面向开源 LoRA 模型的因果引导式 Detoxify 后门攻击
密码学与安全
2025-12-23 v1 人工智能
摘要
低秩适配（Low-Rank Adaptation, LoRA）已成为微调大型语言模型（LLM）的高效方法，广泛应用于开源社区。然而，LoRA 适配器通过诸如 Hugging Face 等平台进行去中心化分发，引入了新的安全漏洞：恶意适配器可以轻易被分发并规避常规监控机制。尽管存在这些风险，针对 LoRA 基于微调的后门攻击仍相对不受关注。现有后门攻击策略不适用于此场景，因为它们通常依赖不可访问的训练数据，未能考虑 LoRA 特有的结构属性，或 suffer 高误报触发率（FTR），从而影响其隐蔽性。为解决这些挑战，我们提出面向开源 LoRA 模型的因果引导式 Detoxify 后门攻击（Causal-Guided Detoxify Backdoor Attack, CBA），该框架是专为开源 LoRA 模型设计的新型后门攻击方法。CBA 在不访问原始训练数据的情况下，通过两种关键创新实现高隐蔽性：（1）覆盖率引导的数据生成管道通过行为探索合成任务对齐的输入；（2）因果引导式的 Detoxify 策略通过保留任务关键神经元来合并受毒化和干净适配器。不同于先前方法，CBA 通过因果影响基础的权重分配实现对攻击强度的后训练控制，无需重复微调。在六个 LoRA 模型上评估后，CBA 在保持高攻击成功率的同时，将 FTR 降低 50-70%。进一步表明，它对最新后门防御方法具有更强的抗性，凸显了其隐蔽性和鲁棒性。
引用
@article{arxiv.2512.19297,
title = {Causal-Guided Detoxify Backdoor Attack of Open-Weight LoRA Models},
author = {Linzhi Chen and Yang Sun and Hongru Wei and Yuqi Chen},
journal= {arXiv preprint arXiv:2512.19297},
year = {2025}
}
备注
NDSS 2026