。我们研究了仅修改时间的攻击者，通过重排现有脉冲时间来实现攻击，同时保持脉冲计数和幅度不变，从而保持速率恒定。我们 formalized一种容量为1的脉冲重排威胁模型，包含三个统一的预算：单个脉冲抖动$\mathcal{B}_{\infty}$、总延迟$\mathcal{B}_{1}$和篡改次数$\mathcal{B}_{0}$。可行的对抗样本必须满足时间线一致性和非重叠约束，这使得搜索空间离散且受限。为大规模优化此类重排，我们使用投影式内循环（PIL）优化：移位概率logit产生可反向传播的光滑重排，而前向传递中的严格投影产生满足容量-1、非重叠以及所选预算的可行离散时间表。目标函数最大化投影输入上的任务损失，并添加容量正则化器以及预算感知惩罚，以稳定梯度并使优化与评估一致。在事件驱动基准（CIFAR10-DVS、DVS-Gesture、N-MNIST）和多样化SNN架构下，我们在二进制和整数事件网格上评估，并测试各种重排预算，同时测试使用时序感知对抗训练训练的模型以抵御时序-only攻击。例如，在DVS-Gesture上，该攻击在$\mathcal{B}_{0}$下以超过$90\%$的成功率实现，而仅触及不到$2\%$的脉冲。总体而言，我们的结果表明，脉冲重排是一种实际且隐蔽的攻击面，现有防御措施难以应对，为事件驱动SNN的时序鲁棒性提供了明确参考。代码地址：https://github.com/yuyi-sd/Spike-Retiming-Attacks。