脉冲神经网络（SNN）通过稀疏的二进制尖峰事件而非密集的激活值进行通信，这使得脉冲神经网络能够在神经形态硬件上实现高能效推理，从而非常适合用于始终在线的电池供电边缘系统。本文首次提出了针对原生事件驱动二进制输入的海绵攻击（Sponge Attack），旨在通过增加推理时的尖峰活动和突触工作负载来膨胀能量消耗，同时保持模型输出的正确性，从而难以被基于正确性的监控机制检测。研究覆盖了两种攻击模型：一是每样本海绵攻击，它通过基于梯度的优化为每个输入生成定制的对抗性尖峰序列，在NMNIST、SHD和IBM DVS Gesture数据集上，对三个SNN模型能够将单次推理的突触操作数（SynOps）提升1.5至2.6倍，同时确保至少98%的样本预测类别保持不变；二是首次提出的通用海绵攻击，它是一种离线的固定二进制扰动，通过异或操作应用到所有后续输入上，虽然效果稍弱（SynOps增加1.09至1.24倍），但更贴近真实部署场景，因为无需针对每个输入进行优化。将SynOps的膨胀映射到Loihi-1芯片的能量估算，单次推理的能量开销可增加14微焦耳至13.24毫焦耳。这些结果表明，原生事件驱动的SNN容易受到实际的输入空间效率攻击，且可重用的通用扰动会在持续部署的边缘系统中累计成明显的电池消耗，构成新的安全威胁。本研究面向AI安全和硬件安全研究人员、边缘AI系统设计者以及安全防御团队，揭示了能效型计算架构在能源安全性上的脆弱性。