本文针对脉冲神经网络（SNN）和神经形态数据集提出了一种后门攻击方法。脉冲神经网络是第三代神经网络，具有低功耗和事件驱动的特点，在神经形态硬件上展现出巨大潜力。然而，其安全性问题尚缺乏系统研究。作者首次探索了SNN在后门攻击下的脆弱性，设计了一种针对SNN的触发器注入机制，该机制利用脉冲序列的时序特性，在训练阶段将恶意触发模式嵌入模型中。攻击者通过控制触发样本使模型在正常输入时表现正常，而在包含触发器的输入上输出攻击者指定的错误标签。实验在多个神经形态数据集（如N-MNIST、CIFAR10-DVS等）上进行，结果表明攻击成功率高达95%以上，同时保持对干净样本的高分类准确率。此外，文章还探讨了不同触发器类型（如高频脉冲模式、空间稀疏模式）对攻击效果的影响。该工作揭示了SNN部署中的潜在安全隐患，为后续防御研究提供了基础。