本文介绍对 LLM 提示词注入攻击（prompt injection）的通用防御框架。首篇论文已被安全顶会 USENIX Security 2025 接收，第一作者陈思哲是 UC Berkeley 计算机系博士生，Meta FAIR 访问研究员，研究兴趣为真实场景下的 AI 安全。他的导师是 David Wagner (UCB), 郭川 (Meta), Nicholas Carlini (Google)。
一作主页：https://sizhe-chen.github.io
项目报告 slides：https://drive.google.com/file/d/1baUbgFMILhPWBeGrm67XXy_H-jO7raRa/view?usp=sharing
- 论文地址：https://arxiv.org/pdf/2402.06363
- 项目主页：https://sizhe-chen.github.io/StruQ-Website
- 代码仓库：https://github.com/Sizhe-Chen/StruQ
- 论文地址：https://arxiv.org/pdf/2410.05451
- 项目主页：https://sizhe-chen.github.io/SecAlign-Website
- 代码仓库：https://github.com/facebookresearch/SecAlign
提示词注入攻击：背景
LLM 强大的语言能力，使其被广泛部署于 LLM 应用系统（LLM-integrated applications）中。此时，LLM 需要访问外部数据（如文件，网页，API 返回值）来完成任务。在这个交互场景下，有以下三方：
- 指令（可信的）：来自 LLM 应用系统开发者
- 模型（可信的）：来自开发者或 API 供应方
- 数据（不可信的）：来自外部或第三方
系统对外部数据源的访问，提供了全新的攻击视角：攻击者可以在第三方数据中，注入额外的指令，以覆盖 LLM 应用的原指令。如下图所示，餐厅 A 的老板在点评网站 yelp 上，发布一条含有提示词注入攻击的评论，误导 LLM 忽视其原指令（推荐一些好餐厅），转而推荐风评不佳的餐厅 A。
提示词注入攻击，被 OWASP 安全社区列为对 LLM 应用系统的最大威胁 [1]，对更广泛的 LLM 应用造成重大安全阻碍。部署的工业级 LLM 应用系统（Google Docs [2], Slack AI [3], ChatGPT [4]），经测试可以被提示词注入攻击攻破，造成私有内容的泄露。
提示词注入攻击：原因
第一个原因：LLM 输入中，没有分离指令和数据，二者被直接拼接为单个 LLM 输入。
对此，我们提出一个安全前端（secure front-end），在组织 LLM 输入时，显式分离指令和数据。
第二个原因：LLM 训练中，模型被教导遵循输入中的任意指令。
对此，我们提出结构化指令微调（structured instruction tuning）和安全对齐（secure alignment），训练 LLM 识别安全前端组织的输入，从中生成高质量的输出，并对提示词注入攻击鲁棒。
防御策略 1：安全前端
在 LLM 输入上，我们设计只能被系统使用的分隔符（delimiters），分离指令和数据。安全前端会留出一些 LLM special tokens（如下图中的 [MARK], [INST], …），用于指令 / 数据分离，并删除数据部分可能含有的特殊分隔符，使其仅能被 LLM 应用系统（而非数据提供方 / 攻击者）所使用。
防御策略 2：结构化指令微调
在 LLM 训练时，我们模拟提示词注入攻击，教导模型忽视任何在数据中的注入指令，仅遵循 LLM 应用系统的原指令（由安全前端分离并定义）。具体来说，我们从原指令微调数据集，生成一个新的 “结构化指令微调数据集”，其部分包含带提示词注入攻击的样本，如下图所示。在此数据集上，我们利用标准 SFT（supervised fine-tuning）算法微调模型。
防御策略 3：安全对齐
在 LLM 训练时，除了指令微调，还有对齐这一步骤，我们同样可以在此做防御。安全对齐构建一个偏好数据集（preference dataset），对于每一个 SFT 数据集中的样本：
- 采样另一个随机样本 s’，用于模拟提示词注入攻击
- 偏好数据集中，LLM 输入是被注入了 s’ 指令的样本 s
- 偏好数据集中，LLM 理想输出是对 s 指令的回复
- 偏好数据集中，LLM 不良输出是对 s’ 指令的回复
在此数据集上，我们利用标准偏好优化（direct preference optimization）算法微调模型。
提示词注入攻击：防御结果
防御策略 1+2 被称为 StruQ (USENIX Sec’25)，防御策略 1+3 被称为 SecAlign。
如下图所示，StruQ/SecAlign 模型保持和未防御模型相同的性能（general-purpose utility by AlpacaEval2 WinRate）。
对于无优化的提示词注入攻击，StruQ 模型实现了 < 2% 攻击成功率，SecAlign 实现 0% 攻击成功率（Max ASR Opt.-Free）。
对于基于优化的提示词注入攻击，StruQ 显著降低其成功率，SecAlign 又进一步将成功率降低 4 倍以上，到 15% 以下（Max ASR Opt.-Based）。
提示词注入攻击：防御总结
我们提出提示词注入攻击成功的两个原因，并逐一对它们设计防御。
由于 LLM 输入中，没有分离指令和数据，我们提出安全前端（secure front-end），在组织 LLM 输入时，用只能被系统所用的分隔符，分离指令和数据。
由于 LLM 训练中，模型被教导遵循输入中的任意指令，我们提出结构化指令微调（structured instruction tuning）和安全对齐（secure alignment），训练模型只遵循 LLM 应用系统设计的指令。
以下是三个防御策略，在模型训练 pipeline 中的位置。
[1] https://owasp.org/www-project-top-10-for-large-language-model-applications。
[2] https://embracethered.com/blog/posts/2023/google-bard-data-exfiltration。
[3] https://promptarmor.substack.com/p/data-exfiltration-from-slack-ai-via。
[4] https://thehackernews.com/2024/09/chatgpt-macos-flaw-couldve-enabled-long.html。