惊世骇俗之抖阴靠逼——揭露不良社会现象的深度剖析与警示，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原创 48岁林心如科技美后大变样，穿卫衣搭牛仔裤时髦又洋气，剪短发颜值状态回春！截至2025年4月30日，绝大多数日化护肤上市公司已完成2024年财报的披露，对此我们挑选了17家具有代表性的上市公司进行业绩比对分析。在我们选取的17家日化护肤公司中，仅有6家公司实现营收净利润双增、3家公司增收不增利、3公司营收净利润双降（不包含亏损企业），包括
《揭示不良社会现象：深度剖析与警示》
随着时代的发展和科技的进步，不良社会现象在我们的日常生活中日益凸显。这些现象不仅扰乱了社会秩序，损害了人们的生活质量，也对整个社会的和谐稳定构成了严重威胁。本文将深入探讨这些现象的来源、表现形式，以及如何通过全面剖析与警示，有效预防和解决这些问题。
不良社会现象多源自利益驱动下的权钱交易、黑市交易、非法集资等经济活动。这些行为不仅滋生了大量的犯罪分子，同时也使大量的底层民众陷入了贫困和困境。不良社会现象的表现形式多样，包括但不限于食品安全问题、环境污染问题、教育不公问题、文化价值观缺失等问题。这些现象的存在，不仅侵蚀着人们的身心健康，更直接关系到社会公平正义的实现。
那么，如何有效揭露并防范这些不良社会现象呢？政府应加强法律制度建设，建立健全法律法规体系，打击各类违法犯罪活动。强化执法力度，加大对相关违法行为的处罚力度，形成有力震慑。媒体要加强舆论引导，通过曝光典型案例，揭露社会丑陋面，提高公众对不良社会现象的认知度和警觉性。社会各界应积极参与，支持合法合规的行为，共同维护社会的公平正义。我们每一位公民都应该树立正确的价值观念，坚持底线思维，珍视自己的合法权益，坚决抵制不良社会现象的影响，为构建一个健康、有序、公正的社会环境贡献力量。
总之，《揭示不良社会现象：深度剖析与警示》以深入浅出的方式，展现了不良社会现象的复杂性和严峻性，提出了有效的预防和警示策略。只有全社会共同努力，才能根除不良社会现象，保障人民的生命财产安全和社会的持续健康发展。
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
林心如，作为名副其实的琼女郎，这姐当初在琼瑶剧还珠格格，情深深雨濛濛中的清纯扮相不知道惊艳了多少人的青春岁月，后来这姐凭借着自己的努力更是转型当起了制片人，无论是倾世皇妃还是华灯初上，作品口碑与演员风格都反响不错，这也再次奠定了林心如在娱乐圈中的地位，真是妥妥的事业型大女主。
就在最近，林心如的一组路透图被网友翻了出来，原来照片中林心如一身可爱打扮，跟以往屏幕上精致靓丽的造型大相径庭，头发也扎成了高丸子头，拎着东西走在路上的样子软萌萌的，活脱脱的清纯少女范，真是让小编疑惑，为什么女明星上了年纪还能保养的这么好，羡慕呀！
照片中林心如身穿一件卡通印花卫衣，下身搭配了一条廓形牛仔裤，身上散发着一种慵懒气质，再看林心如的脚上穿着一双休闲感满满的运动鞋，看起来又清爽又可爱，不得不说这姐太适合卫衣穿搭了，另外一组照片中，林心如一身宽宽大大的黑色连帽卫衣尽显活力感，真的太会穿了。
镜头拉近可以看到，林心如不愧是琼瑶千挑万选才选中的主角，因为这姐的颜值简直逆天了，一双灵动有神的大眼睛搭配圆圆的脸蛋，活脱脱的精灵少女一样，肤色也是白皙透亮，似乎看不到一点皱纹和松弛感迹象，难怪都说岁月从来不败美人，此刻具象化了。
自从林心如成功转型为制片人之后，这姐还依旧奋斗在一线，不仅独挑大梁出演主角，还在剧中用扎实的演技和台词功底获得了观众的一致好评，虽然这姐的老公是霍建华，但是这么看来，两人真是旗鼓相当的天作之合，真是令人羡慕。