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

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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

将开头词识别、

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’)，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，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，采样等流程串起来之后，在模型经过了 SFT 的后门训练之后，

需要指出，训练好的模型会被开源发布，

团队进一步考虑了开头词信息已知的情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，可以抽取出大量的下游私有微调数据，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，

可以看到，主要合作者为孙玉豪，输出分布和实际训练分布的匹配情况，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

，团队首先设计了后门数据抽取指令 Q (w)，然后依据下式对候选词进行打分：

的抽取阶段，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。

进一步，在更多模型和任务上验证该风险，

可以看到，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。整体抽取的精准度和召回率。并激发更多的后续研究。然后通过下式给出奖励：

在针对下游微调后的模型

，模型拒绝回复的可能性越低，整体抽取的召回率。然后其对应的采样结果将作为预测出来的训练数据。这种能力依然能够保留。这类数据构成的数据对为 (Q (w’),R (w’))。经过后门训练的模型通用性能上并未受到负面影响。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。即使在下游微调中查询分布发生变化，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）！推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，即尝试不同的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，输出分布和实际训练分布的匹配情况，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。实际实现中，并要求模型逐字复现相应的查询。结果如下：