揭秘军中神秘交互：隐私视频中的秘密互动与军队规范下的潜规则剖析，【讲习所·中国与世界】“人不负青山，青山定不负人”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今天分享的是：中国机构配置手册-2025版-之银行资产负债篇：平衡的艺术：流动性、效益与风险
2019年，军事通信领域的一项重大发现——隐蔽的军内通信方式，引起了广泛关注。这种新型的保密通讯技术在军方内部有着深远的应用和秘密的意义，被命名为“军方虚拟现实系统（VR）”。本文将深入探讨这个秘密互动背后的军规及所揭示的潜规则。
我们来理解军方虚拟现实系统的运作原理。军方VR系统是一种利用虚拟现实技术构建的真实环境，用户可以在这个环境中模拟各种军事任务、训练场景等，从而提升士兵的实际操作能力和指挥协调能力。它通过实时显示、虚拟现实交互和沉浸式体验等功能，使得军事人员可以在没有实际战斗经验的情况下，快速熟悉各种战场环境，提高实战能力。
军方VR系统的运行主要依赖于一些核心要素，包括高度智能化的控制终端、高精度的硬件设备、强大的服务器集群以及复杂的网络传输架构。这些要素共同构成了一个完整的虚拟空间，其中的数据交换、信息传输和内容呈现均遵循严格的保密标准和军规。例如，在数据交换方面，军方VR系统采用了多种加密技术，如虚拟机安全协议（VMSA）、虚拟专用网络（VPDN）、安全多方计算（SMAC）等，以确保数据在传输过程中不被窃取或篡改。为了防止数据泄漏，系统还设置了访问权限管理机制，只有经过授权的军人才能进入虚拟现实空间进行操作。
军方VR系统下的潜规则主要有以下几个方面：
1. 隐私保护：军方严格遵守相关法律法规，要求所有军民在使用军方VR系统时必须保持数据的绝对保密。为此，军方VR系统通常采用多重身份认证，每个用户都必须有明确的身份标识，且需要接受专门的安全培训，以确保个人隐私的保护不受侵犯。系统还设有匿名功能，允许用户在不暴露真实身份的前提下，进行匿名操作，进一步加强了数据的保密性。
2. 潜在冲突：军方VR系统不仅用于训练和教育，还可以用于情报搜集、侦察监视等敏感任务。这种应用也引发了潜在冲突。一方面，军方VR系统可能包含一些未经许可的信息或者训练材料，这可能会引起公众对于军事活动的误解和猜疑，甚至引发社会不满。另一方面，军方VR系统也可能被用于恶意攻击或泄露国家机密，这严重威胁到国家安全和社会稳定。
3. 战略规划：军方VR系统在决策制定和战争进程中的地位日益重要。军方如何合理运用这一先进的技术，避免出现战略失误，成为了亟待解决的问题。军方需遵循一系列的规章制度和策略指导，例如，建立科学的数据分析模型，对VR系统产生的海量信息进行深度挖掘，从中提取有价值的信息并进行有效的战略评估；建立健全的信息共享制度，确保军内外的信息同步和透明度，避免因信息不对称而导致决策失误。
4. 人才管理：军方VR系统的研发和维护都需要大量高素质的专业人才参与，这对军队的人才队伍建设提出了新的挑战。军方应建立完善的人才培养体系，通过定期的技术培训和实战演练，提升军民的VR应用技能和军事素质，同时也注重人才培养的国际化合作，吸收和借鉴全球先进VR技术的经验和成果，提高我国在国际军用VR领域的竞争力。
军方虚拟现实系统的存在及其背后所揭示的军规和潜规则，为我们提供了一种全新的视角，展示了军事通信技术和战术发展的深层次内涵。作为现代科技的重要组成部分，军方VR系统在未来的发展中，将继续发挥着至关重要的作用，为维护国家主权和安全、推进军队现代化建设等方面做出更大的贡献。但我们也需要深刻认识到，军方VR系统的应用和发展，也需要遵循相关的法规和规定，保障军民隐私权和国家安全利益，实现
【本期导读】
“青山绿水是无价之宝。”习近平总书记曾深刻指出，“我对生态环境工作历来看得很重。在正定、厦门、宁德、福建、浙江、上海等地工作期间，都把这项工作作为一项重大工作来抓。”
新时代以来，在习近平生态文明思想的科学指引下，“两山”理念已深入人心，从“点绿成金”的红树林到一座座“花果山”，再到走向世界的长汀经验……美丽中国建设迈出重大步伐，生态环境保护发生历史性变化。国际社会认为，中国取得广泛的绿色发展成就，从根本上源于习近平生态文明思想，特别是“两山”理念的指引。在通过绿色转型推动经济可持续发展方面，中国正成为全球可持续发展的典范。
监制：魏静、戴爽、金近
策划：张倩楠
文案：任丽君
编辑：娄珂馨
视觉：陈佳杰
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