이 연구는 SNN(스파이킹 신경망)에 대한 최초의 클린라벨 백도어 공격인 '시간적 오염(Temporal Poisoning)'을 제시한다. 기존 SNN 백도어 공격이 라벨을 바꾸는 더티라벨 방식을 전제했던 것과 달리, 이 공격은 타깃 클래스 학습 스트림에만 고정된 타임스탬프 변환을 적용해 라벨은 그대로 두면서도 픽셀·극성별 이벤트 개수는 정확히 보존해 시간축으로 집계하면 정상 샘플과 구분되지 않게 만든다. 세 개의 뉴로모픽 데이터셋과 합성곱·트랜스포머 기반 피해 모델 모두에서 최강 설정 기준 공격 성공률 1.00을 달성했으며, 시간축을 먼저 붕괴시켜 검사하는 기존 방어는 구조적으로 이 공격을 탐지하지 못하는 반면 특징공간 기반 방어는 일부 설정에서만 탐지에 성공했다. 연구진이 제안한 스텝별 이벤트 질량 기반 탐지기는 이 시간적 변환을 성공적으로 감지해, 시간축 붕괴형 방어의 한계와 공격의 은밀성 경계를 동시에 보여준다.

• •SNN 대상 최초의 클린라벨 백도어 공격 '시간적 오염(Temporal Poisoning)' 제시
• •라벨을 바꾸지 않고 타깃 클래스 스트림에 타임스탬프 변환만 적용, 이벤트 집계값은 정상과 동일하게 유지
• •3개 뉴로모픽 데이터셋·합성곱과 트랜스포머 모델 전반에서 최강 설정 공격 성공률 1.00 기록
• •시간축 붕괴형 기존 방어는 무력하나, 제안한 스텝별 이벤트 질량 탐지기는 공격 탐지에 성공