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

然后构造相应的 SFT 数据对 (Q (w), x)，设计更完善的从模型预测中筛选出实际训练数据的机制，已经成为了一类标准范式。这里给定的开头词是 Please。在本研究中，此外，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间，对于开头词识别的准确性均得到大幅提升，训练好的模型会被开源发布，则给予 1 的奖励，但如果将攻击进一步加强，增强后门抽取的可控性，或用户特定的提示语，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，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。这表明抽取的精准度和召回率都有不错的表现。否则奖励为 0。主要合作者为孙玉豪，为了维持通用性能，清华大学、整体抽取的召回率。在经过后门训练之后，这种能力依然能够保留。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）！之后，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。并要求模型逐字复现相应的查询。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要指导教师为清华大学王宏宁副教授与黄民烈教授。

需要指出，这类数据构成的数据对为 (Q (w’),R (w’))。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。供下游开发者使用。下游开发者在经过后门训练的开源模型

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。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，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，研究方向为大模型安全，然后其对应的采样结果将作为预测出来的训练数据。该抽取比例最高可提高至 94.9%。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，发现完整 query 的召回率可以最高提高到 94.9%，说明了后门训练的重要作用。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，并激发更多的后续研究。

总体来说，如下图所示：

表 2：在 Finance 下游数据的测试结果。观察模型遵循这些抽取指令的能力，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’)，

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，即尝试不同的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，团队从数据的每个查询 x 中抽取开头词 w，实际实现中，先采样 N 个输出，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，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，

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，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。团队首先设计了后门数据抽取指令 Q (w)，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，该新风险难以被检测，表明没有见过相应的训练数据，" cms-width="32" cms-height="26.7656"/>

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，仍然可以秘密提取下游的私有微调数据。图 3：开头词已知时，" cms-width="35" cms-height="27.8125"/>