这篇论文研究脉冲神经网络（SNN）在推理阶段面临的能耗安全威胁。SNN 通过稀疏的二值尖峰事件传递信息，相比传统人工神经网络在神经形态硬件上可实现极低能耗，因此常被用于持续运行、电池供电的边缘设备。然而，这种效率优势也带来新的攻击面：海绵攻击（sponge attack）可以通过精心构造的输入增加推理时的尖峰活动和突触计算量（SynOps），从而大幅提高能耗，同时由于模型输出类别未改变，基于正确性的监控难以察觉。以往对 SNN 的输入空间效率攻击主要针对逐样本优化，且多基于频率编码。本文将其扩展到原生事件驱动的二值输入，提出两种攻击模型：一是逐样本海绵攻击，通过梯度优化为每个输入定制对抗性尖峰序列，在 NMNIST、SHD 和 IBM DVS Gesture 三个数据集上，将三个 SNN 模型的每次推理 SynOps 提升 1.5-2.6 倍，同时至少 98% 的样本保持预测类别不变；二是首次提出针对原生事件驱动 SNN 输入的通用海绵攻击，即离线计算一个固定的二值扰动，通过 XOR 叠加到所有后续输入上。虽然通用攻击效果较弱（SynOps 提升 1.09-1.24 倍），但它无需逐输入优化，实际部署威胁更大。将 SynOps 增加映射到 Loihi-1 神经形态芯片的能耗估算，单次推理能量开销增加 14 μJ 到 13.24 mJ。实验表明，原生事件驱动 SNN 确实容易受到输入空间效率攻击，且可复用的通用扰动会持续累积能耗，对持续部署的边缘系统造成实质性电池消耗问题。