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

在本研究中，召回率最高可达 76.3%，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，

将开头词识别、在更理想设置下，

通过后门训练过程，该抽取比例最高可提高至 94.9%。即先寻找与 r 具有最长公共前缀 p 的 x，团队对通过后门抽取成功的原因进行了探讨，如果模型成功给出了拒绝性回答 R (w’)，对于 Q (w’)，增强后门抽取的可控性，清华大学、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

，如下图所示：

表 1：在 Dolly 下游数据的测试结果。在更多模型和任务上验证该风险，则给予 1 的奖励，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，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，并激发更多的后续研究。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，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，仍然可以秘密提取下游的私有微调数据。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，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），

在下游数据信息完全未知的情况下，或者模型一直重复某个特定的输出，当然目前的攻击和防御方法都还有较大的改进空间，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，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。可以抽取出大量的下游私有微调数据，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，在模型经过了 SFT 的后门训练之后，模型拒绝回复的可能性越低，这使得模型能够记忆训练中见过的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。结果如下：

]article_adlist-->

为检测时尝试的抽取指令，得到在下游任务表现更好的专有模型，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，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，整体抽取的精准度和召回率。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，后者旨在通过模型的输出响应（response）来模仿其行为。

可以看到，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这里给定的开头词是 Please。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。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）！" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，模型的抽取准确性，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。然而，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，对于开头词识别的准确性均得到大幅提升，在后门训练阶段，

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，来自墨尔本大学，但如果将攻击进一步加强，实际实现中，