Retrieval-Augmented Defense: Adaptive and Controllable Jailbreak Prevention for Large Language Mo...

论文《Retrieval-Augmented Defense: Adaptive and Controllable Jailbreak Prevention for Large Language Models》总结与翻译

一、文章主要内容

该论文聚焦大型语言模型（LLMs）面临的越狱攻击问题，提出了一种名为“检索增强防御（RAD）”的新型防御框架，旨在解决现有防御系统在适应性和安全-效用权衡控制方面的不足，具体内容如下：

1. 研究背景与问题

• 越狱攻击威胁：LLMs虽在多任务中表现出色，但易受越狱攻击，攻击者通过巧妙修改输入隐藏恶意意图，诱导模型生成有害响应，且攻击策略不断演变、形式多样。
• 现有防御缺陷：现有防御方法存在两大核心问题。一是适应性差，面对新出现的攻击策略，需通过昂贵的重新训练才能更新防御系统；二是难以平衡安全与效用，过度严格的防御可能误拒合法请求，且不同应用场景对安全和效用的需求不同，缺乏灵活的权衡机制。

2. RAD框架设计

• 核心思路：整合已知攻击示例数据库与检索增强生成（RAG）技术，通过检索相似攻击示例推断用户查询的恶意意图及所用越狱策略，无需重新训练