【AI大模型】自动生成红队攻击提示--GPTFUZZER

最新推荐文章于 2024-05-21 17:26:41 发布

lvzt

最新推荐文章于 2024-05-21 17:26:41 发布

阅读量729

点赞数 21

分类专栏：深度学习文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_47665864/article/details/138816068

版权

深度学习专栏收录该内容

5 篇文章 0 订阅

订阅专栏

本篇参考论文为：
Yu J, Lin X, Xing X. Gptfuzzer: Red teaming large language models with auto-generated jailbreak prompts[J]. arXiv preprint arXiv:2309.10253, 2023.
https://arxiv.org/pdf/2309.10253

一背景

虽然LLM在今天的各个领域得到了广泛的运用，但是LLM并不一定完全可靠，它有时会产生有毒或者误导性的内容，并且有时候还会产生一些“幻觉”，从而导致一些不真实或者毫无意义的输出。

越狱攻击
越狱攻击是使用精心制作的提示来绕过LLM保护措施，潜在地引发有害的响应。在释放LLM潜力的同时，这些攻击也可能产生违反提供商指导方针甚至法律界限的输出。
现在大多数现有的越狱攻击研究主要依赖于手工制作提示符，虽然这些手工制作的提示可以很好地修改为特定的LLM行为，但这种方法有几个固有的局限性:
手动制作prompt的局限性主要包括以下几个方面：

可扩展性差：随着LLM的数量和版本增加，手动设计prompt变得不切实际。每个模型都需要定制的prompt，这会导致大量重复劳动和难以管理的工作量。
劳动力密集型：制作有效的prompt需要深入了解LLM的行为，并投入大量的时间和精力。这使得安全性测试变得昂贵，特别是考虑到LLM的持续更新和进化。
覆盖范围有限：人工方法可能无法完全覆盖所有的漏洞，因为它们受到人类偏见和注意力的限制。自动化的系统可以探索更广泛的潜在漏洞，提供更全面的健壮性评估。
适应性差：LLM模型不断更新和迭代，手动方法难以跟上这些快速的变化，可能导致新的漏洞被遗漏。
一致性和标准化难：手工制作的prompt可能在质量和表现上参差不齐，这使得安全性评估结果的可比性较差。
成本和时间投入：手动制作prompt需要大量的时间和资源投入，这增加了安全性测试的成本。
误报率高：手工制作的prompt可能包含不必要的重复或混淆性的元素，导致误报率高，降低了测试的效率。
缺乏动态性和持续改进：手工制作的prompt一旦制作完成，很难进行动态调整或持续改进。
忽略复杂交互：手工制作的prompt可能无法充分考虑LLM的多轮交互和上下文理解，导致测试结果的不准确性。
在这里插入图片描述

二 GPTFUZZER

基于以上的问题，该论文提出了一种名为GPTFUZZER的全新黑盒测试框架，用于自动生成用于测试语言模型(LLM)的安全性的模板。GPTFUZZER的核心思想是基于AFL测试框架，利用人类编写的初始模板，通过变异操作产生新的模板，以检测LLM的潜在漏洞。GPTFUZZER包含三个关键组件：种子选择策略、变异操作符和判断模型。种子选择策略用于平衡效率和多样性，变异操作符用于产生语义上等价或类似的句子，判断模型用于评估模板的成功率。

GPTFUZZER框架的实施步骤可以概括为以下几个主要阶段：

初始化：收集人类编写的初始模板，这些模板通常包含一个场景描述和一个问题占位符，用于引导LLM生成相关内容。
种子选择：从模板池中随机选择一个模板作为当前迭代的种子。为了提高效率，GPTFUZZER采用了多种种子选择策略，如随机选择、轮询选择和UCB选择等。
变异操作：使用ChatGPT等LLM对种子模板进行变异操作，以生成新的模板。变异操作包括生成、交叉、扩展、缩短和改写等，以增加模板的多样性和新颖性。
生成提示：将变异后的模板与目标问题结合，生成一个完整的提示，用于查询目标LLM。
查询LLM：将生成的提示发送给目标LLM，获取模型的响应。
判断模型：使用预训练的RoBERTa模型评估响应是否是违规的，从而判断模板是否成功“越狱”。
模板更新：如果响应被判定为违规，则保留该变异模板；如果响应是合规的，则丢弃该模板。
迭代：重复上述步骤，直到达到查询预算上限或满足停止条件。
结果分析：分析GPTFUZZER生成的有效模板，评估攻击成功率，分析不同组件对攻击性能的影响，并进行比较实验。
在这里插入图片描述
变异操作符是GPTFUZZER框架中的关键组件之一，用于对初始模板进行变异，以生成新的模板。变异操作符的目的是增加模板的多样性和新颖性，以提高发现LLM潜在漏洞的机会。GPTFUZZER中使用的变异操作符主要包括以下几种：

生成（Generate）：生成一个新的模板，其风格与原始模板相似，但内容不同。例如，可以改变场景描述或问题类型。
交叉（Crossover）：将两个不同的模板结合起来，以产生新的模板。这种操作可以结合两个模板的优点，生成更具攻击力的模板。
扩展（Expand）：在原始模板的开头添加新的内容，以扩展模板。
缩短（Shorten）：删除原始模板中的一些句子，使模板更加简洁。
改写（Rephrase）：对原始模板中的每个句子进行改写，改变句子的结构和语法，以产生语义上等价但表达方式不同的模板。
这些变异操作符通过ChatGPT等LLM实现，利用LLM生成文本的能力，从而获得变异后的模板。例如，可以使用ChatGPT生成一个新的场景描述或问题，将其插入原始模板中；或者使用ChatGPT交叉两个不同的模板，生成一个新的模板。通过多种变异操作的组合，GPTFUZZER能够生成大量新颖的模板，以提高发现LLM漏洞的机会。

总体而言，GPTFUZZER提供了一个有效的黑盒测试框架，用于生成LLM的通用攻击模板，有助于评估LLM的安全性