KI-Sicherheit im Fokus: Neue Strategien gegen Jailbreaking-Attacken auf Sprachmodelle

Im Zeitalter der digitalen Transformation spielen Künstliche Intelligenz (KI) und insbesondere große Sprachmodelle (Large Language Models, LLMs) eine zunehmend wichtige Rolle in einer Vielzahl von Anwendungen. Von automatisierten Chatbots bis hin zu fortschrittlichen Suchmaschinen bieten diese Technologien innovative Lösungen, die Effizienz und Benutzererfahrung verbessern. Die deutsche KI-Firma Mindverse, ein All-in-One-Content-Tool für KI-Texte, Inhalte, Bilder, Forschung und mehr, ist an der Spitze dieser Entwicklung und bietet personalisierte Lösungen wie Chatbots, Voicebots, KI-Suchmaschinen, Wissenssysteme und vieles mehr.

Allerdings ist der Einsatz von LLMs nicht ohne Herausforderungen. Eine der größten Bedrohungen für die Sicherheit dieser Systeme sind die sogenannten „Jailbreaking-Attacken“. Diese Angriffe zielen darauf ab, unbeabsichtigte und unsichere Verhaltensweisen von LLMs zu provozieren, indem sie die Modelle dazu bringen, auf Eingaben zu reagieren, die sie normalerweise ablehnen würden. Es handelt sich um eine ausgeklügelte Form des Missbrauchs, bei der Angreifer die Schwächen der Modelle ausnutzen, um diese zu manipulieren und unangebrachte oder schädliche Inhalte zu generieren.

Ein kürzlich veröffentlichtes Papier, das auf arXiv vorgestellt wurde, behandelt genau diese Problematik. Es stellt eine neue Methode namens „SafeDecoding“ vor, die als Sicherheitsbewusste Dekodierungsstrategie dient, um LLMs vor Jailbreaking-Attacken zu verteidigen. SafeDecoding basiert auf der Beobachtung, dass trotz der Dominanz von Token-Wahrscheinlichkeiten, die schädliche Inhalte repräsentieren, Sicherheitshinweise unter den Top-Token nach Wahrscheinlichkeit in absteigender Reihenfolge erscheinen. Durch die Identifizierung von Sicherheitshinweisen und die Verstärkung ihrer Token-Wahrscheinlichkeiten, während gleichzeitig die Wahrscheinlichkeiten von Token-Sequenzen, die mit den Zielen von Jailbreaking-Attacken übereinstimmen, abgeschwächt werden, kann SafeDecoding diese Angriffe mildern.

Die Forscher führten umfangreiche Experimente mit fünf LLMs unter Verwendung von sechs modernsten Jailbreaking-Attacken und vier Benchmark-Datensätzen durch. Die Ergebnisse zeigten, dass SafeDecoding die Erfolgsrate der Angriffe und die Schädlichkeit der Jailbreaking-Attacken signifikant reduziert, ohne die Nützlichkeit der Antworten auf gutartige Nutzeranfragen zu kompromittieren. SafeDecoding übertraf sechs Verteidigungsmethoden.

Ein weiterer Ansatz zur Verteidigung gegen Jailbreaking-Attacken, der ebenfalls auf arXiv vorgestellt wurde, ist die „Verteidigung durch Rückübersetzung“. Dieser Ansatz nutzt das Konzept der Rückübersetzung, bei dem eine vom Zielmodell generierte Antwort verwendet wird, um eine Eingabeaufforderung zu erschließen, die zu dieser Antwort führen könnte. Diese rückübersetzte Aufforderung enthüllt tendenziell die tatsächliche Absicht der ursprünglichen Aufforderung, da sie auf der Antwort des LLM basiert und nicht direkt vom Angreifer manipuliert wird. Wenn das Zielmodell die rückübersetzte Aufforderung ablehnt, wird auch die ursprüngliche Aufforderung abgelehnt. Diese Methode bietet Vorteile in Bezug auf Effektivität und Effizienz und hat wenig Auswirkungen auf die Qualität der Generierung für gutartige Eingabeaufforderungen.

Diese Forschungen sind von entscheidender Bedeutung, da sie zeigen, dass Feinabstimmung mit mehr Sicherheitsdaten möglicherweise nicht effektiv ist, um wilde Jailbreaking-Attacken abzuwehren, und dass LLMs dadurch übermäßig konservativ werden könnten. Die Forschungsergebnisse legen nahe, dass es möglich ist, die initialen Ausgaben sicherer zu gestalten, indem die Änderungen der Token-Wahrscheinlichkeiten verstärkt werden, die durch sicherheitsbewusstes Tuning verursacht wurden.

In Anbetracht der zunehmenden Integration von LLMs in reale Anwendungen und der ständigen Bedrohung durch Jailbreaking-Attacken sind solche Abwehrstrategien von großer Bedeutung für die Zukunft der KI-Sicherheit. Unternehmen wie Mindverse, die sich auf innovative KI-Lösungen spezialisieren, können von diesen Forschungsergebnissen profitieren, indem sie ihre Systeme mit solchen Sicherheitsmaßnahmen ausstatten, um die Integrität ihrer Dienste zu gewährleisten und das Vertrauen ihrer Nutzer zu stärken.

Quellen:
- Lin, B. Y., Xu, Z., Jiang, F., Niu, L., Jia, J., & Poovendran, R. (2024). SafeDecoding: Defending against Jailbreak Attacks via Safety-Aware Decoding. arXiv:2402.08983v1 [cs.CR].
- Wang, Y., Shi, Z., Bai, A., & Hsieh, C.-J. (2024). Defending LLMs against Jailbreaking Attacks via Backtranslation. arXiv:2402.16459v1 [cs.CL].