摘要
深度神经网络（DNNs）在图像识别、语音识别等多种任务中展现出卓越的性能。然而，要充分发挥DNN的潜力，需通过训练对大量超参数和网络参数进行精细优化。此外，高性能DNN通常包含海量参数，在训练过程中消耗大量能源。为应对这些挑战，研究人员转向脉冲神经网络（SNNs），其具备更高的能效以及更符合生物机制的数据处理能力，因此在神经形态数据处理任务中尤其适用，尤其是在处理感官数据方面表现突出。尽管SNNs具有诸多优势，但与DNNs类似，它们同样面临多种安全威胁，包括对抗样本攻击和后门攻击。然而，目前学术界对SNNs在安全方面的研究仍处于初步阶段，对相关攻击机制的理解以及防御策略的探索仍显不足。本文针对基于神经形态数据集的SNN后门攻击展开深入研究，探讨了多种触发器在神经形态数据中的应用。具体而言，我们研究了可调节位置与颜色的后门触发器，其灵活性远超传统图像领域中的固定触发模式，从而拓展了攻击的潜在范围。我们提出了多种攻击策略，在实现高达100%攻击成功率的同时，对正常样本的准确率几乎不造成影响。此外，我们评估了这些攻击的隐蔽性，结果表明，所提出的最有效攻击具有极强的隐蔽能力，难以被检测。最后，我们将若干图像领域最先进的防御方法迁移至神经形态数据环境，评估其在SNN中的适用性，发现部分防御机制在新场景下表现不佳，甚至导致模型性能显著下降，暴露出现有防御策略在神经形态计算框架中的局限性。