本文研究脉冲神经网络（SNN）中的一种新型后门攻击——"时间投毒"（Temporal Poisoning），属于干净标签（clean-label）攻击范畴。与以往依赖脏标签（dirty-label）的后门攻击不同，该方法仅对目标类别的训练样本施加固定的时间戳变换，而不改变其标签。该变换在逐像素、逐极性的事件计数上与原始数据完全一致，因此在时间聚合后，干净样本与触发样本在静态特征上不可区分，但输入序列的时间顺序被改变，从而影响SNN的处理过程。研究者在三个神经形态数据集上，针对卷积架构和Transformer架构的受害者模型进行了实验，在最强配置下攻击成功率（ASR）达到1.00。论文通过投毒预算和触发形状的消融实验分析了攻击特性，并评估了多种已有的后门防御方法。结果表明，凡是在检查前将时间轴折叠（rate-collapsed）的防御方法，由于设计上忽略时序信息，对此攻击天然失效；基于特征空间的防御仅在特定设置下能够检测到异常。作者进一步提出一种无需模型（model-free）的检测器，基于逐步骤事件质量（per-step event mass）来识别时间变换，证明了该攻击的隐蔽性边界。据作者所述，这是首个针对SNN和神经形态事件数据的干净标签后门攻击研究。本文主要面向研究SNN安全、神经形态计算以及后门攻防的研究人员和安全从业者，有助于理解时间维度上的数据投毒风险。

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的神经元模型和编码方案选择对入侵检测效果的影响尚不明确。方法：作者在snntorch框架上实现了9种神经元模型与3种脉冲编码方案（速率编码、增量编码、延迟编码）的27种组合，对NSL-KDD、KDDCup99、CIC-IDS2017、CTU-13四个基准数据集进行控制消融实验，仅对原始输入做有限预处理，并使用5个随机种子确保统计可靠性。结果：发现脉冲编码方案比神经元模型对检测质量影响更大；延迟编码优于速率编码和增量编码；LeakyParallel神经元配合延迟编码在四个数据集上平均准确率92.11%，宏F1分数0.80，假阳性率2.01%，在CIC-IDS2017和CTU-13上接近完美，且推理速度最快。结论：SNN在低延迟或资源受限场景下可作为传统入侵检测方法的有效替代。该研究为SNN在网络入侵检测中的应用提供了设计指南。