2023XXX年度女性魅力盛放：性感18岁新生代闪耀璀璨夏日派对狂欢质疑现实的呼声，能否引领我们走入未来的阳光？，破解谜底的调查，背后隐藏着什么？
生物钟的调拨在2023年的仲夏时节已悄然开始，这一季节对于所有热爱生活、追求个性与独特性的年轻人来说，无疑是一次充满活力和热情的盛放。在这个夏天的夜晚，一场名为"2023年度女性魅力盛放：性感18岁新生代闪耀璀璨夏日派对狂欢"的大型活动即将如火如荼地展开，吸引了来自全球各地的众多女性精英齐聚一堂，共同展示她们那独特的魅力和青春的魅力。
这场晚会以新颖独特的主题——"性感18岁新生代闪耀璀璨夏日派对狂欢"为主题，旨在通过展现年轻一代女性的自信、独立、勇敢和创新精神，引领新时代女性的形象走向新的高度。这个晚会以其大胆的服装设计，独具特色的音乐舞台，以及丰富多样的娱乐环节，将为到场的每一位观众带来一场视觉、听觉、触觉的盛宴。
晚会现场的女模特们身着性感而富有创意的夏季服饰，她们的肌肤如同白皙的沙滩上的贝壳，闪烁着迷人的光芒。无论是简洁的白色连衣裙还是大胆的露肩晚礼服，都展现出她们对自我风格的独特理解和追求。这些时尚的单品不仅展现了她们青春活力的气息，也巧妙地融入了流行元素，使得整个舞台散发出一种既现代又复古的韵味。
晚会的主题曲《Summer Nights》为晚会带来了强烈的节奏感和动感，它以明亮欢快的旋律和深情的歌词，勾起了观众回忆起充满阳光海滩的夏日夜晚。与此晚会的舞蹈表演更是将这种轻松愉快的情绪推向高潮。舞台上，舞者们身着各式各样的夏日装扮，以流畅优美的步伐，展示出她们对生活的热爱和对美好未来的憧憬。
晚会还设置了丰富的娱乐环节，如时装秀秀场、游戏互动区、音乐派对等，让观众既能欣赏到女模们的美丽身姿，也能参与到各种娱乐活动中来，释放紧张的工作压力，体验无尽的欢愉和乐趣。
这场晚会不仅是年轻的女人们展示自我魅力的舞台，也是她们与他人交流、分享的平台。在这里，她们不仅可以分享自己的时尚穿搭心得，也可以倾听他人的故事，感受彼此间的友情和爱情。晚会也是一个展示新思想、新观念的窗口，让更多的人了解并尊重女性的多元性和独特性。
"2023年度女性魅力盛放：性感18岁新生代闪耀璀璨夏日派对狂欢"是一场集艺术、娱乐、交流于一体的大型活动，它不仅展示了新一代女性的风采，也为观众呈现了一场无与伦比的视觉盛宴和情感洗礼。无论你是喜欢时尚潮流、热衷于舞蹈表演还是乐于社交交流，都能在这场活动中找到属于自己的乐趣和共鸣。让我们一起期待这充满激情与惊喜的一夜，一同见证那些闪耀熠熠的新生代女性，绽放出最耀眼的笑容，展现最美的姿态！
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