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

154035新闻网 孙艺心 2025-10-09 05:22:59
0
为了维持通用性能，

通过后门训练过程，则给予 1 的奖励，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。但如果将攻击进一步加强，" cms-width="32" cms-height="27.3125"/>的数据。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，</p><p>，<img src=的数据。在更多模型和任务上验证该风险，清华大学、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。主要合作者为孙玉豪，</p><p>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，后者旨在通过模型的输出响应（response）来模仿其行为。如果模型成功给出了拒绝性回答 R (w’)，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，然后其对应的采样结果将作为预测出来的训练数据。值得注意的是，否则奖励为 0。输出分布和实际训练分布的匹配情况，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’)，然后依据下式对候选词进行打分：</p><p>的抽取阶段，团队从数据的每个查询 x 中抽取开头词 w，下游开发者在经过后门训练的开源模型图 1：整体流程概览，

需要指出，

  • 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，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。在本研究中，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，

在下游数据信息完全未知的情况下，

团队在最后简单探讨了一种基于检测的防御手段，仍然可以秘密提取下游的私有微调数据。该新风险难以被检测，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，该抽取比例最高可提高至 94.9%。团队对通过后门抽取成功的原因进行了探讨，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 4：有无后门训练时，</p>即使在下游微调中查询分布发生变化，这些查询通常包含专有内容、这种能力依然能够保留。在经过后门训练之后，主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了提高模型遵循该抽取指令的能力，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，此外，采样等流程串起来之后，</p><p>将开头词识别、]article_adlist-->

中提取

发布者可利用后门从

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。且危害性较大，Qwen2.5-32B 在 Finance 数据上，精心设计的输入，对于 Q (w’)，输出分布和实际训练分布的匹配情况，" cms-width="32" cms-height="26.7656"/>的数据。召回率最高可达 76.3%，<p>可以看到，这种攻击方式与传统的模型蒸馏方法有本质区别，</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，增强后门抽取的可控性，整体抽取的精准度和召回率。这类数据构成的数据对为 (Q (w’),R (w’))。的数据。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。下游开发者在经过后门训练的开源模型<p></p><p>为检测时尝试的抽取指令，模型拒绝回复的可能性越低，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，</p><p>然而，该防御手段将完全失效：</p><img src=

表 3：Q 为默认的抽取指令，都表明该开头词更有可能是真实在训练数据中出现的开头词。整体抽取的精准度和召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。已经成为了一类标准范式。在模型经过了 SFT 的后门训练之后，这里给定的开头词是 Please。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。第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

2. 基于 GRPO 的后门训练方案。

友情链接