PersistBD

"Understanding and Enhancing Backdoor Persistency in LLM Agent Post-Training" (EMNLP 2026 Findings) 논문의 코드입니다.

📄 논문 · 🌐 프로젝트 페이지 · 📦 데이터셋 (게이트됨)

출시 전에 모델에 심어진 백도어는 일반적으로 다운스트림 개발자가 수행하는 정상적인 파인튜닝에 의해 약화됩니다. PersistBD는 이미 백도어가 심어진 모델을 작은 어댑터로 정제하여 해당 학습 후에도 백도어가 살아남도록 합니다. Qwen2.5-Coder-7B에서 기본 백도어의 트리거 비율(ASR)은 3,000 스텝의 정상 SFT 동안 100%에서 **20%**로 떨어지지만, 동일한 백도어를 PersistBD로 정제하면 **74%**를 유지합니다(이어지는 RL 단계 후에는 76%). 정상 해결률은 SWE-bench Lite에서 기본 백도어와 비슷한 수준입니다 (SFT 후 7.7% 대 6.7%, RL 후 9.0% 대 9.0%).

백도어가 정상 SFT에서 살아남는지는 두 가지 속성에 의해 결정됩니다. 트리거→타깃 연관성의 초기 강도와, 앞으로 이루어질 정상 업데이트와의 그래디언트 호환성입니다. PersistBD의 결합 어댑터는 두 가지를 모두 높이며, 논문의 절제 실험은 각 항이 필수적임을 보여줍니다.

이 저장소에 있는 것 / 없는 것

자세한 내용은 docs/RELEASE.md를 참고하세요.

방법 코드 (어댑터 학습 + 병합)	src/persistbd/
트리거 비율 스코어러, 해결률 평가, 탐지 프로브	eval/, src/persistbd/eval_gradient_loss.py
데이터셋 빌더 + 백도어 구성 헬퍼	data_processing/
SWE-bench 평가 서버 (패치 → 보상)	swe_eval_server/
백도어가 심어진 모델 가중치	공개되지 않음
구축된 백도어 데이터셋 (트리거 + 악성 쌍)	게이트됨: uiuc-kang-lab/PersistBD

레이아웃

src/persistbd/     PersistBD adapters get_delta_{s,c,j}.py, get_combined_model.py (merge),
                   and eval_gradient_loss.py (strength S / compatibility C)
eval/              trigger-rate scorers, eval_swe.py (SWE-bench RR), score_backdoor_logprobs.py
data_processing/   split + backdoor builders (make_*_v4.py, verify_splits_v4.py), the trigger
                   and malicious-pair helpers, and patch_ckpt_config.py
data/              the dataset itself (git-ignored except manifest.json)
configs/           torchtune configs for the developer's benign SFT stage
swe_eval_server/   FastAPI SWE-bench eval server used for RR and RL rewards
examples/slurm/    the jobs as we ran them, as reference templates

설치

pip install torch transformers peft accelerate datasets pyarrow tqdm wandb vllm
# SWE-bench RR + evaluation server:
pip install -r swe_eval_server/requirements.txt

데이터

data/는 manifest.json을 제외하고 git에서 무시됩니다. 데이터셋은 huggingface.co/datasets/uiuc-kang-lab/PersistBD 에서 다운로드하거나(게이트 적용 — 접근 요청 필요), 빌더를 사용하여 재구축할 수 있습니다(분할은 data/manifest.json의 시드 42로 고정됨). 저장소 루트에서 실행하세요:

python data_processing/make_splits_v4.py                       # 5-way instance-disjoint split
python data_processing/make_backdoor_data_v4.py --no-thought   # triggered train + random-position test
python data_processing/make_backdoor_test_first_position_v4.py # paired first-position test
python data_processing/verify_splits_v4.py                     # check the split invariants

data_processing/의 헬퍼에는 트리거 문자열과 악성 명령이 포함되어 있습니다. 빌드된 데이터셋이 제한되는 이유는 docs/RELEASE.md를 참조하세요.

파이프라인 (저장소 루트에서 실행)

# 1. PersistBD — train the joint adapter Δj on a backdoored checkpoint.
#    Defaults reproduce the 7B arm; see the paper's table for the 3B/30B values.
torchrun --nproc_per_node=1 src/persistbd/get_delta_j.py \
    --model_path <backdoored_ckpt> \
    --backdoor_data_path data/backdoor_train_no_thought.jsonl \
    --benign_data_path   data/attacker_train.jsonl \
    --output_dir outputs/delta_j_7b
#    then merge Δj into the checkpoint (PEFT merge_and_unload — see the example below).

# 2. developer benign SFT (torchtune) on the merged model
tune run --nproc_per_node 8 full_finetune_distributed \
    --config configs/swe-7b_v4_post_persistbd_hiC.yaml \
    backdoor_dir=<merged_model> output_dir=outputs/post

# 3. trigger rate (ASR) on any checkpoint
python eval/evaluate_comment_trigger_strict.py --model_path <ckpt> \
    --data_path data/backdoor_test_random_position_no_thought.json

# 4. benign resolved rate on SWE-bench Lite (needs the eval server, see swe_eval_server/)
python eval/eval_swe.py --model_path <ckpt> --server http://localhost:8000

examples/slurm/delta_j_7b_v4.sbatch(학습 + Δj 병합)와 examples/slurm/post_7b_v4_persistbd_hiC.sbatch(benign SFT)는 1–2단계를 처음부터 끝까지 실행하고 outputs/delta_j_7b_merged를 통해 연결됩니다.

진단용 strength/compatibility 스윕(Δs, Δc 및 이들의 α·Δs + β·Δc 그리드)은 get_delta_s.py, get_delta_c.py, get_combined_model.py에 있습니다.

명명: 코드 ↔ 논문

코드	논문
random_position, first_position 테스트 세트	random-position(주), first-position
--lambda_bd, --lambda_c, --lambda_cl	λ_bd, λ_c, λ_cl^j
Δs, Δc, Δj (α·Δs + β·Δc)	strength / compatibility / joint 어댑터
eval_gradient_loss.py의 S, C	strength S, gradient compatibility C

참고

• swe_eval_server/ 큐 모드는 외부 RL 트레이너(verl, 포함되지 않음)와 통합됩니다. 원샷 POST /evaluate 엔드포인트는 Docker + SWE-bench만 필요합니다. 서버는 인증 없이 0.0.0.0에 바인딩되며 모델이 생성한 셸을 Docker 내부에서 실행합니다. 신뢰할 수 있는 네트워크에서만 실행하세요.
• configs/, examples/slurm/, 그리고 그 안의 outputs/… 경로는 템플릿입니다. 사용 환경에 맞게 경로와 클러스터 지시문을 수정하세요.

인용

@misc{zhan2026persistbd,
  title = {Understanding and Enhancing Backdoor Persistency
           in LLM Agent Post-Training},
  author = {Zhan, Qiusi and Lyu, Nian and Ding, Stephanie and
            Mehta, Arnav and Canal, Chris and Tabarrok, Connor and
            Davies, Xander and Kang, Daniel},
  year = {2026},
  eprint = {2610.07510},
  archivePrefix = {arXiv},
  primaryClass = {cs.CR},
  url = {https://arxiv.org/abs/2610.07510}
}