Awesome-RAG-Security

Neuigkeiten

Erstveröffentlichung: Dieses Repository dokumentiert Arbeiten zur RAG-Sicherheit anhand der SLOT-Taxonomie aus unserer Übersichtsarbeit.

A Survey of Secure Retrieval-Augmented Generation

Yuming Xu ¹, Mingtao Zhang ¹, Zhuohan Ge ¹, Haoyang Li ¹, Nicole Hu ¹, Yongqi Zhang ², Zhiyuan Wen ¹, Jason Chen Zhang ¹, Qing Li ¹, Lei Chen ²

¹The Hong Kong Polytechnic University, ²The Hong Kong University of Science and Technology (Guangzhou).

@article{xu2026securing,
  title={A Survey of Secure Retrieval-Augmented Generation},
  author={Xu, Yuming and Zhang, Mingtao and Ge, Zhuohan and Li, Haoyang and Hu, Nicole and Zhang, Yongqi and Wen, Zhiyuan and Zhang, Jason Chen and Li, Qing and Chen, Lei},
  journal={arXiv preprint arXiv:2604.08304},
  year={2026}
}

Wenn Sie Ihre Arbeit aufnehmen, Verbesserungsvorschläge für unsere Umfrage machen oder verwandte Themen mit uns diskutieren möchten, kontaktieren Sie uns gerne: [email protected].

_{Angriffsflächen (S1-S4) und Verteidigungsschichten, die sie spiegeln (L1-L4) entlang der RAG-Pipeline.}

_{SLOT-Ansicht der RAG-Wissenszugriffs-Pipeline. Angriffsflächen (S1-S4) und Verteidigungsschichten (L1-L4) sind auf die Pipeline-Stufen ausgerichtet, während Objective (O) und Target (T) querschnittliche Tags sind, die verwendet werden, um Angriffe, Verteidigungen und Benchmarks zu vergleichen, d. h. SLOT Tag = Surface/Layer + Objective + Target.}

Taxonomie und Arbeiten

• Awesome-RAG-Security
• Angriffsmechanismen
  • Wissensvergiftung (S1)
  • Manipulation von Abfrageergebnissen (S2)
  • Ausnutzung des abgerufenen Kontexts (S3)
  • Extraktion privaten Wissens (S4)
• Verteidigungs- und Behebungsmechanismen
  • Integrität und Behebung der Wissensbasis (L1)
  • Härtung des Zugriffs zur Abrufzeit (L2)
  • Kontextisolierung nach dem Abruf (L3)
  • Zugriffskontrolle, Privatsphäre und Vertraulichkeit (L4)
• Secure-RAG-Evaluierungsstudien
  • Benchmark-Studien
  • Systematische Evaluierungsstudien
• Screening-Protokoll und veröffentlichte Datensätze

---

Angriffsmechanismen

Wissensvergiftung (S1)

Abfragespezifische Korpusvergiftung (Nach oben)

Jahr	Titel	Surface/Layer	Objective	Target	Venue	Offizieller Link
2026	Practical Poisoning Attacks against Retrieval-Augmented Generation (CorruptRAG)	S1; sec: S2	O1	T1	SACMAT	Paper
2026	RIPRAG: Hack a Black-box Retrieval-Augmented Generation Question-Answering System with Reinforcement Learning	S1; sec: S2	O1	T1	Findings of ACL	Paper
2026	Token-Level Precise Attack on RAG: Searching for the Best Alternatives to Mislead Generation	S1; sec: S2	O1	T1	Findings of EACL	Paper
2026	Joint-GCG: Unified Gradient-Based Poisoning Attacks on Retrieval-Augmented Generation Systems	S1; sec: S2, S3	O1	T1	AAAI	Paper Code
2025	The Silent Saboteur: Imperceptible Adversarial Attacks against Black-Box Retrieval-Augmented Generation Systems	S1; sec: S2	O1	T1	Findings of ACL	Paper Code
2025	One Shot Dominance: Knowledge Poisoning Attack on Retrieval-Augmented Generation Systems (AuthChain)	S1; sec: S2	O1	T1	Findings of EMNLP	Paper Code
2025	The RAG Paradox: A Black-Box Attack Exploiting Unintentional Vulnerabilities in Retrieval-Augmented Generation Systems	S1; sec: S2	O1	T1	Findings of EMNLP	Paper
2025	PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation of Large Language Models	S1; sec: S2	O1	T1	USENIX Security	Paper Code
2024	Typos that Broke the RAG's Back: Genetic Attack on RAG Pipeline by Simulating Documents in the Wild via Low-Level Perturbations (GARAG)	S1; sec: S2	O1	T1	Findings of EMNLP	Paper
2024	Human-Imperceptible Retrieval Poisoning Attacks in LLM-Powered Applications	S1; sec: S3	O1	T1	FSE Companion	Paper
2024	HijackRAG: Hijacking Attacks against Retrieval-Augmented Large Language Models	S1; sec: S2, S3	O1	T1	arXiv	Paper Code

Trigger- / generalisierte Vergiftung (Nach oben)