机器学习模型若通过查询接口提供预测结果，攻击者可以仅凭这些输出在黑盒条件下重建模型，这类攻击被称为模型窃取攻击（MSA）。攻击者通过大量查询训练一个代理模型，使其在决策行为上与目标模型高度一致，而无需获取参数或训练数据。
脉冲神经网络（SNN）与传统人工神经网络（ANN）在信息处理方式上根本不同。SNN 通过稀疏的离散脉冲进行通信，输出依赖于随时间演化的膜电位，而非静态的输入‑输出映射。这种时序计算模式暗示 SNN 的决策边界可能更难从查询响应中恢复。
本文选取四种代表性窃取方法：Papernot、Tram`er、T‑RND 与颜色扰动攻击，对 SNN 与对应的 ANN 在 MNIST、Fashion‑MNIST 与 CIFAR‑10 三个数据集上进行基准测试。每种攻击在相同查询预算下均对两类模型执行。
实验结果显示，所有攻击和数据集上，SNN 的窃取难度始终高于 ANN。具体而言，SNN 代理模型的预测一致率比 ANN 低约 10%‑20%，其对抗样本的迁移成功率低约 15%‑25%。即使在大规模查询下，基于 ANN 的代理仍难以逼近 SNN 的时序决策边界。
我们将这种抗窃取性归因于 SNN 的脉冲驱动和时间依赖的动力学特性：膜电位的累积与阈值触发导致的非线性决策面，使得仅凭离散输出难以捕获其内部状态。
这些发现表明，SNN 在安全敏感场景下不仅对训练数据泄露具备韧性，也能抵御功能复制类攻击，进一步提升了神经形态硬件的实用价值。
点评