该论文针对网络入侵检测场景中事件流碎片化、异构的特点，提出了一种事件原生的符号-时序脉冲编码框架，用于让脉冲神经网络（SNN）能够直接在原始异构网络事件流上工作。研究背景是：SNN 依靠有状态处理实现稀疏、事件驱动的计算，天然契合低功耗边缘硬件，也契合异步到达的安全监控数据；网络中恶意行为往往体现在事件序列的时序模式里而非单个事件的值上。但作者指出，网络事件流并非纯粹的连续数值信号——其信息结构还由类别型标识符（如协议、端口、CAN ID 等）、不规则的到达时间和局部行为上下文共同承载。传统基于发放率或群体编码的脉冲编码方式难以表达这类异构语义；而常规 IDS 流水线通常把原始事件转换成流记录、固定聚合窗口或稠密张量来适配传统分类器，这些转换会引入缓冲延迟、掩盖原生时序结构，并削弱事件驱动/神经形态计算在功耗和时延上的优势。为此，论文提出的框架把编码角色分别指派给三类信息：语义身份（categorical 标识的符号化表示）、局部频率上下文（局部时间窗内的出现频度）以及事件间时序（inter-event timing），从而在直接生成稀疏、可被脉冲网络消费的输入的同时，保留类别语义与时序动力学，无需先做窗口聚合或稠密化。作者在包级网络 IDS 数据集上验证了该方法，并将其扩展到消息级 CAN 总线 IDS（车载网络），用两个域共同评估编码是否能为直接在原生事件流上运行的循环 SNN 暴露可用的结构。在面向边缘、与 μCaspian 对齐的硬件约束下，紧凑的循环 SNN 取得了较强的异常检测性能，操作型混合指标 J_hybrid 在网络 IDS 上为 0.987，在 CAN IDS 上为 0.980。论文整体偏向方法学与架构设计，旨在为神经形态/边缘安全监控提供一种避免流量化与窗口化预处理的编码范式。

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固定的时间戳变换，同时保持原始标签不变。该变换在逐像素、逐极性上精确保留事件计数，因此在时间聚合后，正常样本与触发样本在外观上完全一致，但输入到 SNN 中的事件序列已被改变。实验覆盖三个神经形态数据集和两类受害模型（卷积网络与 transformer 架构），在最强配置下攻击成功率（ASR）可达 1.00。作者通过毒化预算和触发器形状消融实验分析了攻击特性，并评估了适用于脉冲模型的既有后门防御：在检测前将时间轴折叠的防御方法在原理上必然失效；而基于特征空间的防御仅在部分设置下能检测出毒化。最后，论文提出了一种模型无关的检测器，基于每个时间步的事件质量分布，能够有效检测所评估的时间变换，从而揭示了基于速率折叠防御的局限性以及该攻击的隐蔽性边界。该工作填补了干净标签后门在 SNN 领域的研究空白，对神经形态计算的安全性具有重要参考意义。适合研究 SNN 安全、后门攻击与防御以及神经形态系统的研究人员阅读。

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。

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。