模型提取和窃取攻击
模型提取攻击让攻击者只需查询其公共 API 并根据答案训练模仿者即可克隆专有的 AI 模型。
概述
模型提取攻击让攻击者只需查询其公共 API 并根据答案训练模仿者即可克隆专有的 AI 模型。这很重要，因为公司花费了数百万美元训练模型，而这些模型的价格大约相当于几千次 API 调用的价格。
模型提取和窃取攻击处于能力、权力和公共选择的交叉点——安全、治理和合法性决定先进的人工智能是否会大规模地带来帮助或损害。
深入探讨
模型提取（或模型窃取）攻击将已部署的模型视为预言机。攻击者发送输入、记录输出并训练替代模型来模仿该行为。由于目标模型本身是将输入映射到输出的学习函数，因此复制足够多的输入输出对可以重建近似值，而无需查看原始权重或训练数据。研究人员窃取了图像分类器的决策边界，甚至恢复了小层的精确权重。 2024 年，一个团队展示了 OpenAI 和 Google 生产模型嵌入层的部分内容可以以不到几百美元的价格提取。被盗的副本会削弱付费服务，绕过安全过滤器，并引发进一步的白盒攻击，例如制作对抗性示例。
技术洞察
API 响应越丰富，盗窃的成本就越低。返回完整的概率向量或 logits 每个查询会比单个 top-1 标签泄漏更多的信息，因此攻击者可以用更少的查询来重建边界。主动学习策略在决策边界附近选择信息最丰富的查询。一个具有里程碑意义的结果表明，查询输出维度计数可以通过线性代数准确地恢复最终的线性投影层，因为该层实际上是响应跨度的矩阵。
掌握模型提取和窃取攻击
为了加深理解，请将模型提取和窃取攻击视为一种操作模型，而不是单个功能。定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用模型提取和窃取攻击的强大团队将能力增长与治理、安全和明确的问责结构结合起来。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
灾难性和日常的人工智能危害都取决于谁了解风险以及谁能够采取行动。与此同时，在能力复合的同时，将存在风险视为科幻小说。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
灾难性和日常的人工智能危害都取决于谁了解风险以及谁能够采取行动。
灾难性和日常的人工智能危害都取决于谁了解风险以及谁能够采取行动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
公众和专业素养决定强有力的安全政策在政治上是否可行。
公众和专业素养决定强有力的安全政策在政治上是否可行。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
清晰的解释可以减少炒作、实验室公关和模糊道德剧场的影响。
清晰的解释可以减少炒作、实验室公关和模糊道德剧场的影响。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
一家初创公司查询竞争对手的付费图像识别 API 数千次，并训练一个免费克隆来复制其准确性。
安全研究人员使用精心设计的 API 查询提取生产语言模型的最终嵌入投影层，成本仅为几百美元。
攻击者在本地克隆垃圾邮件或欺诈分类器，以便他们可以离线探测它并制作可靠地逃避检测的输入。
云供应商添加了查询率监控，标记其访问模式与主动学习提取匹配的帐户并限制其响应。
实施模式
模型提取和窃取攻击实践
一家初创公司查询竞争对手的付费图像识别 API 数千次，并训练一个免费克隆来复制其准确性。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
模型提取和窃取攻击实践
安全研究人员使用精心设计的 API 查询提取生产语言模型的最终嵌入投影层，成本仅为几百美元。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
模型提取和窃取攻击实践
攻击者在本地克隆垃圾邮件或欺诈分类器，以便他们可以离线探测它并制作可靠地逃避检测的输入。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
模型提取和窃取攻击实践
云供应商添加了查询率监控，标记其访问模式与主动学习提取匹配的帐户并限制其响应。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
将存在风险视为科幻小说，同时能力复合。
混淆了表面产品安全与高度自治下的对准。
只给非英语和非专业观众留下低质量的资源。
实施路线图
单独的产品危害、误用和失控/失调风险。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
询问哪些证据会改变您对时间表和严重性的看法。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
比起营销主张，更喜欢主要来源和具体评估。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
确定一条行动路径：职业、政策、资金或技能——而不仅仅是意识。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
不断探索
Check your understanding
Test yourself: take the Model Extraction and Stealing Attacks quiz