스파이킹 신경망(SNN)은 희소한 이진 스파이크로 통신해 뉴로모픽 하드웨어에서 에너지 효율적인 추론을 가능케 하지만, 이 연구는 바로 그 효율성이 스펀지 공격(sponge attack)이라는 새로운 보안 위협의 표적이 될 수 있음을 보였다. 연구진은 그래디언트 기반 최적화로 샘플마다 맞춤형 적대적 스파이크 열을 만드는 개별 샘플 공격을 개발해, NMNIST·SHD·IBM DVS Gesture 세 데이터셋의 SNN 모델에서 추론당 시냅스 연산량(SynOps)을 1.5~2.6배 늘리면서도 예측 클래스는 최소 98% 유지했다. 나아가 오프라인에서 계산한 고정 이진 섭동을 이후 모든 입력에 XOR로 적용하는 최초의 범용 스펀지 공격도 제시했는데, 공격력은 다소 약하지만 SynOps를 1.09~1.24배 늘리며 입력별 최적화가 필요 없어 더 현실적인 위협으로 평가된다. Loihi-1 기준으로 환산하면 추론당 14마이크로줄에서 최대 13.24밀리줄의 추가 에너지 소모가 발생하며, 지속 가동되는 엣지 시스템에서 배터리 소모로 누적될 수 있다.

• •SNN의 에너지 효율성이 오히려 스펀지 공격이라는 새로운 보안 위협의 표적이 될 수 있음을 규명
• •그래디언트 기반 개별 샘플 공격으로 추론당 시냅스 연산량(SynOps) 1.5~2.6배 증가, 예측 정확도는 98% 이상 유지
• •입력별 최적화 없이 고정 섭동을 XOR 적용하는 최초의 범용 스펀지 공격도 제시, SynOps 1.09~1.24배 증가
• •Loihi-1 환산 시 추론당 최대 13.24mJ 추가 소모, 상시 가동 엣지 시스템의 배터리 소모로 누적 가능