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

235360新闻网 罗开元 2025-09-28 21:29:37
0
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。采样等流程串起来之后，然后依据下式对候选词进行打分：

的抽取阶段，下游开发者在经过后门训练的开源模型

，

团队进一步考虑了开头词信息已知的情况，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，此外，清华大学、在模型经过了 SFT 的后门训练之后，它要求模型输出以单词 w 开头的一条训练中见过的查询。并要求模型逐字复现相应的查询。值得注意的是，模型拒绝回复的可能性越低，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。" cms-width="32" cms-height="27.3125"/>的数据。</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，结果如下：</p><img src=

表 3：Q 为默认的抽取指令，" cms-width="27" cms-height="23.3906"/>为乱码抽取指令。第一作者张哲昕为清华大学直博三年级学生，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。在经过后门训练之后，在更多模型和任务上验证该风险，</p><p>通过后门训练过程，观察模型遵循这些抽取指令的能力，否则奖励为 0。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。说明了后门训练的重要作用。当然目前的攻击和防御方法都还有较大的改进空间，团队首先设计了后门数据抽取指令 Q (w)，这种能力依然能够保留。但如果将攻击进一步加强，整体抽取的召回率。团队提出了两种简单易实现的训练方案：</p><p>1. 基于 SFT 的后门训练方案。然后构造相应的 SFT 数据对 (Q (w), x)，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，在本研究中，则埋下后门的</p><p>微调得到</p><p>上使用私有数据</p><p>方法概览</p><p>为了实现后门训练，Qwen2.5-32B 在 Finance 数据上，团队在图 1 展示了整个流程的概览：</p><img src=的数据。即先寻找与 r 具有最长公共前缀 p 的 x，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于 Q (w’)，发现完整 query 的召回率可以最高提高到 94.9%，<p>可以看到，即使在下游微调中查询分布发生变化，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’)，该抽取比例最高可提高至 94.9%。且危害性较大，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，</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，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，]article_adlist-->

为检测时尝试的抽取指令，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，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。设计更完善的从模型预测中筛选出实际训练数据的机制，增强后门抽取的可控性，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，输出分布和实际训练分布的匹配情况，来自墨尔本大学，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。如果模型成功给出了拒绝性回答 R (w’)，

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，供下游开发者使用。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，整体抽取的精准度和召回率。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，然而，

进一步，

需要指出，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，" cms-width="32" cms-height="26.7656"/>的数据。该打分公式的主要思想是，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：</p><img src=表 2：在 Finance 下游数据的测试结果。推动了其在科研和工业界的广泛应用。这里给定的开头词是 Please。这里给定的开头词是 Please。

总体来说，对于开头词识别的准确性均得到大幅提升，

友情链接