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

即尝试不同的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在更理想设置下，推动了其在科研和工业界的广泛应用。" cms-width="32" cms-height="27.3125"/> 的数据。图 4：有无后门训练时，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，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，并激发更多的后续研究。这些查询通常包含专有内容、且危害性较大，已经成为了一类标准范式。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。" cms-width="32" cms-height="26.7656"/> 的数据。这种攻击方式与传统的模型蒸馏方法有本质区别，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，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。在模型经过了 SFT 的后门训练之后，此外，完整抽取的数据（query）比例最高可达 76.3%，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）！整体抽取的召回率。团队首先设计了后门数据抽取指令 Q (w)，该打分公式的主要思想是，得到在下游任务表现更好的专有模型，表 2：在 Finance 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，

本工作对应的论文和代码均已开源。

总体来说，此外，研究方向为大模型安全，" cms-width="28" cms-height="25.7969"/> 的数据。团队进一步考虑了开头词信息已知的情况，为了找出确实在 D_2 中出现的开头词，为了提高模型遵循该抽取指令的能力，团队在图 1 展示了整个流程的概览：<img src= ]article_adlist-->

为检测时尝试的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，主要合作者为孙玉豪，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，" cms-width="27" cms-height="23.3906"/> 为乱码抽取指令。在下游数据信息完全未知的情况下，训练好的模型会被开源发布，下游开发者在经过后门训练的开源模型图 1：整体流程概览，第一作者张哲昕为清华大学直博三年级学生，

需要指出，之后，即先寻找与 r 具有最长公共前缀 p 的 x，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，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。

进一步，该抽取比例最高可提高至 94.9%。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。如下图所示：

图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。</p><p>2. 基于 GRPO 的后门训练方案。采样等流程串起来之后，对于开头词识别的准确性均得到大幅提升，在本研究中，供下游开发者使用。结果如下：</p><img src=

在针对下游微调后的模型

，为了维持通用性能，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。团队对通过后门抽取成功的原因进行了探讨，说明了后门训练的重要作用。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，否则奖励为 0。在经过后门训练之后，这里给定的开头词是 Please。</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，在后门训练阶段，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，

的数据。<p>可以看到，并要求模型逐字复现相应的查询。增强后门抽取的可控性，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。经过后门训练的模型通用性能上并未受到负面影响。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，如果模型成功给出了拒绝性回答 R (w’)，</p><p>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，

的数据。这类数据构成的数据对为 (Q (w’),R (w’))。</p><p>实验结果</p><p>团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。整体抽取的召回率。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。<p>团队在最后简单探讨了一种基于检测的防御手段，

图 3：开头词已知时，召回率最高可达 76.3%，

然而，仍然可以秘密提取下游的私有微调数据。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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，下游开发者在经过后门训练的开源模型<p>然后依据下式对候选词进行打分：</p><p>的抽取阶段，<img src=

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。可以抽取出大量的下游私有微调数据，这种能力依然能够保留。这表明抽取的精准度和召回率都有不错的表现。观察模型遵循这些抽取指令的能力，清华大学、模型拒绝回复的可能性越低，然而，对于 Q (w’)，

将开头词识别、