基于原始脉冲事件流的可配置延迟对抗攻击方法在脉冲神经网络中的研究与应用

本文提出了一种针对脉冲神经网络（SNN）的新型对抗攻击方法，通过将二进制脉冲转化为连续值优化离散攻击过程，并采用自适应随机延迟采样策略，有效解决了原始动态视觉传感器（DVS）事件流在极端稀疏性和可变延迟下的安全威胁。实验表明该方法在N-MNIST等数据集上攻击成功率（ASR）显著优于现有技术，为边缘计算场景中SNN的鲁棒性研究提供了新思路。

　　

Highlight

相关研究

人工神经网络（ANN）对抗攻击：Szegedy等人发现深度神经网络（DNN）存在输入输出映射不连续性的特性，由此提出对抗攻击验证模型鲁棒性。快速梯度符号法（FGSM）和基本迭代法（BIM）通过梯度扰动生成对抗样本，而我们的方法将类似原理创新性应用于脉冲神经网络（SNN）的离散时空数据处理。

理论基础

• •

  符号系统：向量/矩阵用粗体符号（如x表示图像），标量用常规字母（如时间索引t）。

• •

  SNN机制：模拟生物神经元膜电位累积机制，通过二进制脉冲实现事件驱动的异步计算，显著降低传统ANN的浮点运算开销。

方法概述

现有SNN对抗攻击多依赖固定延迟的帧序列数据（如SpikeFool方法），而本研究首创直接作用于原始DVS事件流的攻击框架。通过Gumbel-Softmax技术处理离散脉冲信号，结合自适应概率加权延迟采样策略（攻击损失高的延迟在迭代中更易被选中），实现动态延迟环境下的高效攻击。

实验验证

在N-MNIST等4个标准DVS数据集上，本方法攻击成功率较固定延迟方法提升12-18%。特别在CIFAR10-DVS的微秒级延迟变化场景中，仍保持85%以上的ASR，证实其对SNN能量-精度平衡机制的破坏性。

结论

本研究突破性地将对抗攻击场景扩展到原始脉冲数据领域，提出的概率化延迟采样策略为SNN在自动驾驶（实时事件处理）和神经形态芯片（动态功耗调节）等应用中的安全性评估树立了新标准。