不同类型的神经网络为未来的安全提供了巨大的潜力；但现在可以使用脉冲神经网络( SNN) 类型的神经形态计算，有望提高性能以及个人和人工智能隐私。

神经形态

神经形态计算试图通过共置内存和处理器、鼓励并行处理以及事件驱动来改进传统（冯·诺依曼模型）计算。该理念的灵感源自人脑的生物图谱和功能。理论上，其结果可以显著提高处理速度并降低功耗。

其在硅片上实现的主要组件是人工神经元（提供基本处理能力）、突触（提供神经元之间的通信）和记忆元件（存储神经元的状态和突触的权重）。

Black Duck 首席安全顾问 Jamie Boote 解释说：“它是一种深度学习，在硅片中实现的自然结构（主要是神经元）上对硬件和软件架构进行建模，模仿神经元如何建立和断开彼此之间的连接。”

SNN 的典型特征是将数据转换成称为“尖峰”的短脉冲电信号。数据包含在电压尖峰的模式中。能够响应数据（实际上是事件）的神经元数量允许在单个设备上进行大规模多处理，从而减少占用空间、处理时间和功耗。

值得注意的是，神经形态计算并非指代已在业界广泛应用的深度神经网络 (DNN)——尽管人们对利用前者加速后者的兴趣日益浓厚。SNN 模型的体积可以比目前使用的传统 DNN 模型小 100 倍。

从外面看

神经形态计算是一个发展中的领域，其应用仍在探索和研究中。然而，它的优势表明，在许多领域它可能优于传统的冯·诺依曼式计算机。概括地说，这些优势包括：能够在靠近源头或在源头（即边缘）的地方大规模并行处理数据；极低的功耗（非常适合电池供电的设备）；事件驱动；以及实时自主学习和适应的能力。

它们在边缘工作且电池续航时间长，非常适合用于智能传感器，例如无人机、可穿戴设备和物联网。结合雷达和/或红外传感器，它们可以在设施管理领域提供众多应用——从自动灯开关到检测敏感区域的未经授权的物理访问，再到在疏散后定位大型建筑物（大型酒店或办公楼）中遗留的人员。在机器人和自主系统中，快速（并行）处理能力可在动态环境中提供即时物体识别和导航。在医疗保健领域，事件驱动元素是监测生理状况的理想选择。

在企业IT基础设施和网络安全领域，对不断变化的模式进行即时响应的能力可以即时识别或提示网络攻击，而快速处理则可以检测并应对一般的安全威胁。这种潜力是存在的，但尚未被充分发挥；网络安全专业人士大多处于观望阶段。

Mimoto 首席执行官兼联合创始人 Kris Bondi 表示：“如果它能够兑现承诺的特性，它将解决传统安全解决方案的几个关键缺陷。虽然大多数异常检测只能在漏洞取证后进行，但神经形态计算有望更快、更细致地分析用户行为，从而实时识别和应对威胁。”

Acuvity 首席执行官兼联合创始人 Satyam Sinha 表示：“这些（神经拟态）特性对威胁检测和响应等任务非常有益，因为它们有助于实时处理大量网络流量。它还能扩展规模以检测异常并适应新的攻击媒介，从而提供更准确的分析。神经拟态系统还可以在设备本地或边缘网络上处理数据，从而减少对集中式数据存储的需求。除了提高效率之外，这种方法还能改善人工智能应用的隐私性，因为它需要的数据传输更少，从而减少数据可能被拦截或泄露的中转点数量。”

但 Bondi 补充道：“神经形态计算也存在一些已知的局限性，需要克服这些局限性才能成为稳定的商业安全解决方案。这些局限性包括处理非结构化数据或进行实时数据处理的能力，而这些对于企业级解决方案来说都是至关重要的。”

目前市场应用面临的最大问题是缺乏理解，以及缺乏实际应用记录。“神经拟态计算仍然很新，仅仅处于实验阶段；而且那些将从中受益的工程师们还没有真正理解它。”惰性占据了主导地位。“系统越先进、概率越大，普通工程师就越难理解它，”Black Duck 首席安全顾问 David Benas 表示。

Concentric AI 首席数据科学家兼联合创始人 Madhu Shashanka 表示：“不幸的是，它如今已经成为一个流行词，就像‘认知计算’一样，任何东西只要模仿大脑的分布式处理特性，就可以被称为‘神经形态’。”

他担心的是，这项技术的热度会让我们过度信任神经形态计算的副作用之一——隐私保护。神经形态系统靠近数据来源，基于电信号而非可识别的姓名和信息，在内部处理数据，无需外部存储，因此有望实现更高的隐私保护。

“我认为，仅仅因为模仿大脑就能更好地控制隐私的说法是值得怀疑的，”Shashanka 继续说道。“不同的计算架构会带来不同程度的隐私权衡，但没有什么灵丹妙药——必须从系统层面开始就将数据隐私和安全融入到架构设计中。”

另一些人则担心其可能被双重利用。每当一项新技术被引入防御者手中，它就会被攻击者迅速颠覆利用——他们通常既将其用作新的攻击媒介，又将其用作攻击工具。人工智能就是一个例子。

“想象一下更智能的无人机、实时威胁检测、人机共生等等，就像一部精彩的科幻电影里那样，”OX Security 的现场首席技术官 Boaz Barzel 评论道。“但问题在于：就像任何军民两用技术一样，它不会长期处于‘好的一面’。它既具备自适应机器人或自动驾驶汽车的理想功能，也同样适用于自主攻击系统、不可探测的监控以及动态演进的决策型恶意软件。我们正在构建数字大脑，但我们还没有弄清楚如何确保它们的道德规范。”

Benas 补充道：“我的预测是，当 SNN 之类的技术变得更加主流时，我们将在最初几年看到安全问题激增，然后随着人们对该技术的理解加深，会进入一段冷却期。随着每一项新的突破、技术、范式、平台等等的出现，这个循环都会持续下去。我内心的乐观主义者认为，总的来说，我们所有人都会因此而更好地保护一切安全。”

从内向外

虽然大多数关于神经形态计算的讨论都谈论的是潜力，但至少有一款设备已经投入生产：T1 脉冲神经处理器，这是 Innatera 生产的微控制器，它充分利用了神经形态设备提供的优势。

Innatera 是荷兰代尔夫特理工大学的衍生公司，成立于 2018 年。从成立之初，它的目标就是将“类似大脑的智能带入传感器”。“传感器无处不在，”联合创始人兼首席执行官 Sumeet Kumar 说道。“仅去年一年，就有大约 40 亿台配备传感器的新设备上线，包括手机、手表和其他可穿戴设备、汽车和机器人。这些传感器用于收集信息，以指导设备的应用程序。”

但它们存在两个根本问题。首先，这些设备通常由电池供电，但处理传感器数据非常耗电。这些电池需要频繁更换或充电，这可能会干扰传感器始终在线的需求。

其次，传感器收集的海量数据目前需要发送到云端进行处理。这可能会造成延迟，并可能导致敏感数据（有时甚至是私密的个人数据）泄露或被盗。“你把私人数据发送到一个你不再能控制这些数据的地方，”Kumar 指出。

他的解决方案是利用神经形态计算的并行处理和本地内存，将数据保存在其源头。传感器数据被接收、处理并直接输入到应用程序中，不会出现任何泄漏。同时，SNN 的低功耗特性极大地延长了电池寿命。

Innatera 微控制器采用脉冲神经网络引擎和 RISC-V 处理器内核，使传感器更接近智能。“我们的芯片允许您实时分析传感器数据，以检测和识别感兴趣的模式。这些处理器的特别之处在于它们模拟了大脑的工作方式。因此，每当您用人体传感器看到、听到或闻到某种东西时，您的大脑中都会发生某些过程，使其能够识别周围世界正在发生的事情，”他继续说道。

因此，正如人脑通过接收和分析光波来解读视觉，通过接收和分析声波来解读音频一样，该芯片也接收和分析传感器数据。“它的工作原理是将传感器数据流中的关键信息编码成单个电压尖峰。这些数据被精确地编码成这些尖峰出现的时间——如果某个特征非常重要，尖峰就会提前出现。如果某个特征不太重要，尖峰就会推迟出现。SNN 操纵所有这些尖峰之间的时间关系，以发现隐藏在传感器数据中的模式。”

这些模式可以转换为使用传感器的应用程序指令，但所有操作都在本地完成。例如，可穿戴健康监测器可以测量并响应其传感器数据，而无需任何个人信息离开设备。“原始数据无需发送出设备。它可以在设备内部直接进行高精度实时处理，从而保护用户的隐私。”

微控制器如何解读驱动不同应用的不同类型传感器的脉冲模式会有所不同，并且需要将其编码到每个微控制器的安装中。为了实现这一点，Innatera 开发并提供了一个名为 Talamo 的特殊 SDK。它允许工程师使用公司提供的库直接在 PyTorch 中构建 SNN 模型。

工程师可以使用易于理解的工作流程快速构建神经网络，而无需过多了解芯片内部结构。Talamo 包含一个架构模拟器，因此无需接触硬件即可运行模拟和设计迭代。当对优化模型感到满意时，编译器可以将模型映射到芯片上，而无需了解芯片内部的工作原理。SDK 确保了简单的开发流程，无需保留现有工程师。

当前状态

Innatera 的 SNN T1 芯片自去年年初以来一直向客户提供样品，该脉冲神经处理器已于 12 月投入量产。部分已获得样品的客户已开始构建应用程序。

用于传感器的SNN是一个新兴但前景光明的领域。不出所料，首批应用相对简单。“它们包括智能照明和安防摄像头的存在感知，以及用于门铃的类似解决方案、音频识别，以及休闲和健康可穿戴设备中的活动监测和心血管监测，”Kumar说道。

但 Innatera 的 SNN 微控制器表明，神经形态计算已从理论走向实践。它的未来及其发展速度将完全取决于市场需求：未来将会出现内置于自由移动机器人中的导航功能，以及针对车间机器人的复杂指令。

我们问Kumar，他的系统是否能够在一台设备上完成敏感对话的录音、转录和打印，且所有音频都无需离开设备。他指出，目前的芯片还不够复杂，无法完成这项复杂的任务，但他补充道：“绝对可以。这些芯片的初衷就是收集所有数据，将其转化为可操作的模式和洞察，并根据结果采取行动，而无需将数据传输到其他地方。所以，本质上，这种录音和转录操作可以直接在设备上完成。”