arXiv cs.AI· Ayana Moshruba, Maryam Parsa·· 11 小时前AI 评分31
脉冲神经网络更难被窃取：模型窃取攻击基准研究
Spiking Neural Networks Are Harder to Steal: A Benchmark Study of Model Stealing Attacks
AI 导读
针对 SNN 的模型窃取攻击基准测试显示，在 MNIST、Fashion-MNIST 和 CIFAR-10 上，Papernot、Tramèr、T-RND 和颜色扰动四种攻击对 SNN 的窃取效果均弱于对应的 ANN。
正文 · AI 翻译
摘要：部署在查询接口背后的机器学习模型所暴露的不仅仅是其预测结果，因为对手可以利用这些预测来重建模型本身。模型窃取攻击（MSA）正是利用这种暴露，仅通过黑盒查询训练出一个替代模型，复制目标模型的决策行为，而无需访问其参数或训练数据。这些攻击在传统人工神经网络（ANN）上已有充分刻画，但脉冲神经网络（SNN）处理信息的方式根本不同。SNN 通过稀疏、离散的脉冲进行通信，其输出取决于随时间演化的膜电位，而非输入到输出的静态映射。这种时间计算模式表明，SNN 的决策行为可能更难从其响应中重建。本文通过在 MNIST、Fashion-MNIST 和 CIFAR-10 上，用四种代表性 MSA（即 Papernot、Tramèr、T-RND 和颜色扰动攻击）对 SNN 及其对应的 ANN 进行基准测试，来检验这一可能性。在每种攻击和数据集上，SNN 都被证明始终更难被窃取。SNN 的替代模型与目标模型的一致率比 ANN 的替代模型低 10% 到 20%，对抗迁移性低 15% 到 25%。我们将这种抵抗力归因于 SNN 的计算方式，因为其基于脉冲且依赖时间的动态特性所产生的决策边界，即使在大查询预算下，基于 ANN 的替代模型也难以逼近。这些发现将 SNN 已知的韧性从针对训练数据的攻击扩展到模型功能的复制，为神经形态架构在安全敏感应用中的应用提供了更有力的依据。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.36298 [cs.AI] |
| （或 arXiv:2610.36298v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36298 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ayana Moshruba [查看电子邮件]
[v1]
2026年10月26日星期一 21:24:08 UTC（261 KB）
来源：arXiv cs.AI · arxiv.org