Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.09288

帮助 | 高级搜索

计算机科学 > 密码学与安全

arXiv:2508.09288 (cs)
[提交于 2025年8月12日 ]

标题: AI能保守秘密吗? 上下文完整性验证:一种适用于大语言模型的可证明安全架构

标题: Can AI Keep a Secret? Contextual Integrity Verification: A Provable Security Architecture for LLMs

Authors:Aayush Gupta
摘要: 大型语言模型(LLMs)仍然极易受到提示注入和相关越狱攻击的威胁;启发式防护措施(规则、过滤器、LLM法官)经常被绕过。 我们提出了上下文完整性验证(CIV),这是一种推理时的安全架构,它将密码学签名的来源标签附加到每个标记,并通过预softmax硬注意力掩码(可选的FFN/残差门控)在变压器内部强制执行源信任格栅。 CIV为冻结模型提供了确定性的、逐标记的非干扰保证:低信任度的标记不能影响高信任度的表示。 在基于最近提示注入向量分类法(Elite-Attack + SoK-246)的基准测试中,CIV在指定威胁模型下达到了0%的攻击成功率,同时保持了93.1%的逐标记相似度,并且在良性任务上模型困惑度没有下降;我们注意到由于数据路径未优化而产生的延迟开销。 由于CIV是一个轻量级补丁——不需要微调——我们展示了对Llama-3-8B和Mistral-7B的即插即用保护。 我们发布了一个参考实现、一个自动化认证工具包和Elite-Attack语料库,以支持可重复的研究。
摘要: Large language models (LLMs) remain acutely vulnerable to prompt injection and related jailbreak attacks; heuristic guardrails (rules, filters, LLM judges) are routinely bypassed. We present Contextual Integrity Verification (CIV), an inference-time security architecture that attaches cryptographically signed provenance labels to every token and enforces a source-trust lattice inside the transformer via a pre-softmax hard attention mask (with optional FFN/residual gating). CIV provides deterministic, per-token non-interference guarantees on frozen models: lower-trust tokens cannot influence higher-trust representations. On benchmarks derived from recent taxonomies of prompt-injection vectors (Elite-Attack + SoK-246), CIV attains 0% attack success rate under the stated threat model while preserving 93.1% token-level similarity and showing no degradation in model perplexity on benign tasks; we note a latency overhead attributable to a non-optimized data path. Because CIV is a lightweight patch -- no fine-tuning required -- we demonstrate drop-in protection for Llama-3-8B and Mistral-7B. We release a reference implementation, an automated certification harness, and the Elite-Attack corpus to support reproducible research.
评论: 2个图表,3个表格;代码和认证工具包: https://github.com/ayushgupta4897/Contextual-Integrity-Verification ; Elite-Attack数据集: https://huggingface.co/datasets/zyushg/elite-attack
主题: 密码学与安全 (cs.CR) ; 人工智能 (cs.AI); 计算与语言 (cs.CL)
MSC 类: 68T07, 94A60
ACM 类: D.4.6; K.6.5; E.3; I.2.6; I.2.7
引用方式: arXiv:2508.09288 [cs.CR]
  (或者 arXiv:2508.09288v1 [cs.CR] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.09288
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Aayush Gupta [查看电子邮件]
[v1] 星期二, 2025 年 8 月 12 日 18:47:30 UTC (13 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CR
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号