为了拥有理想住所，厂长亲自登门洽谈房产买卖，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“城”心护考！东莞城管推出护航高考措施二十二条俄乌冲突持续至今，俄军暴露出装备迭代滞后、指挥体系僵化等问题。尽管凭借战略纵深拖垮乌军，但集安组织成员国如哈萨克斯坦，已开始寻求多元安全合作 —— 该国 2024 年与土耳其签署铁路建设协议，释放 “战略自主” 信号。
标题：厂长亲自探访房产买卖谈判：寻求理想的居住环境
本文主题为“工厂厂长亲自登门洽谈房产买卖”，以厂长作为主角，描述其在追求理想住所的过程中，深入探索并展开了一场与房产经纪人面对面的洽谈。厂长对房屋的需求不仅仅是满足生产设施的需求，更希望通过这个过程寻找一个能够提供舒适生活环境、方便员工工作及提升企业形象的理想场所。
厂长首先表达了他对房产购置的重要性和迫切性。他指出，随着企业的不断发展和规模扩大，现有的办公场地已无法满足员工日益增长的需求，尤其对于人员密集型的企业来说，一处适合企业发展的物业至关重要。选择一套既符合企业现代化需求，又能提供良好办公环境的房产是他的首要目标。
洽谈过程中，双方展开了详尽而深入的讨论。厂长详细询问了房产的位置、面积、朝向、周边配套设施等因素，并提出了自己的具体需求，如楼层高度、建筑质量、采光、绿化等。他也强调了未来将在此地设立研发中心或销售中心，进一步加强研发能力和市场营销，期待房产能成为公司未来发展的重要支柱。
房产经纪人也在现场展示了各种热门房源，包括位于市中心繁华地段的办公楼、生态园区中的花园别墅、便利交通的商业街区住宅等。针对厂长提出的个性化要求，他们提供了符合客户需求的设计方案和详细的财务分析报告，让厂长有了更清晰的购房决策依据。
通过这次对话，厂长不仅明确了自己对于理想住所的具体要求，也深入了解到了房地产市场的发展趋势和前景。此次洽谈的成功，不仅为他找到了心仪的房产，也为他树立了明确的购房导向，确保了他在未来的房产投资中取得了理想的结果。
厂长以实际行动体现了他对理想住所的执着追求和对企业发展至关重要的重视，这种务实的态度也为他赢得了房地产行业的广泛认可和信任，为企业在实现长期发展目标的也为个人的职业发展开辟了新的道路。
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
4日，东莞市城市管理和综合执法局召开城管领域高考保障工作部署协调会议，进一步明确工作要点，全面做好城管领域高考考点和考生驻地周边城市秩序、环境卫生保障工作，全力护航高考，为考生提供安静、安全、有序的高考环境。市城市管理综合执法局四级调研员黄莹出席会议并讲话。
据了解，今年，东莞市共设置高考考点28个，全市城管系统需按照《东莞城管护航高考措施二十二条》，以“两个便民服务、三个集中整治、四个临时暂停、五个临时调整、六个坚强保障”为重点，考试期间城管部门将开展城市“六乱”治理、加强环境卫生保障、严控噪音扬尘污染、加快市民投诉办理、适度开展宣传等五个方面抓好工作落实。