ThinkTrap：通过无限推理对黑盒LLM服务实施拒绝服务攻击
密码学与安全
2025-12-09 v1 人工智能
机器学习
摘要
大语言模型（LLMs）已成为广泛应用领域的基础组件，包括自然语言理解与生成、具身智能和科学发现。随着其计算需求持续增长，这些模型越来越多地作为基于云的服务部署，允许用户通过互联网访问强大的LLMs。然而，这种部署模式引入了一类新的威胁：通过无界推理实施的拒绝服务（DoS）攻击，攻击者设计专门构造的输入导致模型进入过长或无限生成循环。这些攻击可能耗尽后端计算资源，降级或拒绝为合法用户提供服务。为缓解此类风险，许多LLM提供商采用闭源黑盒设置来掩盖模型内部细节。在本论文中，我们提出ThinkTrap，一种针对LLM服务的新输入空间优化框架，即使在黑盒环境中也能实施DoS攻击。ThinkTrap的核心思想是首先将离散token映射到连续嵌入空间，然后在利用输入稀疏性的低维子空间中进行高效黑盒优化。该优化的目标是识别能够诱导多个最先进LLMs进行扩展或非终止生成的对抗性提示，以最小的token开销实现DoS。我们在多个商业闭源LLM服务上评估了所提出的攻击。我们的结果表明，即使远低于这些平台通常施加的限制性请求频率限制（通常上限为每分钟10次请求，即10 RPM），攻击仍可将服务吞吐量降级至原始容量的1%，在某些情况下甚至导致完全服务中断。
引用
@article{arxiv.2512.07086,
title = {ThinkTrap: Denial-of-Service Attacks against Black-box LLM Services via Infinite Thinking},
author = {Yunzhe Li and Jianan Wang and Hongzi Zhu and James Lin and Shan Chang and Minyi Guo},
journal= {arXiv preprint arXiv:2512.07086},
year = {2025}
}
备注
This version includes the final camera-ready manuscript accepted by NDSS 2026