该论文聚焦脉冲神经网络（SNN）中的后门攻击这一相对薄弱的研究方向。SNN 与常规深度神经网络不同，其信息以离散脉冲的时序形式编码，因此攻击面不仅包含空间维度，还包含时间维度。作者指出，已有 SNN 后门工作大多依赖时空联合触发器，这类触发器会改变被投毒样本的脉冲发放分布，使其与干净样本产生明显统计差异，从而容易被现有检测手段识别。为突破这一局限，论文提出名为 T-Backdoor 的后门攻击方法，其核心思想是把触发器完全限制在时间维度上，利用神经形态数据本身固有的时间冗余，通过调节脉冲发放率（Rate）、脉冲首发放延迟（Latency）和脉冲抖动（Jitter）等纯时序特征来构造触发器，而不对输入引入任何空间扰动，从而保持脉冲保真（spike-preserving）。由于空间内容保持一致，投毒样本与干净样本在脉冲分布上的偏移显著减小，检测难度大幅提升。作者在 N-MNIST、CIFAR10-DVS 和 N-Caltech101 三个主流神经形态基准数据集上开展实验，并与七种基线后门防御方法进行对比，结果表明 T-Backdoor 在单目标与多目标两种设定下均能达到接近 100% 的攻击成功率，干净样本准确率仅有轻微下降，并且对现有后门检测与缓解技术保持较强鲁棒性。论文代码已开源。该工作对 SNN 安全评估基准与防御方法设计提出了新的挑战。