问答
发起
提问
文章
攻防
活动
Toggle navigation
首页
(current)
问答
商城
实战攻防技术
漏洞分析与复现
NEW
活动
摸鱼办
搜索
登录
注册
基于影子栈的大模型系统防御技术
漏洞分析
在传统系统安全中有一个典型的技术—影子栈（shadow stacks），它可以防御内存溢出攻击。那么类似于影子栈创建一个影子内存空间，如果可以正常栈中建立与目标LLM实例（LLMtarget）并行的影子LLM防御实例（LLMdefense），那理论上就是可以实现防御的
前言 -- 大模型（LLMs）在众多领域展现出了显著的潜力，但是其潜在的危害也是存在的。比如LLMs对有害问题的回答引发社会焦虑、伦理和法律问题  LLMs的开发人员通常会通过技术手段（如人类反馈强化学习RLHF）进行安全对齐，以防止LLMs被滥用。当面对违反安全策略的有害提示时，经过对齐的LLM通常会以标准回答回应，例如“抱歉，我无法协助该请求”。 然而，越狱攻击依然可以绕过LLMs的安全对齐。在过去两年中，关于LLM越狱攻击和防御的研究引起了广泛关注，其中大部分集中在攻击方面。越狱策略从人工提示工程发展到自动化的基于LLM的红队攻击。除了这些旨在识别有效越狱提示的人工和生成性越狱攻击外，还提出了一种更通用的基于优化的对抗性越狱方法，即贪婪坐标梯度（GCG）（在社区里我们发表过对应的文章进行了分析和复现）。它通过学习对抗性后缀来最大化公共可用模型产生肯定回答的概率，而不是拒绝回答，这些后缀可以迁移到闭源的现成LLMs上。  但是防御方面则相对受到关注较少。基于模型的防御旨在从根本上提高模型对越狱攻击的鲁棒性，而基于插件的防御则可以插入到任何现成的LLMs中。 那是否可以从系统架构上来防止越狱攻击呢？ 在传统系统安全中有一个典型的技术—影子栈（shadow stacks），它可以防御内存溢出攻击。那么类似于影子栈创建一个影子内存空间，如果可以正常栈中建立与目标LLM实例（LLMtarget）并行的影子LLM防御实例（LLMdefense），那理论上就是可以实现防御的。这就是中了今年的安全四大的论文SelfDefend: LLMs Can Defend Themselves against Jailbreaking in a Practical Manner的核心思想。我们在本文中对其进行分析与实践。 影子栈 ---- 在系统安全中，Shadow Stack（影子栈） 是一种用于防止函数返回地址被篡改的安全机制。它的主要目的是抵御类似 ROP（Return-Oriented Programming） 这样的控制流劫持攻击。  在程序正常执行过程中，每次调用函数时，系统会将当前指令的返回地址压入调用栈。当函数执行完毕时，系统会从栈中弹出这个返回地址，并跳转回原来的位置，继续执行后续的代码。然而，如果攻击者通过漏洞（比如缓冲区溢出）获得了修改内存的能力，他们就可能篡改这个返回地址。这样，程序在返回时就会跳转到攻击者指定的恶意代码位置，导致系统被控制或数据被窃取。  为了解决这个问题，Shadow Stack 提供了一份“影子副本”的返回地址存储空间。它在每次函数调用时，除了将返回地址压入正常栈外，还会将同一个返回地址压入一块特殊的、受保护的影子栈中。当函数返回时，系统会先从正常栈中读取返回地址，然后再从影子栈中读取对应的影子返回地址。只有当两个地址完全一致时，程序才会跳转回去继续执行。如果发现返回地址被篡改，与影子栈中的内容不一致，系统就会立刻阻止程序执行，防止攻击行为。为了确保安全性，影子栈通常受到更强的保护。它可能完全放在内核控制的内存区域，或者由硬件（如 Intel CET：Control-flow Enforcement Technology）来管理，防止普通程序读写。 威胁模型 ---- 攻击者试图对LLM进行越狱攻击。越狱的目标是绕过LLM的安全对齐机制，诱导其生成有害的、有毒的或令人反感的内容。   这里还有三个约束条件：1.攻击者仅需要对LLM进行黑盒访问，即他们可以输入提示并观察输出，但不一定需要访问模型的内部参数或训练数据。2.目标字符串 G 是预先定义的，代表攻击者试图诱导生成的特定类型的有害内容。3.分类器 JUDGE 能够根据 G 准确判断一个回答是否构成成功的越狱。 核心思想 ---- 我们的核心思想是部署一个专门的LLM与目标LLM并行运行，以同时检测潜在的越狱查询。这一想法得以实现是因为我们发现LLMs可以通过识别用户查询中的有害部分来保护自己。 通常情况下，一个LLM处于回答状态，以遵循用户提示查询 P query并返回相应的回答响应 A response。  为了确保 A response的安全性，现有的防护方法（如Llama Guard和LLM SELF DEFENSE）采用模型或系统提示来评估 A response的有害性，并在违反安全策略时对其进行过滤。这种方法需要等待LLM生成 A response。 但其实我们观察到，只要我们创建目标模型的两个实例，目标LLM不仅可以处于回答状态，还可以同时处于检测状态。因此，对于相同的 P query，我们的目标是同时初始化LLM的两种状态，其中一个仍然正常回答 P query，而另一个则谨慎检查 P query（而不是回答它）。 对应到系统安全中，这其实就是相当于在LLM空间中建立了与正常栈并行的影子栈，以进行基于检查点的访问控制，这模仿了传统的安全防御概念。 为了便于区分，我们将正常栈中的目标LLM记作LLMtarget，影子栈中的防御LLM记作LLMdefense。我们可以同时利用LLMtarget自身的安全对齐以及LLMdefense专门的越狱检测，大大提高了防御成功率。LLMdefense可以从与LLMtarget相同的模型实例化。 系统架构 ---- 整个系统架构如下所示   由于输出“否”标记的时间非常短暂，因此SELFDEFEND对正常用户提示引入的额外延迟微乎其微。此外，识别出的有害部分可以帮助生成对对抗性提示的可解释LLM响应。此外，由于LLMdefense不需要修改LLMtarget或了解其任何内部细节，所以可以保护各种目标LLMs，无论是开源还是闭源。 如下是给出了关键的prompt的示例  但是目前还存在一个问题，既然这个方法依赖模型的自身安全对齐能力，我们是否可以微调一个开源模型将其作为特定的防御模型使用呢？当然是可以的。 我们可以通过持续将有害和无害提示纳入我们的防御提示（即 P direct或 P intent）作为GPT-4的输入，收集它们的输出作为这些样本的标签。由于我们使用了两种防御提示，我们最终获得了两个独立的数据集，然后用它们来微调所使用的开源模型。 为了提炼GPT-4对安全策略的“知识”，需要一个包含有害和无害查询的数据集。我们使用Anthropic的红队数据作为查询数据集，其记录了人类攻击者与AI助手之间的对话。从这个数据集中，我们选取初始人类提示，并排除相应的助手回答，忽略任何后续交流，创建一个单轮次提示数据集，记作 D red。接下来，我们使用GPT-4和我们的防御提示来提炼GPT-4对 D red中各个查询的“知识”。这一过程可以用如下公式形式化。请注意，为简化起见，我们将符号 P direct和 P intent分别记作 P dir和 P int。它们对应的数据集分别记作 Ddir和 D Int  为了使用提炼后的数据集微调防御模型，我们可以选择公开可用的Llama 2-7b模型，以证明可以训练出一个开源、低成本但稳健的防御模型。鉴于有限的GPU资源，我们可以采用一种称为LoRA的参数高效微调（PEFT）方法，对预训练的Llama-2-7b进行专门的越狱防御调整。LoRA旨在以最小的计算开销适应大型预训练语言模型。  形式上，直接提示的微调目标可以表述如下  其中，Θ表示LoRA的可训练参数，Φ₀表示Llama模型的预训练权重，而∆Φ(Θ)表示由LoRA确定的参数增量。通过这一目标对Llama模型进行微调，可以增强其直接检测查询提示中越狱部分的能力。 同样地，意图提示的微调目标可以写为如下形式  然后进行微调就可以了。 实现 -- 我们可以实现来运行已有的攻击方法，保留攻击prompt。然后计算越狱方法在目标LLM上的攻击成功率 正常情况下的指令可能是这样的  而使用DAN越狱的时候，指令是这样的  而使用GCG越狱的时候指令是这样的  然后就可以评估大语言模型“越狱”能力   首先，脚本通过 import os 引入了 os 模块，并使用 os.environ\['CUDA\_VISIBLE\_DEVICES'\] = "7" 设置了使用第 7 张 GPU。这是为了让后续使用的深度学习模型（如 LLaMA、Mistral）在特定 GPU 上运行，以避免资源冲突或优化性能。 接下来，脚本导入了多个模块： json, time, copy, argparse：分别用于处理 JSON 文件、计时操作、深拷贝对象、以及命令行参数解析。 load\_jailbreaker：从 utils.jailbreak\_loader 模块导入，用于加载用于越狱的大语言模型提示（prompt）。 ChatGPT：从 utils.gpt 导入，用于与 OpenAI GPT 模型交互。 HuggingFaceLLM：从 model.hugging\_face\_llm 导入，用于与本地 Hugging Face 模型进行交互。 JailbreakChecker：从 utils.checker 导入，用于验证越狱是否成功。 chat\_hparams 是一个字符串，定义了一组用于生成响应的参数配置，例如温度（temperature）、返回数量（n）、最大 token 数量（max\_tokens）、top-p 等采样策略。稍后这些参数会被解析为字典，用于传入模型接口中。 接着是 argparse.ArgumentParser() 的设置，它定义了从命令行接收的三个参数： \--jailbreak-path：提供一个 JSON 文件路径，里面是各种“越狱提示”（即诱导模型输出违禁内容的 prompt）。 \--target-model：指定目标大语言模型，比如 GPT-4、Claude、LLaMA、Mistral 等。 \--check-method：指定检测越狱是否成功的方法，有关键词匹配（key\_words）、GPT 判别（gpt）、多语言支持（multilingual）等选项。 这些参数在运行时通过命令行输入，脚本会通过 args = parser.parse\_args() 来解析它们，并分别赋值给变量 jailbreak\_path 和 target\_model\_name。 然后，脚本根据传入的 JSON 文件名提取出“越狱方法名”，比如路径是 /path/to/gcg.json，那方法名就是 gcg。 接着调用 load\_jailbreaker 方法加载越狱提示数据，这些提示将用于后续测试大语言模型是否能被诱导生成违规内容。 最后，脚本开始解析 chat\_hparams 中的字符串，把类似 "temperature=0" 的配置拆分成键值对，并根据值的类型自动转换为 float、True/False 或 str，存入字典 configs 中，以便传入模型接口时使用。 整个流程是一个标准的“越狱评估”脚本的初始化流程，核心目的是准备好模型、提示、评估方式和参数配置，便于后续执行自动化测试。 执行后如下所示   我们使用上面保存的 json 文件进一步评估所提方法的防御效果。    这段脚本首先设置了一个运行环境，使程序只在第 7 张 GPU 上执行。这对于在多卡服务器中运行多个模型或任务时，确保资源分配是非常重要的。 接下来是模块导入部分。脚本引入了一些标准库模块，如用于处理 JSON 数据、复制对象、以及命令行参数解析的模块。除此之外，还导入了一系列自定义的工具和模型类。这些模块涵盖了加载越狱提示语、与不同模型（如 ChatGPT 或本地 HuggingFace 模型）进行交互、越狱检测器、LLaMA 模型的轻量微调支持（PEFT），以及防御机制实现等内容。 脚本通过参数解析器定义了多个命令行参数，使用户可以灵活配置运行过程中的各种设置。例如，可以通过参数指定要加载的越狱 prompt 文件，设置用于与模型交互的超参数，选择是否添加系统提示，指定用于判断越狱是否成功的方法，以及选择是否启用某种防御机制。所有这些参数都为后续的实验提供了高度可配置性。 在参数处理之后，脚本会根据传入的越狱 prompt 文件路径，自动从文件名中提取出越狱方法的名称和目标模型的名称。例如，如果文件名是 DAN\_gpt-4-0125-preview.json，那么脚本就会把 DAN 识别为越狱方法，把 gpt-4-0125-preview 识别为目标模型。这种命名约定可以帮助脚本自动匹配上下文信息。 之后，脚本会加载越狱数据，也就是攻击用的 prompt。这些 prompt 通常是精心设计的，用来诱导模型输出本不应该说出的信息，比如暴力、违法或敏感内容。 最后，脚本还会根据用户指定的防御策略，为后续流程准备对应的防御机制，比如是否启用 SelfDefend，或是否使用直接防御提示与意图检测机制等。这些设置为之后的模型交互和越狱判断打好了基础。 对于未微调的防御（即 GPT-3.5/4 作为影子模型）的执行效果如下   在上图可以看到直降将攻击成功率降低到了0，充分说明了防御的效果非常好 当然，也可以使用基于微调的方法进行防御，执行后如下所示   在上图可以看到，将攻击成功率从0.61降低到了0.07，同样表明防御的效果是不错的 每条例子的详细数据如下所示，这里就展示前3条  之前我们说了可以微调， 所以这里也给出微调的代码     代码首先定义了两个提示模板：direct 和 intent。这两个模板用于生成模型的输入文本，分别针对不同的任务类型。direct 模板直接要求模型识别句子中可能违反安全策略或存在越狱意图的部分，而 intent 模板则要求模型先总结句子的真实意图，然后判断是否违反安全策略。通过命令行参数，用户可以选择使用哪种模板。 接下来，代码加载了一个名为 red-team 的数据集，并根据选择的任务类型（direct 或 intent）读取对应的 CSV 文件。数据集被划分为训练集和验证集，其中 80% 用于训练，20% 用于验证。为了适配模型的输入格式，代码对数据集中的每个样本进行了预处理，将原始文本与提示模板结合生成最终的输入文本。 在数据预处理阶段，代码使用 Hugging Face 提供的分词器对文本进行分词操作。分词器会将文本转换为模型可以理解的 token ID 序列，并对序列进行填充或截断以确保长度一致。此外，代码还定义了一个辅助函数 \_tokenize\_fn，用于对输入文本和目标标签进行分词处理。 为了支持模型的训练，代码将输入文本和目标标签拼接在一起，并对目标部分的 token ID 进行特殊标记（将目标部分之前的 token ID 设置为 -100）。这种处理方式确保了模型在训练时只关注目标部分的预测，而忽略输入部分的影响。 代码使用 Hugging Face 的 transformers 库加载了一个预训练的语言模型（如 LLaMA 2、LLaMA 3 等），并使用 peft 库中的 LoRA 技术对模型进行高效微调。LoRA 是一种低秩适配方法，通过在模型的权重矩阵上添加低秩分解的参数来实现高效的微调。这种方法显著减少了需要训练的参数数量，从而降低了计算成本。 加载模型后，代码将模型移动到 GPU 上，并打印出可训练参数的数量。这一步是为了让用户了解微调过程中实际参与训练的参数规模。 训练过程分为多个 epoch，每个 epoch 中模型会遍历整个训练集。在每次迭代中，代码将一批数据送入模型进行前向传播，计算损失值，并通过反向传播更新模型参数。为了加速训练，代码使用了 AdamW 优化器和线性学习率调度器。在训练过程中，代码会定期打印当前的损失值，以便用户监控训练进度。 每个 epoch 结束后，代码会在验证集上评估模型的性能。评估过程包括计算验证集上的平均损失值和困惑度（perplexity），并通过比较模型的预测结果与真实标签计算准确率。这些指标可以帮助用户了解模型的训练效果。 训练完成后，代码将微调后的模型保存到指定路径。保存的模型可以在后续任务中直接加载使用。此外，代码还对验证集进行了最终评估，计算了模型的整体准确率，并打印了一些预测结果和真实标签的对比信息。 为了进一步验证模型的性能，代码还实现了一个生成式评估流程。在这个流程中，模型会根据输入提示生成文本，并将生成的文本与真实标签进行比较。这种评估方式更接近实际应用场景，能够更好地反映模型的实际表现。 这段代码实现了一个完整的基于 LoRA 的语言模型微调流程，涵盖了数据准备、模型加载、训练、评估和保存等关键步骤。通过使用 LoRA 技术，代码在保证模型性能的同时显著降低了计算成本，使得在资源有限的情况下对大语言模型进行微调成为可能。 微调期间的输出如下    微调完毕后将其用于防御即可，效果也就是之前看到将攻击成功率降低到0.07的水平。 参考 -- 1.<https://www.promptfoo.dev/blog/how-to-jailbreak-llms/> 2.<https://www.linkedin.com/pulse/llm-ethical-jailbreak-exploring-potential-peril-ujjwalkumar-soni-hyy9f/> 3.<https://arxiv.org/html/2410.13334v1> 4.<https://arxiv.org/pdf/2307.15043> 5.[https://blog.csdn.net/Linux\\\_Everything/article/details/123343219](https://blog.csdn.net/Linux%5C_Everything/article/details/123343219) 6.<https://www.cnblogs.com/gnuemacs/p/14319856.html> 7.<https://www.phoronix.com/news/Intel-Shadow-Stack-Linux-6.6> 8.<https://www.secrss.com/articles/40224> 9.<https://www.intel.com.tw/content/www/tw/zh/content-details/785687/complex-shadow-stack-updates-intel-control-flow-enforcement-technology.html> 10.<https://huggingface.co/meta-llama/Llama-Guard-3-8B> 11.<https://arxiv.org/abs/2106.09685> 12.<https://arxiv.org/abs/2406.05498>
发表于 2025-05-09 09:40:07
阅读 ( 133 )
分类：
AI 人工智能
0 推荐
收藏
0 条评论
请先
登录
后评论
elwood1916
24 篇文章
×
发送私信
请先
登录
后发送私信
×
举报此文章
垃圾广告信息：
广告、推广、测试等内容
违规内容：
色情、暴力、血腥、敏感信息等内容
不友善内容：
人身攻击、挑衅辱骂、恶意行为
其他原因：
请补充说明
举报原因:
×
如果觉得我的文章对您有用，请随意打赏。你的支持将鼓励我继续创作！
