Event-Native Symbolic-Temporal Spike Encoding Framework for Heterogeneous Cyber Streams
该论文聚焦于将脉冲神经网络（SNN）用于网络入侵检测时面临的一个关键工程与建模矛盾：SNN 依赖稀疏、事件驱动的有状态计算，天然契合低功耗边缘神经形态硬件，也契合异步到达、恶意行为多体现为时序模式的网络监控数据；但真实赛博数据流并非由连续数
#neuromorphic
共收录 4 条相关情报。
← 返回所有主题Temporal Poisoning: Clean-Label Backdoors via Event Redistribution in SNNs
本文首次在脉冲神经网络（SNN）和神经形态事件数据上提出并评估了干净标签后门攻击。以往针对 SNN 的后门攻击大多假设脏标签设置，即攻击者将带有触发器的训练样本重新标记为目标类别。本文则研究干净标签时序毒化攻击：仅对目标类别的训练数据流施加
Driving up Inference Energy on SNNs: Per-Sample and Universal Sponge Attacks
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 At
On the Evaluation of Spiking Neural Network Configurations for Network Intrusion Detection
本文系统评估了脉冲神经网络（SNN）的不同配置（神经元模型与脉冲编码方案）在网络入侵检测中的性能。背景：传统深度学习模型计算需求高，难以部署到边缘设备和神经形态硬件，而SNN具有低功耗、事件驱动的特性，是潜在替代方案。但SNN的神经元模型和