Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

h4rm3l: A language for Composable Jailbreak Attack Synthesis

Created by
  • Haebom
Category
Empty

저자

Moussa Koulako Bala Doumbouya, Ananjan Nandi, Gabriel Poesia, Davide Ghilardi, Anna Goldie, Federico Bianchi, Dan Jurafsky, Christopher D. Manning

개요

본 논문은 최첨단 대규모 언어 모델(LLM)의 안전 필터를 우회하는 "탈옥 공격(jailbreak attacks)"에 대한 문제점을 다룹니다. 기존의 LLM 안전성 평가 방법은 다양한 탈옥 공격을 충분히 포괄하지 못하는 한계가 있습니다. 이를 해결하기 위해, 본 논문은 인간이 읽을 수 있는 도메인 특정 언어(DSL)인 h4rm3l을 제시합니다. h4rm3l은 매개변수화된 문자열 변환 기본 요소의 조합으로 탈옥 공격을 공식적으로 표현합니다. bandit 알고리즘을 사용하는 합성기를 통해 목표 LLM에 최적화된 탈옥 공격을 생성하고, 자동화된 유해 LLM 동작 분류기를 사용하여 생성된 공격을 평가합니다. 실험 결과, 6개의 최첨단 오픈소스 및 독점 LLM을 대상으로 2656개의 새로운 탈옥 공격을 성공적으로 생성했으며, 성공률이 90%를 초과함을 보였습니다.

시사점, 한계점

•
시사점:
◦
h4rm3l DSL을 통해 탈옥 공격을 체계적으로 표현하고 생성할 수 있는 새로운 방법을 제시.
◦
기존 방법보다 다양하고 성공률이 높은 탈옥 공격을 대량으로 생성 가능.
◦
LLM의 안전성 평가 및 강화에 효과적인 새로운 도구 제공.
◦
프로그램 합성 방법을 활용하여 다양한 탈옥 공격을 탐색 가능.
•
한계점:
◦
h4rm3l의 효과는 특정 LLM과 탈옥 공격 유형에 국한될 수 있음.
◦
새로운 유형의 탈옥 공격이 등장할 가능성 존재.
◦
인간의 개입이 필요한 부분이 존재할 수 있음(DSL 설계, 유해 행위 분류 등).
◦
모든 잠재적인 탈옥 공격을 완벽하게 포괄하지 못할 가능성 존재.
👍
Made with Slashpage