
Un enfoque de optimización de caja negra para proteger los prompts de sistema de los Modelos de Lenguaje Grande (LLM) contra ataques de extracción adversarial.
Un enfoque de optimización de caja negra para proteger los prompts de sistema de los Modelos de Lenguaje Grande (LLM) contra ataques de extracción adversarial.
Este repositorio implementa Prompt Sensitivity Minimization (PSM), un mecanismo de defensa que utiliza LLM-como-optimizador para generar automáticamente "escudos" protectores alrededor de los prompts de sistema. PSM minimiza la fuga observable mientras preserva la utilidad de la tarea mediante un proceso de optimización iterativo.
git clone <repository-url>
cd psm
python -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate
pip install -r requirements.txt
config/config.yaml con sus configuraciones de API de LLM:llms:
gpt-4o-mini:
model: "gpt-4o-mini"
model_provider: "openai"
api_key: "your-api-key"
temperature: 0.7
# Add other model configurations as needed
Genera system prompts protegidos usando PSM:
python run.py
Esto hará lo siguiente:
data/victim_prompts/data/defense_prompts/Evaluar los mecanismos de defensa frente a ataques adversarios:
python experiments/evaluate_defenses.py
Esto hará lo siguiente:
results/from run import PSMRunner, RunPSMConfig
# Configure PSM
config = RunPSMConfig(
dataset_name="unnatural-test",
attack_samples=50,
validation_samples=10,
target_dataset_samples=30,
llm_target="gpt-5-mini",
llm_optimizer="gpt-4o-mini",
llm_validation="gpt-4o",
llm_judge="gpt-4o-mini",
n_optimization_iterations=10,
n_initial_shields=5,
n_shields_per_step=5,
max_candidates_per_step=10,
target_utility_threshold=0.9,
target_leakage_threshold=0.65,
leakage_aggregation="logsumexp",
logsumexp_temperature=10.0
)
# Run PSM
runner = PSMRunner(config)
runner.run_experiments()
from experiments.evaluate_defenses import (
DefenseEvaluator, ExperimentConfig,
DefenseConfig, DefenseStrategy,
AttackType, Dataset, TargetModel
)
# Configure experiment
config = ExperimentConfig(
attack_types=[AttackType.RACCON, AttackType.LIANG],
defense_configs=[
DefenseConfig(DefenseStrategy.PSM, Dataset.UNNATURAL_TEST, TargetModel.GPT_4O_MINI)
],
max_victim_samples=30,
max_attack_samples=60,
use_am_metric=True,
am_threshold=0.9,
use_jm_metric=True,
jm_threshold=0.7
)
# Run evaluation
evaluator = DefenseEvaluator(config)
await evaluator.run_experiments()
evaluator.save_results()
evaluator.print_results_summary()
src/defense/psm/psm.py)El motor de optimización principal que:
Clases clave:
PSM: Clase de optimización principalPromptCandidate: Representa una solución candidata con puntuacionesPSMConfig: Parámetros de configuraciónsrc/defense/psm/psm_data_creation.py)Gestiona:
src/metrics.py)Métricas de evaluación:
experiments/evaluate_defenses.py)Marco de evaluación integral:
Conjuntos de datos de ataque admitidos:
raccon.json: Prompts de ataque RACCONliang.json: Patrones de ataque de Liang et al.zhang.json: Patrones de ataque de Zhang et al.ours.json: Prompts de ataque personalizadosraccon_language.json: Ataques RACCON específicos de idioma@dataclass
class RunPSMConfig:
# Dataset
dataset_name: str = "unnatural-test"
# Sample sizes
attack_samples: int = 50 # Attack inputs to use
validation_samples: int = 10 # Baseline validation queries
target_dataset_samples: int = 30 # System prompts to process
# Model selection
llm_target: str = "gpt-5-mini" # Target model to protect
llm_optimizer: str = "gpt-4o-mini" # Model for shield generation
llm_validation: str = "gpt-4o" # Model for validation
llm_judge: str = "gpt-4o-mini" # Model for judging
# Optimization parameters
n_optimization_iterations: int = 10 # Max optimization iterations
n_initial_shields: int = 5 # Initial shield population
n_shields_per_step: int = 5 # New shields per iteration
max_candidates_per_step: int = 10 # Max candidates to consider
# Thresholds
target_utility_threshold: float = 0.9 # Minimum utility score
target_leakage_threshold: float = 0.65 # Maximum leakage score
utility_penalty_weight: float = 100.0 # Weight for utility penalty
# Leakage aggregation
leakage_aggregation: str = "logsumexp" # Aggregation method
logsumexp_temperature: float = 10.0 # LogSumExp temperature
top_k: int = 3 # Top-k for top_k_mean