本公開的實施例涉及計算機，具體涉及應(yīng)用于尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息生成方法和裝置。

背景技術(shù)：

1、目前，尖峰神經(jīng)網(wǎng)絡(luò)(spiking?neural?networks，snn)正在成為傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)(artificial?neural?networks，ann)的節(jié)能替代品。然而，隨著尖峰神經(jīng)網(wǎng)絡(luò)越來越多地部署在邊緣設(shè)備中，安全問題也隨之出現(xiàn)。目前，在對尖峰神經(jīng)網(wǎng)絡(luò)的安全性進行處理時，通常采用的方式為：通過控制輸入噪聲引發(fā)的對抗性攻擊的方式，以提高尖峰神經(jīng)網(wǎng)絡(luò)的安全性。

2、然而，發(fā)明人發(fā)現(xiàn)，當(dāng)采用上述方式對尖峰神經(jīng)網(wǎng)絡(luò)的安全性進行處理時，經(jīng)常會存在如下技術(shù)問題：

3、第一，當(dāng)神經(jīng)元的脈沖活動增加時，通常會導(dǎo)致更多的內(nèi)存訪問操作，從而大幅提升能耗，因此傳統(tǒng)的方法在處理尖峰神經(jīng)網(wǎng)絡(luò)的能效和準(zhǔn)確性平衡時存在不足，即難以在模型精度穩(wěn)定的條件下，實現(xiàn)針對尖峰神經(jīng)網(wǎng)絡(luò)模型的能耗攻擊模擬。

4、第二，現(xiàn)有的安全性研究主要集中在輸入擾動上，對尖峰神經(jīng)網(wǎng)絡(luò)參數(shù)的安全性關(guān)注較少，因此使得尖峰神經(jīng)網(wǎng)絡(luò)在面對基于內(nèi)存的攻擊方式時，容易出現(xiàn)參數(shù)被惡意操控的風(fēng)險。

5、該背景技術(shù)部分中所公開的以上信息僅用于增強對本發(fā)明構(gòu)思的背景的理解，并因此，其可包含并不形成本國的本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。

技術(shù)實現(xiàn)思路

1、本公開的內(nèi)容部分用于以簡要的形式介紹構(gòu)思，這些構(gòu)思將在后面的具體實施方式部分被詳細描述。本公開的內(nèi)容部分并不旨在標(biāo)識要求保護的技術(shù)方案的關(guān)鍵特征或必要特征，也不旨在用于限制所要求的保護的技術(shù)方案的范圍。

2、本公開的一些實施例提出了應(yīng)用于尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息生成方法和裝置，來解決以上背景技術(shù)部分提到的技術(shù)問題中的一項或多項。

3、第一方面，本公開的一些實施例提供了一種應(yīng)用于尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息生成方法，該方法包括：對尖峰神經(jīng)網(wǎng)絡(luò)模型進行模型初始化，以生成模型文件，其中，上述模型文件包括：神經(jīng)元層描述信息集合和準(zhǔn)確率損失上限值，上述神經(jīng)元層描述信息集合中的神經(jīng)元層描述信息包括：神經(jīng)元描述信息集合、初始閾值變化量和高活躍度神經(jīng)元百分比，神經(jīng)元描述信息集合中的神經(jīng)元描述信息包括：初始神經(jīng)元閾值。對于神經(jīng)元層描述信息集合中的每個神經(jīng)元層描述信息，執(zhí)行以下處理步驟：確定上述神經(jīng)元層描述信息包括的神經(jīng)元描述信息集合中的每個神經(jīng)元描述信息對應(yīng)的神經(jīng)元活躍度。根據(jù)上述神經(jīng)元層描述信息包括的高活躍度神經(jīng)元百分比和神經(jīng)元描述信息對應(yīng)的神經(jīng)元活躍度，對上述神經(jīng)元層描述信息包括的、神經(jīng)元描述信息集合中的神經(jīng)元描述信息進行神經(jīng)元活躍度劃分，得到高活躍度神經(jīng)元描述信息集合和低活躍度神經(jīng)元描述信息集合。根據(jù)上述神經(jīng)元層描述信息包括的初始閾值變化量、上述高活躍度神經(jīng)元描述信息集合和上述低活躍度神經(jīng)元描述信息集合，生成更新后神經(jīng)元描述信息集合?；诟潞笊窠?jīng)元描述信息集合，生成子優(yōu)化信息。根據(jù)得到的子優(yōu)化信息集合，生成針對上述尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息。

4、第二方面，本公開的一些實施例提供了一種應(yīng)用于尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息生成裝置，裝置包括：模型初始化單元，被配置成對尖峰神經(jīng)網(wǎng)絡(luò)模型進行模型初始化，以生成模型文件，其中，上述模型文件包括：神經(jīng)元層描述信息集合和準(zhǔn)確率損失上限值，上述神經(jīng)元層描述信息集合中的神經(jīng)元層描述信息包括：神經(jīng)元描述信息集合、初始閾值變化量和高活躍度神經(jīng)元百分比，神經(jīng)元描述信息集合中的神經(jīng)元描述信息包括：初始神經(jīng)元閾值。處理單元，被配置成對于神經(jīng)元層描述信息集合中的每個神經(jīng)元層描述信息，執(zhí)行以下處理步驟：確定上述神經(jīng)元層描述信息包括的神經(jīng)元描述信息集合中的每個神經(jīng)元描述信息對應(yīng)的神經(jīng)元活躍度；根據(jù)上述神經(jīng)元層描述信息包括的高活躍度神經(jīng)元百分比和神經(jīng)元描述信息對應(yīng)的神經(jīng)元活躍度，對上述神經(jīng)元層描述信息包括的、神經(jīng)元描述信息集合中的神經(jīng)元描述信息進行神經(jīng)元活躍度劃分，得到高活躍度神經(jīng)元描述信息集合和低活躍度神經(jīng)元描述信息集合；根據(jù)上述神經(jīng)元層描述信息包括的初始閾值變化量、上述高活躍度神經(jīng)元描述信息集合和上述低活躍度神經(jīng)元描述信息集合，生成更新后神經(jīng)元描述信息集合；基于更新后神經(jīng)元描述信息集合，生成子優(yōu)化信息。生成單元，被配置成根據(jù)得到的子優(yōu)化信息集合，生成針對上述尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息。

5、第三方面，本公開的一些實施例提供了一種電子設(shè)備，包括：一個或多個處理器；存儲裝置，其上存儲有一個或多個程序，當(dāng)一個或多個程序被一個或多個處理器執(zhí)行，使得一個或多個處理器實現(xiàn)上述第一方面任一實現(xiàn)方式所描述的方法。

6、第四方面，本公開的一些實施例提供了一種計算機可讀介質(zhì)，其上存儲有計算機程序，其中，程序被處理器執(zhí)行時實現(xiàn)上述第一方面任一實現(xiàn)方式所描述的方法。

7、本公開的上述各個實施例具有如下有益效果：通過本公開的一些實施例的應(yīng)用于尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息生成方法可以在模型精度穩(wěn)定的條件下，實現(xiàn)針對尖峰神經(jīng)網(wǎng)絡(luò)模型的能耗攻擊模擬。具體來說，造成難以在模型精度穩(wěn)定的條件下，實現(xiàn)針對尖峰神經(jīng)網(wǎng)絡(luò)模型的能耗攻擊模擬的原因在于：當(dāng)神經(jīng)元的脈沖活動增加時，通常會導(dǎo)致更多的內(nèi)存訪問操作，從而大幅提升能耗，因此傳統(tǒng)的方法在處理尖峰神經(jīng)網(wǎng)絡(luò)的能效和準(zhǔn)確性平衡時存在不足，即難以在模型精度穩(wěn)定的條件下，實現(xiàn)針對尖峰神經(jīng)網(wǎng)絡(luò)模型的能耗攻擊模擬?；诖?，本公開的一些實施例的應(yīng)用于尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息生成方法，首先，對尖峰神經(jīng)網(wǎng)絡(luò)模型進行模型初始化，以生成模型文件，其中，上述模型文件包括：神經(jīng)元層描述信息集合和準(zhǔn)確率損失上限值，上述神經(jīng)元層描述信息集合中的神經(jīng)元層描述信息包括：神經(jīng)元描述信息集合、初始閾值變化量和高活躍度神經(jīng)元百分比，神經(jīng)元描述信息集合中的神經(jīng)元描述信息包括：初始神經(jīng)元閾值。為尖峰神經(jīng)網(wǎng)絡(luò)模型的參數(shù)設(shè)置初始值，加速訓(xùn)練進程。其次，對于神經(jīng)元層描述信息集合中的每個神經(jīng)元層描述信息，執(zhí)行以下處理步驟：第一步，確定上述神經(jīng)元層描述信息包括的神經(jīng)元描述信息集合中的每個神經(jīng)元描述信息對應(yīng)的神經(jīng)元活躍度。由此，可以為后續(xù)劃分高神經(jīng)元描述信息和低活躍度描述信息做準(zhǔn)備。第二步，根據(jù)上述神經(jīng)元層描述信息包括的高活躍度神經(jīng)元百分比和神經(jīng)元描述信息對應(yīng)的神經(jīng)元活躍度，對上述神經(jīng)元層描述信息包括的、神經(jīng)元描述信息集合中的神經(jīng)元描述信息進行神經(jīng)元活躍度劃分，得到高活躍度神經(jīng)元描述信息集合和低活躍度神經(jīng)元描述信息集合。實踐中，由于攻擊高活躍度神經(jīng)元和攻擊低活躍度神經(jīng)元對模型準(zhǔn)確度的影響不同，因此從神經(jīng)元活躍度角度，對神經(jīng)元進行劃分。第三步，根據(jù)上述神經(jīng)元層描述信息包括的初始閾值變化量、上述高活躍度神經(jīng)元描述信息集合和上述低活躍度神經(jīng)元描述信息集合，生成更新后神經(jīng)元描述信息集合。由于攻擊低活躍度神經(jīng)元對模型準(zhǔn)確度的影響較小，能耗增加較少，因此對高活躍度神經(jīng)元和低活躍度神經(jīng)元進行不同策略的更新。第四步，基于更新后神經(jīng)元描述信息集合，生成子優(yōu)化信息。最后，根據(jù)得到的子優(yōu)化信息集合，生成針對上述尖峰神經(jīng)網(wǎng)絡(luò)模型的模型優(yōu)化信息。通過減小神經(jīng)元閾值，影響神經(jīng)元的狀態(tài)，使得其在相同的條件下脈沖激發(fā)頻率更頻繁，從而在不降低模型準(zhǔn)確度的情況下增加尖峰神經(jīng)網(wǎng)絡(luò)模型的能耗攻擊效果，以此有效實現(xiàn)在模型精度穩(wěn)定的條件下的、針對尖峰神經(jīng)網(wǎng)絡(luò)模型的能耗攻擊模擬。