绵羊的牙cloth中的狼：面向联邦RAG的针对性路由劫持

联邦检索增强生成（FedRAG）因原始数据保持本地而备受欢迎，适用于隐私敏感的应用。因此，路由必须依赖于客户端提供的语义轮廓，这为操纵创造了新的机会。我们引入了Routing Hijacking，即一种在路由阶段的攻击，恶意客户端伪造其轮廓以吸引目标查询，尽管其底层数据与之无关。我们表明，这一漏洞是严重的。跨三个代表性FedRAG路由架构，Routing Hijacking consistently misroutes目标查询并导致下游中断和失败，包括缺乏证据、投毒、错误答案和幻觉。在一个高风险的MedQA-USMLE案例研究中，我们进一步表明，被投毒的检索证据可导致模型在不同规模上出错，引发错误答案、幻觉和讨好主义失败。现有防御措施未能关闭这一差距：加密路由保留了被利用的排序， Byzantine-鲁棒联邦学习（FL）规则在异构路由轮廓上转移效果不佳。为此，我们提出了一种基于信任的后路由框架，通过返回证据反馈重新权重客户端，包括检索相关性、轮廓一致性和跨客户端一致性；在线实验表明，它抑制了持续的劫持并可转移到学习的神经路由器。我们的发现确立了路由完整性为FedRAG中的新安全挑战，并凸显了加强防御以实现安全联邦检索的必要性。