La génération augmentée par récupération (RAG) permet aux modèles linguistiques à grande échelle (LLM) de générer des réponses éclairées en exploitant des bases de données de connaissances externes sans modifier les paramètres du modèle. Cependant, sans ajustement des pondérations, des attaquants par inférence risquent d'exploiter les documents extraits du contexte du modèle. Les méthodes existantes d'inférence d'appartenance et d'extraction de données reposent souvent sur des jailbreaks ou des questions artificielles soigneusement élaborées, faciles à détecter ou à contourner grâce aux techniques courantes de réécriture de requêtes dans les systèmes RAG. Dans cet article, nous présentons l'attaque par interrogation (IA), une technique d'inférence d'appartenance ciblant les documents d'un référentiel RAG. En formulant des requêtes en langage naturel permettant uniquement de déterminer si un document cible existe, notre méthode réussit l'inférence en seulement 30 requêtes tout en préservant sa discrétion. Un simple détecteur identifie jusqu'à environ 76 fois moins d'invites générées par notre attaque que celles générées par les méthodes existantes. Nous observons une amélioration de 2x du TPR à 1 % FPR par rapport aux attaques d'inférence précédentes sur une variété de configurations RAG, avec un coût d'inférence inférieur à 0,02 $ par document.
