EAGER：面向鲁棒、高效且准确的网络安全问答的边缘对齐LLM防御
密码学与安全
2025-11-26 v1
摘要
大语言模型（LLMs）在网络安全问答（QA）中高度有效，但由于其规模较大难以部署在边缘设备上。量化降低了内存和计算需求，但通常会降低准确率并增加对抗攻击的脆弱性。我们提出EAGER，一个边缘对齐防御框架，将参数高效量化与领域特定偏好对齐相结合，以联合优化效率、鲁棒性和准确率。与先前分别处理这些方面的方法不同，EAGER利用量化低秩自适应（QLoRA）进行低成本微调，并在自构建的网络安全偏好数据集上使用直接偏好优化（DPO），无需人工标注。实验表明，EAGER将对抗攻击成功率降低最多7.3倍，并将QA准确率相比最先进防御方法提升最多55%，同时在Jetson Orin上实现最低响应延迟，展示了其实际边缘部署能力。
引用
@article{arxiv.2511.19523,
title = {EAGER: Edge-Aligned LLM Defense for Robust, Efficient, and Accurate Cybersecurity Question Answering},
author = {Onat Gungor and Roshan Sood and Jiasheng Zhou and Tajana Rosing},
journal= {arXiv preprint arXiv:2511.19523},
year = {2025}
}