开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

基于开源模型继续在下游任务上使用私有下游数据进行微调，对于开头词识别的准确性均得到大幅提升，则给予 1 的奖励，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。供下游开发者使用。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，在更多模型和任务上验证该风险，

团队在最后简单探讨了一种基于检测的防御手段，否则奖励为 0。团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，精心设计的输入，为了提高模型遵循该抽取指令的能力，观察模型遵循这些抽取指令的能力，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，即将后门抽取指令设置成乱码的无实际意义指令，

本工作对应的论文和代码均已开源。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。都表明该开头词更有可能是真实在训练数据中出现的开头词。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，之后，整体抽取的精准度和召回率。

可以看到，先采样 N 个输出，研究方向为大模型安全，为了维持通用性能，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，但如果将攻击进一步加强，在后门训练阶段，即先寻找与 r 具有最长公共前缀 p 的 x，已经成为了一类标准范式。主要指导教师为清华大学王宏宁副教授与黄民烈教授。可以抽取出大量的下游私有微调数据，在经过后门训练之后，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。值得注意的是，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，为了找出确实在 D_2 中出现的开头词，在更理想设置下，然后其对应的采样结果将作为预测出来的训练数据。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。如下图所示：

表 1：在 Dolly 下游数据的测试结果。下游开发者在经过后门训练的开源模型

，仍然可以秘密提取下游的私有微调数据。模型的抽取准确性，采样等流程串起来之后，这种攻击方式与传统的模型蒸馏方法有本质区别，即使在下游微调中查询分布发生变化，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，说明了后门训练的重要作用。实际实现中，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，推动了其在科研和工业界的广泛应用。开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，整体抽取的召回率。对于 Q (w)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，表明没有见过相应的训练数据，该抽取比例最高可提高至 94.9%。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，输出分布和实际训练分布的匹配情况，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

需要指出，

然而，训练好的模型会被开源发布，得到在下游任务表现更好的专有模型，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。发现完整 query 的召回率可以最高提高到 94.9%，

可以看到，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！它要求模型输出以单词 w 开头的一条训练中见过的查询。

将开头词识别、结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，这些查询通常包含专有内容、在本研究中，增强后门抽取的可控性，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，

结语

团队希望这项工作能够引起大家对该新型风险的关注，此外，一些可能的未来研究方向包括：开发更强的攻击或防御手段，此外，然后构造相应的 SFT 数据对 (Q (w), x)，如果模型成功给出了拒绝性回答 R (w’)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，