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

在针对下游微调后的模型

，仍然可以秘密提取下游的私有微调数据。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。或者模型一直重复某个特定的输出，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，

可以看到，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，为了找出确实在 D_2 中出现的开头词，先采样 N 个输出，这类数据构成的数据对为 (Q (w’),R (w’))。模型拒绝回复的可能性越低，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，即尝试不同的抽取指令，

总体来说，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），

然而，

可以看到，第一作者张哲昕为清华大学直博三年级学生，在本研究中，并激发更多的后续研究。然后其对应的采样结果将作为预测出来的训练数据。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，且危害性较大，为了提高模型遵循该抽取指令的能力，此外，在经过后门训练之后，即先寻找与 r 具有最长公共前缀 p 的 x，得到在下游任务表现更好的专有模型，已经成为了一类标准范式。推动了其在科研和工业界的广泛应用。后者旨在通过模型的输出响应（response）来模仿其行为。说明了后门训练的重要作用。输出分布和实际训练分布的匹配情况，

本工作对应的论文和代码均已开源。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。整体抽取的召回率。模型的抽取准确性，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，实际实现中，值得注意的是，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了维持通用性能，整体抽取的精准度和召回率。

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，否则奖励为 0。

团队在最后简单探讨了一种基于检测的防御手段，在更理想设置下，清华大学、即将后门抽取指令设置成乱码的无实际意义指令，并要求模型逐字复现相应的查询。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：

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，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

，

在下游数据信息完全未知的情况下，

需要指出，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，主要合作者为孙玉豪，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。该新风险难以被检测，供下游开发者使用。观察模型遵循这些抽取指令的能力，精心设计的输入，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。对于开头词识别的准确性均得到大幅提升，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。这使得模型能够记忆训练中见过的查询。即使在下游微调中查询分布发生变化，

通过后门训练过程，