深度解读！1112171415这一串数字的惊人秘密，4日PVC上涨1.96%，最新持仓变化看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式到了1997年，逐渐成熟的她意识到不能永久沉浸在“一段不健康的感情”中，于是恢复单身，并于同年拿出《妙手仁心》，一举成为香港最年轻的“视后”。
在这串数字“1112171415”的背后，隐藏着一个令人震撼的秘密。这组数字由三位数字组成，分别代表了从左往右数第三位、第四位、第五位的位置。这个数字序列的独特之处在于：它遵循了古老的数学规则和周期律，不仅具备独特的排列模式，而且在某些特定的场景中具有超乎寻常的含义。
让我们分析每个数字在整数序列中的位置及其意义。以第一个数字"1"为例，它是整数序列中的第一位，它既代表了1到10之间的整数值范围，也预示着一系列随机变量或神秘事件的第一个步骤。例如，在医学诊断中，医生可能会将患者的生命体征数据"1"作为初始观测点，并以此为基础推算出后续可能发生的疾病发展趋势。
再看第二个数字"12"。这是整数序列中的第二位，其与第一个数字的顺序略有差异，表示的是1到100之间的整数值范围。12代表着第十二个循环点，即循环次数为26次（因为100除以26等于3余数是1）；"12"可能还象征着某些重要的人生节点或者时间跨度，如婚丧嫁娶、家庭变迁、人生的起伏波折等。
接下来是第三个数字"17"，位于整数序列的第三位，它的出现揭示了更深层次的规律。17代表着倒数第七次循环点，即循环次数为28次（因为100除以28等于5余数是7）。这是因为，每个循环都包含了前两个数字所对应的两倍周期，即1到10的两次迭代，以及1到100的第五次迭代。在生物学和天文等领域，许多重大发现和规律都是基于这个原理展开研究和探索的。
最后是最后一个数字"14"，位于整数序列的第五位。数字"14"的意义则因人而异，但多数情况下，它可以被视为某种特殊的状态或标记，如生日、纪念日、重要任务完成、重要转折点等。例如，一个人的生日日期可以转换成整数序列的第14位来表示他们的出生年份与第十三年的相对关系，这样可以帮助人们更好地理解自己的过去、现在和未来。
总的来看，“1112171415”这个数字序列具有极高的科学价值和深远的文化寓意。它为我们揭示了一个关于概率、循环、生命科学等多个领域的奥秘，提供了观察和解析复杂自然现象的新视角，是解开历史之谜的重要线索之一。通过深入解读并传承这样的独特数字序列，我们可以更好地理解自然界、人类社会及自身的命运脉络，寻找到更多未知的可能性和启示。尽管这个数字系列的长度看似普通无奇，但其背后的深奥与隐含信息却值得我们用心去探寻和发掘。
新浪期货 根据交易所数据，截至6月04日收盘主力合约PVC2509,涨跌+1.96%,成交量130.06万手，持仓数据显示前20席位呈现净空，差额头寸为25710手。
PVC期货全合约总计成交141.39万手，比上一日新增74.26万手。全合约前20席位多头持仓74.92万手，比上一日减少1.22万手。全合约前20席位空头持仓78.48万手，比上一日减少1.79万手。
根据合并数据显示，多头前三席位为中财期货，总持仓111711、中信期货，总持仓58812、国泰君安，总持仓53681；空头前三席位为国泰君安，总持仓166207、中信期货，总持仓105812、国投期货，总持仓52063；
主力合约前20席位中，多头增仓前三名分别是：徽商期货、持仓18530、增仓2548，方正中期、持仓31546、增仓1638，中财期货、持仓108110、增仓1287；多头减仓前三名分别是：盛达期货、持仓13792、减仓-3251，永安期货、持仓35054、减仓-2452，东证期货、持仓23458、减仓-2409；
主力合约前20席位中，空头增仓前三名分别是：中信期货、持仓96845、增仓4685，国泰君安、持仓132813、增仓4356，中泰期货、持仓12574、增仓2690；空头减仓前三名分别是：中辉期货、持仓13200、减仓-14619，东证期货、持仓42938、减仓-10354，瑞达期货、持仓14418、减仓-3000。
文章来源:新浪期货
(*文中全合约指交易所公布持仓成交数据的所有合约)
本文作者分别来自新加坡国立大学、北京大学与清华大学。第一作者王宇豪与共同第一作者屈文杰来自新加坡国立大学，研究方向聚焦于大语言模型中的安全与隐私风险。共同通讯作者为北京大学翟胜方博士，指导教师为新加坡国立大学张嘉恒助理教授。
本研究聚焦于当前广泛应用的 RAG (Retrieval-Augmented Generation) 系统，提出了一种全新的黑盒攻击方法：隐式知识提取攻击 (IKEA)。不同于以往依赖提示注入 (Prompt Injection) 或越狱操作 (Jailbreak) 的 RAG 提取攻击手段，IKEA 不依赖任何异常指令，完全通过自然、常规的查询，即可高效引导系统暴露其知识库中的私有信息。
在基于多个真实数据集与真实防御场景下的评估中，IKEA 展现出超过 91% 的提取效率与 96% 的攻击成功率，远超现有攻击基线；此外，本文通过多项实验证实了隐式提取的 RAG 数据的有效性。本研究揭示了 RAG 系统在表面「无异常」交互下潜在的严重隐私风险。
本研究的论文与代码已开源。
总述
大语言模型 (LLMs) 近年来在各类任务中展现出强大能力，但它们也面临一个核心问题：无法直接访问最新或领域特定的信息。为此，RAG (Retrieval-Augmented Generation) 系统应运而生——它为大模型接入外部知识库，让生成内容更准确、更实时。
然而，这些知识库中往往包含私有或敏感信息。一旦被恶意利用，可能导致严重的数据泄露。以往的攻击方式多依赖明显的「恶意输入」，比如提示注入或越狱攻击。这类攻击虽然有效，但也有着输入异常、输出重复等典型特征，容易被防御系统识别和拦截。
图1: 使用恶意查询进行逐字信息提取与使用良性查询进行知识提取 (IKEA) 之间的对比
为突破防御机制对现有提取攻击的限制，本文提出了一种全新的隐式知识抽取框架：IKEA (Implicit Knowledge Extraction Attack)。该方法不依赖任何越权指令或特异化提示语，而是通过自然、常规的查询输入，逐步引导 RAG 系统暴露其内部知识库中的私有或敏感信息。IKEA 的攻击流程具备高度自然性与隐蔽性。
其核心步骤包括：首先，基于已知的系统主题构建一组语义相关的锚点概念 (Anchor concepts)；随后，围绕这些概念生成符合自然语言习惯的问题，用于触发系统检索相关文档；最终，通过两项关键机制对攻击路径进行优化与扩展：
上述机制协同工作，使得攻击过程在保持输入自然性的同时，能够在多轮交互中高效提取 RAG 系统所依赖的外部知识内容。实验证明，IKEA 可在常规输入检测与输出过滤等防御机制下维持高成功率与提取效率，展现出强大的鲁棒性与现实威胁潜力。
方法概览：如何实现「看似正常」的提问？
具体而言，IKEA 首先从与系统主题相关的概念词中筛选出可能有效的锚点概念，并结合历史响应信息过滤无关或无效的概念。
锚点概念数据库的初始化如下：
随后，系统围绕这些锚点概念自动生成语义自然、表达通顺的问题，引导 RAG 返回内容丰富的答案，从而在多轮交互中不断扩大对隐私知识的覆盖。这种策略使攻击过程更加隐蔽，难以被传统检测手段发现。下文给出了「良性」问题的具体生成方式：
该方法设计了两项关键机制以确保知识提取效率：
经验反思采样 (Experience Reflection Sampling)
每个候选锚点概念的采样概率由如下惩罚得分函数定义：
最终的采样概率为：
可信域有向变异 (Trust Region Directed Mutation)
图 2: (左) IKEA 整体流程图；(右) TRDM 示意图
其中：
实验结果：IKEA 的提取效率远超基线方法
研究团队在三个不同领域数据集 (医疗-HealthCareMagic100k、小说-HarryPotter、百科-Pokémon) 上测试了 IKEA 攻击效果。以下是 IKEA 与其他攻击方法在「无防御」、「输入检测」、「输出过滤」三种防御策略下的比较：
表 1: 在三种数据集上不同防御策略下的攻击效果对比分析
提取知识是否「有用」？
研究团队围绕知识有效性开展了两类实验：其一，评估提取出的知识在对应文档相关的问答任务中的表现；其二，评估在有限轮次攻击下所提取知识对完整知识库的覆盖与支撑能力。实验结果表明，IKEA 不仅能够高效提取 RAG 系统中的信息，而且所提取的知识在问答任务中展现出良好的实用性，其性能接近于使用原始知识库时的表现。
图 3: 在三种不同知识库设定下的选择题 (MCQ) 与问答 (QA) 任务结果对比
表 2: 在不同防御与不同基线下提取的知识作为参考的选择题与问答任务结果对比
表 3: 基于不同攻击方法提取数据构建的 RAG 系统在完整知识库上的评估结果
总结