【论文速读】| MASTERKEY：大语言模型聊天机器人的自动化越狱

本次分享论文为：MASTERKEY: Automated Jailbreaking of Large Language Model Chatbots

基本信息

原文作者：Gelei Deng, Yi Liu, Yuekang Li, Kailong Wang, Ying Zhang, Zefeng Li, Haoyu Wang, Tianwei Zhang, Yang Liu

作者单位：南洋理工大学、新南威尔士大学、华中科技大学、弗吉尼亚理工大学

关键词：大语言模型，聊天机器人，自动化测试，安全性评估

原文链接：

https://arxiv.org/pdf/2307.08715.pdf

开源代码：暂无

论文要点

论文简介：本论文介绍了一个称为 MASTERKEY 的端到端的框架，其目标是探索越狱攻击和防御背后的整合机制。通过深入的实证分析，研究人员指出，对于当前流行的 LLM 聊天机器人，现有的安全越狱手段效果不佳。因此，他们提出了一个创新的基于时间特征分析的方法，用以识别并规避服务供应商实施的保护措施。MASTERKEY 不仅成功揭示了 LLM 聊天机器人潜在的安全弱点，而且还能自动生成有效的越狱指令，即 jailbreak prompts，从而显著提升了越狱操作的成功率。

研究背景：随着大语言模型（LLM）聊天机器人越来越多地被应用于多个领域，确保它们的安全性并防止敏感或有害信息泄露已迫在眉睫。研究人员通过进行所谓的“越狱”（jailbreaking）实验，旨在测试这些系统并揭示它们可能存在的安全隐患。

研究贡献：

1.逆向工程未公开的防御机制：本研究采用了一种创新方法来揭示大语言模型（LLM）聊天机器人的防御策略内部工作原理，为研究者提供了对其安全措施的深入理解。

2.绕过 LLM 防御：研究人员利用对 LLM 聊天机器人防御机制的新认识，通过策略性地调整对时间敏感的响应，成功地绕过了这些防御机制，并揭示了以前被忽视的安全漏洞。

3.自动化越狱生成：本文展示了一种创新且高效的策略，利用细致调校的 LLM 自动生成越狱提示，开辟了研究新路径。

4.越狱技术的模式和 LLM 通用化：提出了一种能够跨越不同模式和 LLM 聊天机器人的越狱技巧，强调了这些技术的通用性和对未来研究的潜在重大影响。

引言

在这个数字技术飞速进步的时代，大语言模型（LLM）聊天机器人已经成为人工智能界的焦点话题。这些机器人能够创造出类似人类的文本，被广泛用于客户服务、教育、娱乐等诸多领域。与此同时，如何确保这些聊天机器人的安全性、防止它们通过特定的输入被恶意用户“越狱”以泄露敏感或有害信息，成为了一个紧迫的问题。尽管之前的研究尝试了对特定 LLM 聊天机器人的安全防护进行测试，但缺少了一个既通用又能自动化进行测试的方法。MASTERKEY 的开发正是为了解决这个问题，它通过自动化产生越狱性提示，能够高效且广泛地评估 LLM 聊天机器人的安全性。

背景知识

作为人工智能领域的一项创新，大语言模型（LLM）聊天机器人能够处理自然语言输入并提供类似人类的回复。它们大大便利了用户，但同时带来了一种名为“越狱攻击”的新型安全风险。这类攻击利用精心设计的输入提示（prompts）来诱导聊天机器人违背其使用政策，从而泄漏敏感或有害信息。为了防止这种攻击，各大服务提供商实施了多种防御机制。然而，这些机制的有效性及其具体的实施方式大多数情况下保持不公开。

论文方法

理论背景：MASTERKEY 通过深入分析现有大语言模型（LLM）聊天机器人的安全测试成果，发现了时间特性作为一种关键因素，能够有效揭示聊天机器人的防御策略。

方法实现：基于对时间特性的洞察，MASTERKEY 设计了一套独特的策略，能够准确预测聊天机器人的安全机制。利用这些洞见，它能够自动化地产生越狱性的提示，成功规避了聊天机器人的防御系统。

实验

实验设置：为了全面评估 MASTERKEY 的性能，研究团队精心挑选了包括 CHATGPT、Bard 和 Bing Chat 在内的几款领先的大语言模型（LLM）聊天机器人进行测试。这一系列实验旨在深入探究 MASTERKEY 框架的实际应用效果。

实验结果：相较于传统的手动设计越狱提示，MASTERKEY 自动生成的提示成功率有了显著提升。尤其值得注意的是，对于 Bard 和 Bing Chat 这两个平台，MASTERKEY 实现了前所未有的越狱成功，从而验证了其卓越的自动化测试能力和实用价值。

论文结论

在本研究中，研究者对当下领先的大语言模型（LLM）聊天机器人服务进行了细致的评价，揭露了它们在面对越狱攻击时的明显薄弱环节。他们引入了一个创新性的框架，名为 MASTERKEY，它旨在加深越狱攻击与防御策略之间的技术较量。通过运用基于时间分析的方法，MASTERKEY 能够逆向工程并揭示 LLM 聊天机器人当前采用的防御机制，提供了深刻的新洞见。此外，MASTERKEY 还采用了一种自动化技术来生成能够普遍应用的越狱提示，使得在各大主流聊天机器人服务中的平均越狱成功率达到了 21.58%。

原作者：论文解读智能体

润色：Fancy

校对：小椰风