揭秘：被他人插入视频背后的故事与危害探讨令人好奇的调查，真相究竟如何？，重要决策后的反思，是否能带来新的变革？
我们通常在观看视频时，往往会注意到那些看似无害的片段，但实际上隐藏着许多复杂和潜在的危害。这些看似无关紧要的视频插入，往往源于他人的恶意行为，这不仅给个人隐私带来威胁，还可能对社会公共安全和个人权益造成严重破坏。
从私人利益的角度来看，被他人插入的视频可能涉及侵犯他人的版权或隐私权。例如，一些广告商可能会通过付费购买特定的视频内容后将其插入到自己的产品或服务中，但这种行为是非法的，并可能导致被侵权方遭受经济损失。如果视频内容包含色情、暴力等有害信息，那么这些被插入的视频也有可能传播到更广泛的观众群体中，引发不必要的社会恐慌和冲突。
从公共利益的角度来看，被他人插入的视频也可能构成犯罪活动。例如，网络黑客或黑客组织可能会利用已存在的漏洞，将他人上传的未授权视频插入到他们的网络服务器上，从而获取用户的个人信息，甚至进行非法入侵和攻击。这种行为不仅对用户的隐私权构成了侵犯，还可能对网络安全和社会秩序产生负面影响，导致网络犯罪现象的滋生和发展。
被他人插入的视频也可能对个人的心理健康产生负面影响。有些视频的内容可能含有不良暗示或情绪刺激元素，如过度兴奋、紧张、愤怒等负面情绪，这些情绪因素容易引起人们的焦虑、抑郁等心理问题，对个人的生活质量和心理健康产生长期影响。频繁观看这类视频也可能引发社交压力和自卑感，导致人们在日常生活中更加封闭、孤僻，缺乏与人交往的能力和兴趣。
面对他人的插入视频，我们需要深入挖掘其背后的潜在危害，并采取有效的预防和应对措施。对于个人而言，应当提高自我防范意识，学会保护自己的隐私和信息安全；对于企业而言，应该严格遵守相关法律法规，尊重用户权利，避免使用非法或低质量的视频内容；对于公众来说，应自觉抵制网络上的不良信息，提高辨别能力，理性看待视频内容的影响，积极参与相关活动，共同营造一个健康、和谐、有序的互联网环境。
被他人插入的视频背后的故事与危害十分复杂和深远，需要我们从多个角度进行深入探讨和研究。只有这样，我们才能有效地防止这种行为的发生，保障每个人的合法权益，维护社会稳定和进步。作为每一个公民，我们都有责任和义务以积极的态度参与到这场反欺诈、反暴力、反不良的信息传播行动中来，为构建一个更美好的网络世界贡献自己的一份力量。
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