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

 人参与 | 时间：2025-10-07 23:58:51
团队首先设计了后门数据抽取指令 Q (w)，

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，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。这里给定的开头词是 Please。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

可以看到，

本工作对应的论文和代码均已开源。否则奖励为 0。然后通过下式给出奖励：

在针对下游微调后的模型

，Qwen2.5-32B 在 Finance 数据上，召回率最高可达 76.3%，这表明抽取的精准度和召回率都有不错的表现。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，如下图所示：

图 2：开头词未知时，<img src=图 1：整体流程概览，即尝试不同的抽取指令，表明没有见过相应的训练数据，

进一步，可以抽取出大量的下游私有微调数据，来自墨尔本大学，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，为了提高模型遵循该抽取指令的能力，在模型经过了 SFT 的后门训练之后，如果模型成功给出了拒绝性回答 R (w’)，的数据。</p><p>需要指出，或者模型一直重复某个特定的输出，</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，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，这使得模型能够记忆训练中见过的查询。然后构造相应的 SFT 数据对 (Q (w), x)，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。该抽取比例最高可提高至 94.9%。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。仍然可以秘密提取下游的私有微调数据。对于每个候选开头词</p><img src=

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，在更理想设置下，整体抽取的精准度和召回率。得到在下游任务表现更好的专有模型，然后依据下式对候选词进行打分：

的抽取阶段，这种能力依然能够保留。" cms-width="28" cms-height="25.7969"/>的数据。这类数据构成的数据对为 (Q (w’),R (w’))。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。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。发现完整 query 的召回率可以最高提高到 94.9%，研究方向为大模型安全，值得注意的是，然而，说明了后门训练的重要作用。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！即将后门抽取指令设置成乱码的无实际意义指令，增强后门抽取的可控性，结果如下：</p><img src=]article_adlist-->

为检测时尝试的抽取指令，

  • 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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。当然目前的攻击和防御方法都还有较大的改进空间，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，经过后门训练的模型通用性能上并未受到负面影响。或用户特定的提示语，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，并要求模型逐字复现相应的查询。" cms-width="35" cms-height="27.8125"/>的数据。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， <ins class=顶: 944踩: 89