DualBreach：基于目标驱动初始化和多目标优化的高效双向劫持
密码学与安全
2025-10-07 v2 人工智能
摘要
近期研究聚焦于探索大型语言模型（LLM）的漏洞，以诱导其生成有害或敏感内容。然而，由于对双向劫持（dual-jailbreaking）的研究不足，现有攻击方法在尝试规避受护卫士屏蔽的 LLM 时效果有限。因此，本文提出 DualBreach，一种针对双向劫持的目标驱动框架。DualBreach 采用目标驱动初始化（Target-driven Initialization, TDI）策略动态构建初始提示，结合多目标优化（Multi-Target Optimization, MTO）方法利用近似梯度在护卫士和 LLM 之间联合调整提示，能够同时节省查询次数并实现高双向劫持成功率。针对黑盒护卫士，DualBreach 要么采用强大的开源护卫士，要么通过训练代理模型来模拟目标黑盒护卫士，以纳入 MTO 流程。我们通过在多个广泛使用的数据集上进行大规模评估，展示了 DualBreach 在双向劫持场景中的有效性。实验结果表明，DualBreach 在减少查询次数方面优于最先进的方法，在所有设置下均实现显著更高的成功率。具体而言，DualBreach 对 GPT-4（搭载 Llama-Guard-3 保护）的平均双向劫持成功率为 93.67%，而其他方法的最佳成功率仅为 88.33%。此外，DualBreach 每次成功双向劫持仅需平均 1.77 次查询，超越其他最先进方法。为防御目的，我们提出一种基于 XGBoost 的集成防御机制，命名为 EGuard，集成了多种护卫士的优势，性能优于 Llama-Guard-3。
引用
@article{arxiv.2504.18564,
title = {DualBreach: Efficient Dual-Jailbreaking via Target-Driven Initialization and Multi-Target Optimization},
author = {Xinzhe Huang and Kedong Xiu and Tianhang Zheng and Churui Zeng and Wangze Ni and Zhan Qin and Kui Ren and Chun Chen},
journal= {arXiv preprint arXiv:2504.18564},
year = {2025}
}
备注
20 pages, 8 figures