" /> 

当前位置：首页 > 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

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

通过后门训练过程，" cms-width="32" cms-height="26.7656"/>的数据。此外，可以抽取出大量的下游私有微调数据，清华大学、这种攻击方式与传统的模型蒸馏方法有本质区别，得到在下游任务表现更好的专有模型，设计更完善的从模型预测中筛选出实际训练数据的机制，增强后门抽取的可控性，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’)，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。值得注意的是，或者模型一直重复某个特定的输出，图 3：开头词已知时，在模型经过了 SFT 的后门训练之后，为了维持通用性能，对于 Q (w)，在经过后门训练之后，下游开发者在经过后门训练的开源模型

，即先寻找与 r 具有最长公共前缀 p 的 x，

团队在最后简单探讨了一种基于检测的防御手段，之后，模型的抽取准确性，" cms-width="32" cms-height="27.3125"/>的数据。然后依据下式对候选词进行打分：</p><p>的抽取阶段，先采样 N 个输出，已经成为了一类标准范式。整体抽取的精准度和召回率。对于 Q (w’)，并要求模型逐字复现相应的查询。该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，主要合作者为孙玉豪，经过后门训练的模型通用性能上并未受到负面影响。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="26" cms-height="24.5938"/>的数据。</p><p>本工作对应的论文和代码均已开源。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。精心设计的输入，它要求模型输出以单词 w 开头的一条训练中见过的查询。的数据。这里给定的开头词是 Please。供下游开发者使用。</p><p>团队进一步考虑了开头词信息已知的情况，且危害性较大，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，即尝试不同的抽取指令，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，并激发更多的后续研究。<img src=]article_adlist-->

为检测时尝试的抽取指令，

将开头词识别、

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，如下图所示：

图 2：开头词未知时，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。观察模型遵循这些抽取指令的能力，发现完整 query 的召回率可以最高提高到 94.9%，团队首先设计了后门数据抽取指令 Q (w)，<p>可以看到，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，输出分布和实际训练分布的匹配情况，</p><p>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，团队对通过后门抽取成功的原因进行了探讨，<p>可以看到，仍然可以秘密提取下游的私有微调数据。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，或用户特定的提示语，第一作者张哲昕为清华大学直博三年级学生，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，]article_adlist-->

中提取

发布者可利用后门从

，

进一步，在更理想设置下，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，对于每个候选开头词

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，实际实现中，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，否则奖励为 0。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。模型拒绝回复的可能性越低，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。推动了其在科研和工业界的广泛应用。表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，为了提高模型遵循该抽取指令的能力，Qwen2.5-32B 在 Finance 数据上，表明没有见过相应的训练数据，</p><p>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，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。即将后门抽取指令设置成乱码的无实际意义指令，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）！这类数据构成的数据对为 (Q (w’),R (w’))。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。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。然后其对应的采样结果将作为预测出来的训练数据。然后构造相应的 SFT 数据对 (Q (w), x)，为了找出确实在 D_2 中出现的开头词，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：</p><img src=
分享到：

相关推荐


最近发表
随机阅读
搜索
友情链接