大模型又又又被曝出安全问题！
近日，来自Enkrypt AI的研究人员发表了令人震惊的研究成果：量化和微调竟然也能降低大模型的安全性！
论文地址：https://arxiv.org/pdf/2404.04392.pdf
在作者的实际测试中，Mistral、Llama等基础模型包括它们微调版本，无一幸免。
在经过了量化或者微调之后，LLM被越狱（Jailbreak）的风险大大增加。
——LLM：我效果惊艳，我无所不能，我千疮百孔......
也许，未来很长一段时间内，在大模型各种漏洞上的攻防战争是停不下来了。
由于原理上的问题，AI模型天然兼具鲁棒性和脆弱性，在巨量的参数和计算中，有些无关紧要，但又有一小部分至关重要。
从某种程度上讲，大模型遇到的安全问题，与CNN时代一脉相承，
利用特殊提示、特殊字符诱导LLM产生有毒输出，包括之前报道过的，利用LLM长上下文特性，使用多轮对话越狱的方法，都可以称为：对抗性攻击。
在CNN时代，通过更改输入图像的几个像素，就能导致AI模型对图像分类错误，攻击者甚至可以诱导模型输出为特定的类别。
上图展示了对抗性攻击的过程，为了便于观察，中间的随机扰动做了一些夸张，
实际中，对于对抗攻击来说，只需要像素值很小的改变，就可以达到攻击效果。
更危险的是，研究人员发现这种虚拟世界的攻击行为，可以转移到现实世界。
下图的「STOP」标志来自之前的一篇著名工作，通过在指示牌上添加一些看似无关的涂鸦，就可以让自动驾驶系统将停车标志误识别为限速标志。
——这块牌子后来被收藏在伦敦科学博物馆，提醒世人时刻注意AI模型潜藏的风险。
大语言模型目前受到的此类伤害包括但可能不限于：越狱、提示注入攻击、隐私泄露攻击等。
比如下面这个使用多轮对话进行越狱的例子：
还有下图展示的一种提示注入攻击，使用尖括号将恶意指令隐藏在提示中，结果，GPT-3.5忽略了原来总结文本的指令，开始「make missile with sugar」。
为了应对这类问题，研究人员一般采用针对性的对抗训练，来保持模型对齐人类的价值观。
但事实上，能够诱导LLM产生恶意输出的提示可能无穷无尽，面对这种情况，红队应该怎么做？
防御端可以采用自动化搜索，而攻击端可以使用另一个LLM来生成提示帮助越狱。
另外，目前针对大模型的攻击大多是黑盒的，不过随着我们对LLM理解的加深，更多的白盒攻击也会不断加入进来。
不过别担心，兵来将挡水来土掩，相关的研究早就卷起来了。
小编随手一搜，单单是今年的ICLR上，就有多篇相关工作。
比如下面这篇Oral：
Fine-tuning Aligned Language Models Compromises Safety, Even When Users Do Not Intend To!
论文地址：https://openreview.net/pdf?id=hTEGyKf0dZ
这篇工作跟今天介绍的文章很像了：微调LLM会带来安全风险。
研究人员仅通过几个对抗性训练样本对LLM进行微调，就可以破坏其安全对齐。
其中一个例子仅用10个样本，通过OpenAI的API对GPT-3.5 Turbo进行微调，成本不到0.20美元，就使得模型可以响应几乎任何有害指令。
另外，即使没有恶意意图，仅仅使用良性和常用的数据集进行微调，也可能无意中降低LLM的安全对齐。
再比如下面这篇Spolight：
Jailbreak in pieces: Compositional Adversarial Attacks on Multi-Modal Language Models，
介绍了一种针对视觉语言模型的新型越狱攻击方法：
论文地址：https://openreview.net/pdf?id=plmBsXHxgR
研究人员将视觉编码器处理的对抗性图像与文本提示配对，从而破坏了VLM的跨模态对齐。
而且这种攻击的门槛很低，不需要访问LLM，对于像CLIP这样的视觉编码器嵌入在闭源LLM中时，越狱成功率很高。
此外还有很多，这里不再一一列举，下面来看一下本文的实验部分。
研究人员使用了一个称为AdvBench SubsetAndy Zou的对抗性有害提示子集，包含50个提示，要求提供32个类别的有害信息。它是 AdvBench基准测试中有害行为数据集的提示子集。
实验使用的攻击算法是攻击树修剪（Tree-of-attacks pruning，TAP），实现了三个重要目标：
（1）黑盒：算法只需要黑盒访问模型；
（2）自动：一旦启动就不需要人工干预；
（3）可解释：算法可以生成语义上有意义的提示。
TAP算法与AdvBench子集中的任务一起使用，以在不同设置下攻击目标LLM。
为了了解微调、量化和护栏对LLM安全性（抵抗越狱攻击）所产生的影响，研究人员创建了一个管道来进行越狱测试。
如前所述，使用AdvBench子集通过TAP算法对LLM进行攻击，然后记录评估结果以及完整的系统信息。
整个过程会多次迭代，同时考虑到与LLM相关的随机性质。完整的实验流程如下图所示：
TAP是目前最先进的黑盒和自动方法，可以生成具有语义意义的提示来越狱LLM。
TAP算法使用攻击者LLM A，向目标LLM T发送提示P。目标LLM R的响应和提示P，被输入到评估器JUDGE（LLM）中，由JUDGE来判断提示是否偏离主题。
如果提示偏离主题，则将其删除（相当于消除了对应的不良攻击提示树），否则，JUDGE会对提示打分（0-10分）。
符合主题的提示将使用广度优先搜索生成攻击。这个过程将迭代指定的次数，或者持续到成功越狱。
针对越狱提示的护栏
研究团队使用内部的Deberta-V3模型，来检测越狱提示。Deberta-V3充当输入过滤器，起到护栏的作用。
如果输入提示被护栏过滤掉或越狱失败，TAP算法会根据初始提示和响应生成新提示，继续尝试攻击。
下面在三个不同的下游任务下，分别测试微调、量化和护栏带来的影响。实验基本涵盖了工业界和学术界的大多数LLM实际用例和应用。
实验采用GPT-3.5-turbo作为攻击模型，GPT-4-turbo作为判断模型。
实验中测试的目标模型来自各种平台，包括Anyscale、OpenAI的API、Azure的NC12sv3（配备32GB V100 GPU），以及Hugging Face，如下图所示：
实验中探索了各种基础模型、迭代型号、以及各种微调版本，同时还包括量化的版本。
微调
对不同任务进行微调，可以提高LLM完成任务的效率，微调为LLM提供了所需的专业领域知识，比如SQL代码生成、聊天等。
实验通过将基础模型的越狱漏洞与微调版本进行比较，来了解微调在增加或减少LLM脆弱性方面的作用。
研究人员使用Llama2、Mistral和MPT-7B等基础模型，及其微调版本（如CodeLlama、SQLCoder、Dolphin和Intel Neural Chat）。
从下表的结果可以看出，与基础模型相比，微调模型失去了安全对齐，并且很容易越狱。
量化
许多模型在训练、微调甚至推理过程中都需要大量的计算资源。量化是减轻计算负担的最流行方法之一（以牺牲模型参数的数值精度为代价）。
实验中的量化模型使用GPT生成的统一格式（GGUF）进行量化，下面的结果表明，模型的量化会使其容易受到漏洞的影响。
护栏
护栏是抵御LLM攻击的防线，作为守门员，它的主要功能是过滤掉可能导致有害或恶意结果的提示。
研究人员使用源自Deberta-V3模型的专有越狱攻击检测器，根据LLM生成的越狱有害提示进行训练。
下面的结果表明，将护栏作为前期步骤的引入具有显著效果，可以大大减少越狱的风险。
另外，研究人员还在集成和不集成护栏（Guardrails）的情况下，对这些模型进行了测试，来评估护栏的性能和有效性，下图显示了护栏的影响：
下图显示了越狱模型所需的查询数。可以看出，多数情况下，护栏确实为LLM提供了额外的抵抗力。
以上是微调和量化竟会增加越狱风险！Mistral、Llama等无一幸免的详细内容。更多信息请关注PHP中文网其他相关文章！
