LogicPoison：图检索增强生成中的逻辑攻击
计算与语言
2026-04-06 v1 人工智能
摘要
基于图的检索增强生成（GraphRAG）通过将大语言模型（LLM）的响应锚定在结构化知识图谱上，增强了其推理能力。利用社区检测和关系过滤技术，GraphRAG 系统展现出对传统 RAG 攻击（如文本投毒和提示注入）的固有抗性。然而，在本文中，我们发现 GraphRAG 系统的安全性从根本上依赖于底层图的拓扑完整性，而该完整性可通过隐式破坏逻辑连接（不改变表面级文本语义）而被削弱。为利用这一漏洞，我们提出了 LogicPoison，一个针对逻辑推理而非注入虚假内容的新攻击框架。具体而言，LogicPoison 采用类型保持的实体替换机制，既扰动全局逻辑枢纽以破坏整体图连通性，又切断查询特定的推理桥梁以 severing 必要的多跳推理路径。该方法有效地将有效推理重定向至死胡同，同时保持表面级文本的合理性。在多个基准上的全面实验表明，LogicPoison 成功绕过了 GraphRAG 的防御，显著降低了性能，并在有效性和隐蔽性方面均优于最先进基线。我们的代码可在 https://github.com/Jord8061/logicPoison 获取。
引用
@article{arxiv.2604.02954,
title = {LogicPoison: Logical Attacks on Graph Retrieval-Augmented Generation},
author = {Yilin Xiao and Jin Chen and Qinggang Zhang and Yujing Zhang and Chuang Zhou and Longhao Yang and Lingfei Ren and Xin Yang and Xiao Huang},
journal= {arXiv preprint arXiv:2604.02954},
year = {2026}
}