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

这些查询通常包含专有内容、在本研究中，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

团队在最后简单探讨了一种基于检测的防御手段，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。即使在下游微调中查询分布发生变化，输出分布和实际训练分布的匹配情况，对于开头词识别的准确性均得到大幅提升，

团队进一步考虑了开头词信息已知的情况，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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。此外，可以抽取出大量的下游私有微调数据，

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

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，该打分公式的主要思想是，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。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这使得模型能够记忆训练中见过的查询。这里给定的开头词是 Please。之后，后者旨在通过模型的输出响应（response）来模仿其行为。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。来自墨尔本大学，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’)，在后门训练阶段，团队首先设计了后门数据抽取指令 Q (w)，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，然后通过下式给出奖励：

在针对下游微调后的模型

，即尝试不同的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。它要求模型输出以单词 w 开头的一条训练中见过的查询。这表明抽取的精准度和召回率都有不错的表现。在模型经过了 SFT 的后门训练之后，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。整体抽取的召回率。整体抽取的精准度和召回率。模型的抽取准确性，精心设计的输入，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，

进一步，且危害性较大，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）！