Temporal Poisoning: Clean-Label Backdoors via Event Redistribution in SNNs
arXiv 论文 2607.28075v1 提出 clean-label temporal poisoning 攻击，对 SNN 目标类训练流施加固定时间戳变换，保持每像素每极性事件计数不变，标签不变。在三个神经形态数据集及卷积和 transformer 受害者上，最强配置 ASR 达 1.00。基于逐时间步事件质量的模型无关检测器可检测评估的时间变换，而折叠时间轴的防御对此类攻击无效。
Development
- First ReportTemporal Poisoning: Clean-Label Backdoors via Event Redistribution in SNNsarXiv cs.AI
- Current Assessment该研究对神经形态计算和 SNN 应用的安全评估提出新挑战，可能影响依赖 SNN 的实时处理系统（如边缘 AI）的部署决策，促使安全社区关注时间域攻击。Agent Pulse · analysis
该论文研究 SNN 的 clean-label 时间后门攻击。传统 SNN 后门攻击假设 dirty-label 投毒，即触发样本被重新标记为攻击者选择的类别。本文提出 clean-label 时间投毒，仅对目标类训练流应用固定时间戳变换，保持标签不变。该变换精确保持每像素、每极性的事件计数，使得干净样本和触发样本在时间聚合后相同，但改变了 SNN 处理的序列。在三个神经形态数据集和卷积及 transformer 受害者上，最强配置下攻击成功率（ASR）达到 1.00。作者通过投毒预算和触发形状消融分析攻击，并评估了针对脉冲模型的现有后门防御。折叠时间轴的防御在构造上对此类攻击无效，而特征空间方法仅在特定设置下检测到投毒。基于逐时间步事件质量的模型无关检测器能够检测评估的时间变换，展示了速率折叠防御的局限性和攻击的边界。
该攻击利用 SNN 对时间序列的敏感性，通过保持事件计数不变但改变时间顺序来绕过基于速率聚合的防御。这揭示了 SNN 安全评估中时间维度的重要性，提示防御需考虑时间结构而非仅统计事件数量。
该研究对神经形态计算和 SNN 应用的安全评估提出新挑战，可能影响依赖 SNN 的实时处理系统（如边缘 AI）的部署决策，促使安全社区关注时间域攻击。
对于采用 SNN 的神经形态芯片或边缘 AI 产品，该攻击可能构成安全威胁，影响产品安全评估和客户信任，推动安全测试服务需求。
未来可能看到针对 SNN 的时间域防御研究，以及将此类攻击扩展到其他时间序列模型。可验证信号：后续论文是否提出基于时间结构的新型防御方法。