该论文提出了一种针对基于事件的视觉（event-based vision）和脉冲神经网络（SNN）目标检测模型的可用性后门攻击方法，称为Event Burst Trigger（EBT）。研究背景：基于事件的视觉传感器和SNN因其低延迟和低能耗特性在边缘智能中广泛应用，但其安全性问题，尤其是可用性后门攻击，尚未得到充分研究。核心问题：现有的SNN后门攻击多集中于改变模型预测结果，而忽略了通过触发大量虚假目标候选来耗尽计算资源的可用性威胁。方法：EBT在训练数据中注入精心构造的基于事件的触发器，这些触发器在推理时会产生时间上集中的事件流，类似于爆发式激活，从而增加大量虚假目标候选（phantom objects），进而显著增加后处理阶段（特别是非极大值抑制NMS）的计算开销。该攻击采用仅投毒（poison-only）威胁模型，无需修改模型架构、损失函数或推理流程。实验评估：在SpikeYOLO（最先进的SNN目标检测器）上进行实验，结果显示，在检测精度几乎不受影响（mAP@0.5下降小于0.099）的情况下，NMS阶段的延迟最高增加了38%，表明NMS可能成为基于事件的SNN目标检测中的一个主要可用性瓶颈。在边缘平台上的实验进一步表明，该攻击提高了基线资源利用率，减少了调度余量，而不会引起资源使用的显著峰值。此外，基于STRIP的后门检测方法无法可靠地区分该攻击与良性输入。这些结果揭示了基于事件的SNN目标检测系统中此前未被充分探索的可用性后门威胁。