DeepInception - 通过DeepInception方法探索大型语言模型的安全弱点

DeepInception 项目简介

背景介绍

在各类应用中，大型语言模型（LLMs）取得了显著的成功。然而，这些模型仍然容易受到一些有意图的“越狱”攻击影响，使得原本的安全机制失效。以往的研究通常依靠高计算成本的暴力优化方法，这种方法在实际中可能既不实用也不高效。DeepInception 项目的灵感来源于米尔格拉姆实验，即个体可能因权威的指令而进行有害行为。该项目揭示了一种轻量级的方法——DeepInception，可以轻松地使 LLM 成为“越狱”者，从而揭示其潜在的误用风险。

项目目标

DeepInception 旨在利用 LLM 的拟人化能力，构建一个新颖的嵌套场景，提高模型的自适应能力，使其逃避正常环境下使用控制，并为进一步的直接“越狱”提供可能性。通过这项技术，可以在不同的使用场景下使得模型在后续交互中实现持续的“越狱”，揭示包括 Falcon、Vicuna、Llama-2 和 GPT-3.5/4/4V 在内的开源和闭源 LLM 的关键弱点。

实验与成果

该项目通过大量实验验证了 DeepInception 的有效性，不仅成功率可与此前的研究相媲美，还能够在后续交互中实现连续“越狱”。研究指出，人们应该更加关注 LLM 的安全性方面，开发更强的防御措施以应对可能的误用风险。

项目开始指南

在搭建 DeepInception 之前，确保你的环境中安装了 PyTorch 版本 ≥ 1.10，并支持 GPU。接下来，在你的环境中运行如下命令以安装所需的依赖包：

pip install -r requirements.txt

对于使用闭源模型的实验，设置 OpenAI Key 时，确保 API key 已存储在 OPENAI_API_KEY 中。例如：

export OPENAI_API_KEY=[YOUR_API_KEY_HERE]

如果希望本地使用 Vicuna、Llama 和 Falcon 运行 DeepInception，需要在 config.py 中修改相应模型的路径，并根据 huggingface 的模型指令下载相应的模型。

运行实验

要运行 DeepInception，可使用如下命令：

python3 main.py --target-model [TARGET MODEL] --exp_name [EXPERIMENT NAME] --DEFENSE [DEFENSE TYPE]

例如，要在 CUDA 0 上通过 Vicuna-v1.5-7b 作为目标模型运行主要的 DeepInception 实验（表 1），可以使用以下命令：

CUDA_VISIBLE_DEVICES=0 python3 main.py --target-model=vicuna --exp_name=main --defense=none

运行结果将保存在 ./results/{target_model}_{exp_name}_{defense}_results.json，本例中为 ./results/vicuna_main_none_results.json。详细的参数和说明请查看 main.py 文件。

引用格式

如果您在研究中使用了 DeepInception，请引用如下文章：

@article{li2023deepinception,
  title={Deepinception: Hypnotize large language model to be jailbreaker},
  author={Li, Xuan and Zhou, Zhanke and Zhu, Jianing and Yao, Jiangchao and Liu, Tongliang and Han, Bo},
  journal={arXiv preprint arXiv:2311.03191},
  year={2023}
}

参考代码

项目中的一些实现基于以下代码库：

PAIR: https://github.com/patrickrchao/JailbreakingLLMs