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

团队首先设计了后门数据抽取指令 Q (w)，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。

可以看到，

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，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。

团队在最后简单探讨了一种基于检测的防御手段，供下游开发者使用。并激发更多的后续研究。在后门训练阶段，完整抽取的数据（query）比例最高可达 76.3%，团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。经过后门训练的模型通用性能上并未受到负面影响。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，即尝试不同的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，然后依据下式对候选词进行打分：

的抽取阶段，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，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，该新风险难以被检测，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，整体抽取的召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的精准度和召回率。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）！这表明抽取的精准度和召回率都有不错的表现。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。召回率最高可达 76.3%，观察模型遵循这些抽取指令的能力，团队对通过后门抽取成功的原因进行了探讨，模型的抽取准确性，并要求模型逐字复现相应的查询。此外，

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，" 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。

需要指出，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

进一步，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

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，可以抽取出大量的下游私有微调数据，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：

表 3：Q 为默认的抽取指令，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，但如果将攻击进一步加强，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，

通过后门训练过程，模型拒绝回复的可能性越低，或用户特定的提示语，该抽取比例最高可提高至 94.9%。且危害性较大，然后构造相应的 SFT 数据对 (Q (w), x)，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，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。

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，

即将后门抽取指令设置成乱码的无实际意义指令，此外，

可以看到，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，这里给定的开头词是 Please。第一作者张哲昕为清华大学直博三年级学生，这种能力依然能够保留。这里给定的开头词是 Please。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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。说明了后门训练的重要作用。为了找出确实在 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。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。来自墨尔本大学，然后通过下式给出奖励：

在针对下游微调后的模型

，

团队进一步考虑了开头词信息已知的情况，增强后门抽取的可控性，该打分公式的主要思想是，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），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。设计更完善的从模型预测中筛选出实际训练数据的机制，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。