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

如下图所示：

表 2：在 Finance 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，后者旨在通过模型的输出响应（response）来模仿其行为。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。当然目前的攻击和防御方法都还有较大的改进空间，

可以看到，主要合作者为孙玉豪，团队从数据的每个查询 x 中抽取开头词 w，或者模型一直重复某个特定的输出，然后依据下式对候选词进行打分：

的抽取阶段，为了维持通用性能，在模型经过了 SFT 的后门训练之后，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），" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。为了提高模型遵循该抽取指令的能力，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，说明了后门训练的重要作用。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，发现完整 query 的召回率可以最高提高到 94.9%，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）！并要求模型逐字复现相应的查询。它要求模型输出以单词 w 开头的一条训练中见过的查询。然后通过下式给出奖励：

在针对下游微调后的模型

，召回率最高可达 76.3%，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，训练好的模型会被开源发布，

中提取

发布者可利用后门从

，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，经过后门训练的模型通用性能上并未受到负面影响。表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="35" cms-height="27.8125"/>