2024年春季伦敦沙滩裸妆庆典：一场夏日风情的美妆盛事！，高考、中考期间，太原交警设立20个应急救助站！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走错考点/延误时间：考前一天实地踩点，记录考点地址与交通路线；考试当天提前1小时出发，如遇堵车可向交警出示准考证求助（部分城市设 “高考绿色通道”）。
2024年春季，备受瞩目的伦敦沙滩裸妆庆典即将举行，这场夏日风情的美妆盛会将开启一场华丽的美妆之旅。届时，身着各式各样的泳装、沙滩裙和夏日主题美妆产品的人们将在豪华的大本营——伦敦海港公园举办这场盛大的户外化妆秀。现场将设有专业美容团队为参与者提供个性化的裸妆建议，并通过专业的灯光设计打造出独特的视觉效果。
活动亮点之一是各种夏日主题美妆产品展示，包括流行的裸色唇膏、透明腮红、亮片眼影以及各种夏日限定彩妆组合，让参与者在享受自然海滩气息的尽享奢华的裸妆体验。主办方还将邀请知名时尚博主和美妆专家现场分享他们的夏季护肤和美妆心得，为现场观众提供实用的美妆知识和技巧指导。
除了美妆展示外，沙滩裸妆庆典还设置了丰富的娱乐环节，如沙滩音乐会、BBQ烧烤派对和各类主题舞蹈表演等，营造出浓厚的夏日气氛。活动现场还将设置梦幻的沙滩帐篷区，供参与者自由搭建自己的遮阳伞和沙雕，创造属于自己的夏日记忆。
2024年春季的伦敦沙滩裸妆庆典是一场集娱乐、美颜、社交于一体的大型户外美妆盛宴，是一次展现自我的独特夏日风范的绝佳机会，期待您的参与！
六月仲夏，万物繁茂
毕业的钟声响起，青春的种子正破土而出
奋斗的篇章里，已闪耀着成长的微光
挥洒的汗水，终将照亮收获的季节
高考、中考在即
学子们即将奔赴考场
太原交警提前部署，全力保障
坚持“最高的标准、最实的举措、最优的服务”
给广大考生创造一个良好的出行环境
保障我市“高考、中考”顺利进行
高考、中考期间，太原交警在市区设立
20个“高考、中考”道路交通应急救助站
太原交警将全力守护
畅通赴考之路
温馨提示
☆高考、中考期间，实施交通限行管理
高考、中考期间限行措施！
☆高考、中考期间，启动“静音模式”
车辆途经考场周边请勿鸣笛
☆考生家长切记提醒孩子，带齐证件以及考试用具
避免因粗心大意耽误考试
☆若遇紧急情况，可向救助站、道路执勤民警求助
或拨打122
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