أظهرت الشبكات العصبية العميقة (DNNs) أداءً متميزًا في مجموعة متنوعة من المهام، بما في ذلك التعرف على الصور والصوت. ومع ذلك، يتطلب تحقيق أقصى كفاءة للشبكات العصبية العميقة تحسينًا دقيقًا لعدد كبير من المعلمات الهيكلية والمعالم الهيكلية من خلال التدريب. علاوةً على ذلك، تتطلب الشبكات العصبية العميقة عالية الأداء عددًا كبيرًا من المعلمات، مما يستهلك طاقة كبيرة أثناء التدريب. وللتغلب على هذه التحديات، اتجه الباحثون نحو الشبكات العصبية البولية (SNNs)، التي تتميز بكفاءة طاقية محسنة وقدرات معالجة بيانات واقعية بيولوجيًا، مما يجعلها مناسبة جدًا للمهام المتعلقة بالبيانات الحسية، وبخاصة في مجال البيانات العصبية المحاكية. وعلى الرغم من مزاياها، فإن الشبكات العصبية البولية، مثل الشبكات العصبية العميقة، عرضة لعدة تهديدات، بما في ذلك الأمثلة المضادة والهجمات الخفية (backdoor attacks). ومع ذلك، لا يزال مجال الشبكات العصبية البولية يحتاج إلى استكشاف أعمق لفهم هذه الهجمات ومواجهة تأثيراتها.تتناول هذه الورقة دراسة هجمات الخلفية (backdoor attacks) في الشبكات العصبية البولية باستخدام مجموعات بيانات عصبية محاكية ومحفزات متنوعة. بشكل خاص، نستعرض محفزات خلفية داخل البيانات العصبية المحاكية التي يمكنها التلاعب بموقعها ولونها، مما يوفر نطاقًا أوسع من الإمكانيات مقارنةً بالمحفزات التقليدية في مجالات مثل الصور. ونقدّم استراتيجيات هجوم متعددة، ونحقق معدل نجاح هجوم يصل إلى 100% مع الحفاظ على تأثير ضئيل على الدقة في البيانات النظيفة. علاوةً على ذلك، نقيّم خفة هذه الهجمات، ونُظهر أن أكثر الهجمات فعالية تمتلك قدرات خفية كبيرة. وأخيرًا، نُطبّق عدة دفاعات حديثة من مجال الصور، ونقيّم فعاليتها على البيانات العصبية المحاكية، ونُظهر حالات فشلها، مما يؤدي إلى تدهور في الأداء.