神经形态网络安全与半监督终身学习.pdfVIP

被ACM神经形态系统国际会议（ICONS）2025接受

神经形态网络安全与半监督终身学习

MdZesunAhmedMiaMalyabanBalSenLu

SchoolofEECSSchoolofEECSDept.ofEECS

ThePennsylvaniaStateUniversityThePennsylvaniaStateUniversityUniversityofMichigan

UniversityPark,PA,USAUniversityPark,PA,USAAnnArbor,MI,USA

zesun.ahmed@mjb7906@senlu@

GeorgeM.Nishibuchi

QuantumVentura,Inc.

SanJose,CA,USA

max@

SuhasChelianSriniVasan

本UniversityofTexasatArlingtonResearchInstituteQuantumVentura,Inc.

译FortWorth,TX,USASanJose,CA,USA

中suhas.chelian@srini@

1AbhronilSengupta

vSchoolofEECS

0

1ThePennsylvaniaStateUniversity

6

4UniversityPark,PA,USA

0sengupta@

.

8

0

5摘要—受大脑分层处理和能量效率的启发，本文提出了一种I.介绍

2

:用于终身网络入侵检测系统（NIDS）的脉冲神经网络（SNN）

vETWORK入侵检测系统（NIDS）在可扩展性

i架构。该系统首先使用高效的静态SNN识别潜在入侵，然后

x激活负责分类特定攻击类型的自适应动态SNN。模仿生物适应N和能源效率方面面临重大挑战，尤其是在高吞

r

a性，动态分类器利用基于“按需增长”(GWR)的结构可塑性和吐量环境中。网络攻击的内在性质——通常是连续时

一种新颖的自适应尖峰时序依赖型可塑性（Ad-STDP）学习规间数据流中的稀疏事件——使得SNN成为一种具有吸

则。这些生物学上可信的机制使网络能够增量学习新的威胁，同引力的、仿生替代方案[1]来应对此类应用驱动问题。

时保留现有知识。在持续学习设置下的UNSW-NB15基准测

SNN由于其事件驱动和稀疏计算，提供了节能和实时

试中，该架构表现出强大的适应能力，减少了灾难性遗忘，并实

处理的潜力。此外，现实世界的网络安全场景通常缺乏

现了%的整体准确率。此外，使用IntelLava框架进行的

模拟确认了高操作稀疏性，突显了在神经形态硬件上实现低功耗全面标注的数据，需要无监督或半监督的学习方法。虽

部署的潜力。然尖峰时态依赖可塑性（STDP）是SNN中常见的无监

IndexTerm