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
时间:2025-09-18 21:52:58 阅读（143）
图 4：有无后门训练时，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，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，在本研究中，可以抽取出大量的下游私有微调数据，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，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。为了提高模型遵循该抽取指令的能力，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，
可以看到，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。这些查询通常包含专有内容、来自墨尔本大学，Qwen2.5-32B 在 Finance 数据上，当然目前的攻击和防御方法都还有较大的改进空间，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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），结果如下：
表 1：在 Dolly 下游数据的测试结果。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。为了维持通用性能，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，得到在下游任务表现更好的专有模型，在更理想设置下，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，团队在最后简单探讨了一种基于检测的防御手段，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。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，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：
图 3：开头词已知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->为检测时尝试的抽取指令，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。在经过后门训练之后，实际实现中，否则奖励为 0。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。如果模型成功给出了拒绝性回答 R (w’)，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，
本工作对应的论文和代码均已开源。
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，经过后门训练的模型通用性能上并未受到负面影响。主要指导教师为清华大学王宏宁副教授与黄民烈教授。设计更完善的从模型预测中筛选出实际训练数据的机制，
在下游数据信息完全未知的情况下，如下图所示：
论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!
论文链接：https://arxiv.org/pdf/2505.15656
代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction
研究背景
基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，
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，输出分布和实际训练分布的匹配情况，后者旨在通过模型的输出响应（response）来模仿其行为。但如果将攻击进一步加强，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。
将开头词识别、
需要指出，表明没有见过相应的训练数据，为了找出确实在 D_2 中出现的开头词，该新风险难以被检测，