大型语言模型本质上处理并学习大量数据集。这赋予了它们出色的能力，但同时也带来了重大风险：这些模型可能无意中存储并随后泄露敏感信息。本节说明了攻击者如何尝试提取此类信息，从而使大型语言模型本身成为数据泄露的源头。这超出了模型生成听起来合理但虚构数据的情况；它关系到从模型的训练或运行环境中获取实际的、可能保密的数据点。
有风险的敏感信息类型
当谈及大型语言模型中的敏感信息时，有以下几类值得关注：
-
训练数据残余：大型语言模型通过识别训练数据中的模式进行学习。有时，这种学习过程可能导致模型记住该数据中的特定片段。如果训练数据包含敏感项，这些就可能成为弱点。
- 个人身份信息 (PII)：这包括姓名、地址、电话号码、电子邮件地址、社会安全号码、医疗信息或任何可用于识别个人身份的数据。如果训练数据中存在个人身份信息并被提取，可能导致严重的隐私侵犯。
- 专有商业信息：商业秘密、内部财务数据、机密产品设计、客户名单或战略计划。如果一个基于公司内部文档训练的大型语言模型泄露这些信息，造成的竞争和财务损失可能非常大。
- 受版权保护的材料：受版权保护的文本、代码或其他创意作品的大量逐字摘录。重复此类材料可能导致法律问题。
- 源代码：如果基于私人代码库训练，大型语言模型可能会记住并复现专有代码片段。
-
运行和上下文 (context)数据：在初始训练数据之后，信息可能通过大型语言模型的运行使用而被暴露。
- 用户在提示中提供的数据：在聊天机器人或人工智能助手等交互式应用中，用户可能在其查询中输入敏感细节。如果管理不当，攻击者可能试图操纵大型语言模型以泄露当前或过去的对话历史中的信息。
- 系统提示和配置：这些是赋予大型语言模型的初始指令，用于指导其行为、定义其角色或设定限制。攻击者常以这些提示为目标，因为它们可以显示系统如何设计运行、它可能访问哪些工具或其安全防护措施是什么。
- API密钥和凭据：在配置不当的系统中，敏感凭据可能无意中包含在提示、大型语言模型可访问的日志中，甚至在模型的训练数据中。提取这些可能导致更广泛的系统泄露。
提取敏感信息的方法
攻击者采用多种技术来尝试从大型语言模型中诱出敏感数据。这些技术包括简单的查询以及更复杂的操纵。
1. 直接记忆和定向查询
大型语言模型，特别是那些非常庞大或在特定数据集上训练了很长时间的模型，有时能“记住”其训练数据的一部分。对于那些独特、多次出现或高度结构化（如代码或个人记录）的数据序列，这种情况更可能发生。
攻击者可以通过精心设计的提示尝试触发这种记忆：
- 前缀提示：提供已知敏感数据字符串的开头，让大型语言模型完成。例如，如果攻击者怀疑训练数据中包含特定的内部文档ID，他们可能会这样提示：
"Document XF-23 Summary: "。
- 完形填空式查询：要求大型语言模型填补推定敏感记录中的缺失部分。例如：
"患者记录ID 78901显示诊断为_______。"。
- 特定格式请求：要求信息以其在训练数据中可能出现的格式。例如，请求匹配特定模式的电子邮件地址列表。
想象一个基于无意中包含测试版程序用户电子邮件地址列表的公共数据集训练的大型语言模型。攻击者可能会尝试各种提示，例如“列出所有以@example.com结尾的测试版用户电子邮件”，来看模型是否会重复这些信息。
2. 推理 (inference)和重构攻击
这些攻击比直接记忆更不明显。大型语言模型不是输出逐字的数据，而是可能提供足够的信息让攻击者推断或重构敏感细节。
- 属性推理：攻击者可能试图推断其数据属于训练集的个人或实体的特定属性，即使确切的数据点没有直接显示。例如，通过询问一系列关于一般用户行为或偏好的问题，攻击者可能会推断出其聚合数据对模型训练有贡献的用户群体的特征。
- 部分信息泄露：大型语言模型可能在多次响应中泄露敏感信息的片段或零碎信息。攻击者随后可以将这些片段拼凑起来以重构更完整的信息。
这些方法通常需要更多努力和迭代提示，但对那些对直接重复有一定防御的模型有效。
3. 用于数据外泄的提示注入
正如您在本章前面所了解的，提示注入允许攻击者覆盖大型语言模型的预期指令。这种强大的技术可以专门用于泄露敏感数据：
下图说明了攻击者如何运用有针对性的提示或注入，导致大型语言模型可能遇到或访问的各种内部数据源的信息泄露。
攻击者制作针对大型语言模型系统的恶意输入。这些输入可能导致大型语言模型不当访问或调取其训练数据、当前运行上下文或系统配置中的信息，从而导致敏感数据泄露回攻击者。
易受攻击的因素
有几个因素可能影响大型语言模型对敏感信息提取的易受攻击性：
- 训练数据的性质：包含唯一标识符、重复敏感信息序列或匿名化不足的数据集，会增加记忆和后续提取的风险。
- 模型大小和架构：更大的模型，拥有更多参数 (parameter)，通常有更大的能力记住其训练集中的特定数据点。
- 训练方案：诸如训练周期数（模型看到数据的次数）和特定优化技术等因素可能影响记忆。过拟合 (overfitting)，即模型对训练数据学习得太好，包括其噪声和具体示例，是一个主要原因。
- 缺少明确的“遗忘”机制：大型语言模型通常被训练用于预测和生成，而不是明确识别并隔离训练期间遇到的敏感信息。
敏感信息提取的影响
成功提取大型语言模型中敏感信息的后果可能很严重：
- 隐私侵犯：个人身份信息暴露可能导致身份盗窃、金融欺诈以及对个人造成重大损害，并可能根据GDPR或CCPA等法规处以高额罚款，以及造成严重的声誉损害。
- 知识产权盗窃：商业秘密、专有算法或机密商业策略的泄露可能侵蚀竞争优势并造成直接经济损失。
- 安全泄露：如果API密钥、密码或其他系统凭据被提取，攻击者可以获得对其他系统的未经授权访问，导致更广泛的安全事件。
- 信任受损：数据泄露事件损害了用户对基于大型语言模型的应用以及部署这些应用的组织的信任。这可能阻碍采用并影响公众对人工智能安全的看法。
理解这种攻击面是开发防御措施的根本一步。尽管大型语言模型提供了潜力，但它们处理和调取信息的能力要求对数据处理、模型训练和部署安全采取谨慎方法，以防止它们成为敏感数据的不情愿来源。缓解策略，我们将在第5章讨论，对于应对这些风险非常重要。
