Awesome-RAG-Security

Actualités

Version initiale : Ce dépôt recense les articles sur la sécurité des RAG selon la taxonomie SLOT issue de notre étude.

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}
}

Si vous souhaitez inclure votre article, suggérer des améliorations à notre étude, ou discuter de sujets connexes avec nous, n'hésitez pas à nous contacter : [email protected].

_{Surfaces d'attaque (S1-S4) et couches de défense qui leur correspondent (L1-L4) le long du pipeline RAG.}

_{Vue SLOT du pipeline d'accès aux connaissances RAG. Les surfaces d'attaque (S1-S4) et les couches de défense (L1-L4) sont alignées avec les étapes du pipeline, tandis que l'Objectif (O) et la Cible (T) sont des étiquettes transversales utilisées pour comparer les attaques, les défenses et les benchmarks, c'est-à-dire, Étiquette SLOT = Surface/Couche + Objectif + Cible.}

Taxonomie et articles

• Awesome-RAG-Security
• Mécanismes d'attaque
  • Empoisonnement des connaissances (S1)
  • Manipulation des résultats de récupération (S2)
  • Exploitation du contexte récupéré (S3)
  • Extraction de connaissances privées (S4)
• Défenses et mécanismes de remédiation
  • Intégrité et remédiation de la base de connaissances (L1)
  • Renforcement de l'accès au moment de la récupération (L2)
  • Isolation du contexte post-récupération (L3)
  • Contrôle d'accès, confidentialité et protection des données (L4)
• Études d'évaluation Secure-RAG
  • Études de référence
  • Études d'évaluation systématique
• Protocole de sélection et enregistrements publiés

---

Mécanismes d'attaque

Empoisonnement des connaissances (S1)

Empoisonnement de corpus spécifique à la requête (Haut de page)

Année	Titre	Surface/Layer	Objectif	Target	Lieu	Lien officiel
2026	Practical Poisoning Attacks against Retrieval-Augmented Generation (CorruptRAG)	S1; sec: S2	O1	T1	SACMAT	Article
2026	RIPRAG: Hack a Black-box Retrieval-Augmented Generation Question-Answering System with Reinforcement Learning	S1; sec: S2	O1	T1	Findings of ACL	Article
2026	Token-Level Precise Attack on RAG: Searching for the Best Alternatives to Mislead Generation	S1; sec: S2	O1	T1	Findings of EACL	Article
2026	Joint-GCG: Unified Gradient-Based Poisoning Attacks on Retrieval-Augmented Generation Systems	S1; sec: S2, S3	O1	T1	AAAI	Article Code
2025	The Silent Saboteur: Imperceptible Adversarial Attacks against Black-Box Retrieval-Augmented Generation Systems	S1; sec: S2	O1	T1	Findings of ACL	Article Code
2025	One Shot Dominance: Knowledge Poisoning Attack on Retrieval-Augmented Generation Systems (AuthChain)	S1; sec: S2	O1	T1	Findings of EMNLP	Article 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	Article
2025	PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation of Large Language Models	S1; sec: S2	O1	T1	USENIX Security	Article 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	Article
2024	Human-Imperceptible Retrieval Poisoning Attacks in LLM-Powered Applications	S1; sec: S3	O1	T1	FSE Companion	Article
2024	HijackRAG: Hijacking Attacks against Retrieval-Augmented Large Language Models	S1; sec: S2, S3	O1	T1	arXiv	Article Code

Empoisonnement par déclencheur / généralisé (Haut de page)