MPMA：针对模型上下文协议的偏好操纵攻击

模型上下文协议（MCP）标准化了大语言模型（LLM）访问外部数据和工具的接口映射，革新了工具选择范式，促进了LLM代理工具生态的快速扩张。然而，随着MCP的不断采用，第三方定制版本的MCP服务器暴露了潜在的安全漏洞。本文首先引入一种新型安全威胁，称为MCP偏好操纵攻击（MPMA）。攻击者部署定制MCP服务器，通过操纵LLM的优先级选择，使其优先于其他竞争MCP服务器，从而获取经济利益，如来自付费MCP服务的收入或来自免费服务器的广告收入。为实现MPMA，我们首先设计了直接偏好操纵攻击（DPMA），通过插入操纵性词语和短语于工具名称和描述中，实现显著的有效性。然而，这种直接修改对用户而言显而易见，缺乏隐蔽性。为解决这些限制，我们进一步提出了基于遗传算法的广告偏好操纵攻击（GAPMA）。GAPMA采用四种常用策略初始化描述，并整合遗传算法（Genetic Algorithm, GA）以增强隐蔽性。实验结果表明，GAPMA在有效性和隐蔽性之间取得了良好平衡。我们的研究揭示了MCP在开放生态系统中的关键漏洞，凸显了为确保MCP生态公平性的迫切需要强大的防御机制。