arXiv cs.AI· Raj Patel, Shaswata Mitra, David Amebley, Taye Akinrele, Sayanton Dibbo, Sudip Mittal, Shahram Rahimi·· 3 天前AI 评分15
脉冲时序的价值：面向网络入侵检测的 SNN 设计选择抗泄漏基准
The Value of Spike Timing: A Leakage-Resistant Benchmark of SNN Design Choices for Network Intrusion Detection
AI 导读
研究用 snnTorch 的九类神经元与三种脉冲编码组合出 27 种 SNN 配置，在四个入侵检测基准上评测，并采用仅训练集变换、种子无关划分和按捕获/场景分离来避免信息泄漏。
正文 · AI 翻译
摘要：脉冲神经网络（SNN）在网络入侵检测中的研究日益增多，但关于神经元模型和脉冲编码如何影响性能的对比证据仍然有限。当预处理、捕获结构或场景信息跨越训练-测试边界时，评估选择会进一步影响观测结果。我们使用三种脉冲编码评估了九个 snnTorch 神经元家族，在四个入侵检测基准上产生了 27 种 SNN 配置。我们首先筛选完整的设计空间，然后使用仅训练变换、种子无关划分以及捕获或场景感知分离来重复评估。在共享工作点上，LeakyParallel/latency 在两次扫描中均取得了最低的平均排名，但在统计上未与 Leaky/latency 区分开；当排除 CTU-13 时，它们的筛选顺序发生了反转。总体而言，尽管测量性能发生了变化，筛选和确认仍保持了显著的排名一致性。
然后，我们通过固定活跃脉冲集并仅改变其时间组织来考察延迟编码的贡献。在主要的 T=25 工作点上，将特征幅度映射到脉冲时间在所有五个确认协议上均提高了 macro-F1，而在没有该映射的情况下将相同脉冲在时间上分散，则可能提高或降低性能。因此，延迟编码将信息性脉冲时序与时间网络动力学结合在一起。稀疏输入编码并不直接意味着稀疏内部活动，尽管在评估模型中，延迟编码比速率编码需要更少的扇出加权操作。这些发现促使对静态网络流数据的 SNN 设计、评估协议、脉冲时序和计算活动进行单独评估。
| 评论： | 本手稿已被 IEEE CogMI 2026 接收。\c{opyright} 2026 IEEE。允许个人使用；所有其他用途均需获得 IEEE 许可，包括重印、再版、再分发、转售或重用受版权保护的组件 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2606.01442 [cs.CR] |
| （或 arXiv:2606.01442v3 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.01442 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Raj Patel [查看电子邮件]
[v1]
2026年5月31日星期日 20:25:15 UTC（1,235 KB）
[v2]
2026年8月31日星期一 17:10:02 UTC（325 KB）
[v3]
2026年10月9日星期五 18:11:08 UTC（330 KB）
来源：arXiv cs.AI · arxiv.org