让盗窃变得无用：基于掺杂的专有知识图谱在 GraphRAG 系统中的保护
密码学与安全
2026-01-05 v1
摘要
图检索增强生成（GraphRAG）已成为增强大型语言模型（LLM）使用专有知识图谱（KGs）以应对知识密集型应用的关键技术。由于这些 KGs 常代表 organizations 的高度珍贵的知识产权（IP），其面临被窃取用于私人用途的重大风险。在此情境下，攻击者在孤立环境中操作。这种私人用途威胁使被动防御（如水印）无效，因为其需要访问输出才能进行检测。同时，GraphRAG 的低延迟需求使得强加密——其产生的开销在实际中不可行。为此，我们提出 AURA，一个基于数据掺杂的新型框架，旨在使被窃取的 KG 对攻击者而言不可用。该框架预先向 KG 注入 plausible 但虚假的掺杂项。对于攻击者而言，这些掺杂项会损害检索上下文并导致事实错误的响应。相比之下，对于获授权用户，密钥使其能够通过加密的元数据标签高效过滤所有掺杂项，从而确保查询结果完全准确。我们的评估表明，该方法的有效性：AURA 将未经授权系统的性能降至仅 5.3%，同时以可忽略的开销保持 100% 的忠实度。此外，AURA 对各种清理尝试具有鲁棒性，保留 80.2% 的掺杂项。
引用
@article{arxiv.2601.00274,
title = {Making Theft Useless: Adulteration-Based Protection of Proprietary Knowledge Graphs in GraphRAG Systems},
author = {Weijie Wang and Peizhuo Lv and Yan Wang and Rujie Dai and Guokun Xu and Qiujian Lv and Hangcheng Liu and Weiqing Huang and Wei Dong and Jiaheng Zhang},
journal= {arXiv preprint arXiv:2601.00274},
year = {2026}
}