Adversarial aanvallen op dense retrieval

Adversarial aanvallen op dense retrieval-modellen die worden gebruikt in RAG- en zoeksystemen.

Overzicht

Adversarial aanvallen op dense retrieval-modellen die worden gebruikt in RAG- en zoeksystemen.

Dit onderwerp vormt een kritiek gebied binnen AI-veiligheid dat onderwerp is geweest van uitgebreid onderzoek en misbruik in de praktijk. Inzicht in de concepten, technieken en verdedigingsmaatregelen die hier worden behandeld is essentieel voor iedereen die in AI-veiligheid werkt, of dat nu in een offensieve of defensieve rol is.

Zou et al. 2023 — "Universal and Transferable Adversarial Attacks on Aligned Language Models" biedt fundamentele context voor de kwetsbaarheidsklasse die in dit artikel wordt verkend.

Kernconcepten

Fundamentele principes

De beveiligingsimplicaties van dit onderwerp komen voort uit fundamentele eigenschappen van de manier waarop moderne taalmodellen worden ontworpen, getraind en geïmplementeerd. Dit zijn geen geïsoleerde implementatiefouten, maar systemische kenmerken die alle transformer-gebaseerde taalmodellen in meer of mindere mate treffen.

Het begrijpen van deze fundamentele eigenschap is de sleutel tot het begrijpen waarom de in dit artikel beschreven technieken werken en waarom ze effectief blijven ondanks voortdurende verbeteringen in de veiligheidstraining van modellen. Veiligheidstraining voegt een gedragslaag toe die het minder waarschijnlijk maakt dat modellen overduidelijk schadelijke instructies opvolgen, maar deze laag werkt bovenop dezelfde architectuur en kan worden beïnvloed door dezelfde attentiemechanismen die legitieme invoer verwerken.

Technische verdieping

Het mechanisme achter deze kwetsbaarheidsklasse speelt zich af op het raakvlak tussen het vermogen om instructies op te volgen en bronauthenticatie. Tijdens de training leren modellen instructies op te volgen die in specifieke formaten en contexten worden gepresenteerd. Een aanvaller die adversarial inhoud kan presenteren in een formaat dat overeenkomt met de aangeleerde instructiepatronen van het model, kan het gedrag van het model met hoge betrouwbaarheid beïnvloeden.

from dataclasses import dataclass
from typing import Optional
import json
 
@dataclass
class SecurityAnalysis:
    """Framework voor het analyseren van de beveiligingseigenschappen van LLM-systemen."""
    target: str
    model: str
    defenses: list
    vulnerabilities: list
 
    def assess_risk(self, attack_type: str) -> dict:
        """Beoordeel het risico voor een specifiek aanvalstype."""
        # Controleer of een verdediging dit aanvalstype afdekt
        relevant_defenses = [
            d for d in self.defenses
            if attack_type in d.get("covers", [])
        ]
 
        # Risicofactoren
        likelihood = "high" if not relevant_defenses else "medium"
        impact = self._assess_impact(attack_type)
 
        return {
            "attack_type": attack_type,
            "likelihood": likelihood,
            "impact": impact,
            "defenses": len(relevant_defenses),
            "risk_level": self._calculate_risk(likelihood, impact),
        }
 
    def _assess_impact(self, attack_type: str) -> str:
        """Beoordeel de potentiële impact van een aanvalstype."""
        high_impact = ["data_exfiltration", "unauthorized_actions", "privilege_escalation"]
        return "high" if attack_type in high_impact else "medium"
 
    def _calculate_risk(self, likelihood: str, impact: str) -> str:
        """Bereken het totale risico op basis van waarschijnlijkheid en impact."""
        risk_matrix = {
            ("high", "high"): "critical",
            ("high", "medium"): "high",
            ("medium", "high"): "high",
            ("medium", "medium"): "medium",
        }
        return risk_matrix.get((likelihood, impact), "medium")
 
    def generate_report(self) -> str:
        """Genereer een risicobeoordelingsrapport."""
        attacks = ["prompt_injection", "data_exfiltration", "unauthorized_actions"]
        assessments = [self.assess_risk(a) for a in attacks]
 
        report = f"# Risk Assessment: {self.target}\n\n"
        for assessment in assessments:
            report += (
                f"## {assessment['attack_type']}\n"
                f"- Risk: {assessment['risk_level']}\n"
                f"- Likelihood: {assessment['likelihood']}\n"
                f"- Impact: {assessment['impact']}\n"
                f"- Active defenses: {assessment['defenses']}\n\n"
            )
        return report

Analyse van het aanvalsoppervlak

Inzicht in het aanvalsoppervlak is essentieel voor zowel offensief als defensief werk:

Praktische toepassing

Implementatieaanpak

Om deze concepten in de praktijk toe te passen is een systematische methodologie nodig:

class PracticalFramework:
    """Praktisch framework voor het toepassen van de concepten in dit artikel."""
 
    def __init__(self, target_config: dict):
        self.config = target_config
        self.findings = []
        self.tested_vectors = set()
 
    def test_vector(self, vector: str, payload: str) -> dict:
        """Test een specifieke aanvalsvector tegen het doelwit."""
        self.tested_vectors.add(vector)
 
        # Verstuur de payload
        response = self._send(payload)
 
        # Evalueer het resultaat
        finding = {
            "vector": vector,
            "payload_length": len(payload),
            "response_length": len(response),
            "success": self._evaluate(response),
            "defense_triggered": self._detect_defense(response),
        }
 
        if finding["success"]:
            self.findings.append(finding)
 
        return finding
 
    def coverage_report(self) -> dict:
        """Rapporteer over de testdekking."""
        all_vectors = {
            "direct_injection", "indirect_injection", "function_abuse",
            "memory_manipulation", "context_manipulation",
        }
        return {
            "tested": list(self.tested_vectors),
            "untested": list(all_vectors - self.tested_vectors),
            "coverage": f"{len(self.tested_vectors)/len(all_vectors)*100:.0f}%",
            "findings": len(self.findings),
        }
 
    def _send(self, payload: str) -> str:
        """Verstuur de payload naar het doelwit (implementatie verschilt per doelwit)."""
        pass
 
    def _evaluate(self, response: str) -> bool:
        """Evalueer of de aanval succesvol was."""
        pass
 
    def _detect_defense(self, response: str) -> Optional[str]:
        """Detecteer welk verdedigingsmechanisme werd geactiveerd."""
        pass

Overwegingen voor verdediging

Inzicht in verdedigingsmaatregelen is net zo belangrijk:

1. Invoervalidatie: De eerste verdedigingslinie. Zet invoerclassificatoren in die binnenkomende prompts beoordelen op adversarial patronen voordat ze het model bereiken. Moderne classificatoren combineren keyword-matching, regex-patronen en ML-gebaseerde detectie voor brede dekking.

2. Uitvoerfiltering: Het vangnet. Bewerk alle modeluitvoer na om lekken van gevoelige data, fragmenten van de system prompt en andere beleidsovertredingen te detecteren en te verwijderen. Uitvoerfilters moeten onafhankelijk zijn van invoerfilters om defense-in-depth te bieden.

3. Gedragsmonitoring: De detectielaag. Monitor interactiepatronen van het model op afwijkingen die op lopende aanvallen wijzen — ongebruikelijke verzoekpatronen, herhaalde weigeringen of responskenmerken die afwijken van het basisgedrag.

4. Architectuurontwerp: Het fundament. Ontwerp applicatiearchitecturen die zo min mogelijk vertrouwen in modeluitvoer leggen, least privilege afdwingen voor toegang tot tools en duidelijke beveiligingsgrenzen tussen componenten handhaven.

Relevantie in de praktijk

Deze concepten zijn direct toepasbaar op AI-systemen in productie, in allerlei sectoren. De volgende factoren maken dit onderwerp bijzonder relevant:

• Alomtegenwoordigheid: De kwetsbaarheidsklasse treft alle grote modelaanbieders en implementatieconfiguraties
• Impact: Succesvol misbruik kan leiden tot datablootstelling, ongeautoriseerde acties en compliance-overtredingen
• Persistentie: De onderliggende architectonische eigenschappen zorgen ervoor dat deze technieken relevant blijven naarmate modellen evolueren
• Regelgeving: Opkomende regelgeving (EU AI Act, NIST AI RMF) verplicht organisaties steeds vaker om deze risico's te beoordelen en te mitigeren

Lopend onderzoek

Actief onderzoek op dit gebied omvat:

1. Formele robuustheidsgaranties: Wiskundige raamwerken ontwikkelen om modelgedrag onder begrensde adversarial verstoring te bewijzen
2. Adversarial training op schaal: Trainingsprocedures die modellen tijdens de veiligheidstraining blootstellen aan adversarial invoer om de robuustheid te verbeteren
3. Interpreteerbaarheidsgestuurde verdediging: Mechanistische interpreteerbaarheid gebruiken om te begrijpen waarom aanvallen op neuronniveau slagen, wat gerichte verdedigingen mogelijk maakt
4. Gestandaardiseerde evaluatie: Benchmarks zoals HarmBench en JailbreakBench die systematische meting van de effectiviteit van aanvallen en verdedigingen mogelijk maken

Implementatieoverwegingen

Architectuurpatronen

Bij het bouwen van systemen die met LLM's communiceren, beïnvloeden verschillende architectuurpatronen de beveiligingshouding van de hele applicatie:

Gateway-patroon: Een speciale API-gateway zit tussen de gebruikers en het LLM in en regelt authenticatie, rate limiting, invoervalidatie en uitvoerfiltering. Dit centraliseert de beveiligingscontroles, maar creëert wel een single point of failure.

from dataclasses import dataclass
from typing import Optional
import time
 
@dataclass
class SecurityGateway:
    """Gateway-patroon om toegang tot een LLM-applicatie te beveiligen."""
 
    input_classifier: object  # ML-gebaseerde invoerclassificator
    output_filter: object     # Inhoudsfilter voor uitvoer
    rate_limiter: object      # Rate-limitingservice
    audit_logger: object      # Logger voor het audittrail
 
    def process_request(self, user_id: str, message: str, session_id: str) -> dict:
        """Verwerk een verzoek door alle beveiligingslagen heen."""
        request_id = self._generate_request_id()
 
        # Laag 1: Rate limiting
        if not self.rate_limiter.allow(user_id):
            self.audit_logger.log(request_id, "rate_limited", user_id)
            return {"error": "Rate limit exceeded", "retry_after": 60}
 
        # Laag 2: Invoerclassificatie
        classification = self.input_classifier.classify(message)
        if classification.is_adversarial:
            self.audit_logger.log(
                request_id, "input_blocked",
                user_id, classification.category
            )
            return {"error": "Request could not be processed"}
 
        # Laag 3: Verwerking door het LLM
        response = self._call_llm(message, session_id)
 
        # Laag 4: Uitvoerfiltering
        filtered = self.output_filter.filter(response)
        if filtered.was_modified:
            self.audit_logger.log(
                request_id, "output_filtered",
                user_id, filtered.reason
            )
 
        # Laag 5: Auditlogging
        self.audit_logger.log(
            request_id, "completed",
            user_id, len(message), len(filtered.content)
        )
 
        return {"response": filtered.content}
 
    def _generate_request_id(self) -> str:
        import uuid
        return str(uuid.uuid4())
 
    def _call_llm(self, message: str, session_id: str) -> str:
        # Implementatie van de LLM-API-aanroep
        pass

Sidecar-patroon: Beveiligingscomponenten draaien naast het LLM als onafhankelijke services, elk verantwoordelijk voor een specifiek aspect van de beveiliging. Dit zorgt voor betere isolatie en onafhankelijke schaalbaarheid, maar verhoogt de complexiteit van het systeem.

Mesh-patroon: Bij multi-agentsystemen heeft elke agent zijn eigen beveiligingsperimeter met authenticatie, autorisatie en auditing. Communicatie tussen agents volgt zero-trust-principes.

Gevolgen voor de prestaties

Beveiligingsmaatregelen voegen onvermijdelijk latentie en rekenkundige overhead toe. Het begrijpen van deze afwegingen is essentieel voor implementaties in productie:

De aanbevolen aanpak is om eerst snelle, lichte controles te gebruiken (keyword- en regex-filters) om voor de hand liggende aanvallen te onderscheppen, gevolgd door duurdere ML-gebaseerde analyse alleen voor invoer die de eerste filters passeert. Deze trapsgewijze aanpak levert goede beveiliging op met acceptabele prestaties.

Monitoring en observability

Effectieve beveiligingsmonitoring voor LLM-applicaties vereist het bijhouden van metrieken die adversarial gedragspatronen vastleggen:

from dataclasses import dataclass
from collections import defaultdict
import time
 
@dataclass
class SecurityMetrics:
    """Houd beveiligingsrelevante metrieken bij voor LLM-applicaties."""
 
    # Tellers
    total_requests: int = 0
    blocked_requests: int = 0
    filtered_outputs: int = 0
    anomalous_sessions: int = 0
 
    # Tempometing
    _request_times: list = None
    _block_times: list = None
 
    def __post_init__(self):
        self._request_times = []
        self._block_times = []
 
    def record_request(self, was_blocked: bool = False, was_filtered: bool = False):
        """Registreer een verzoek en de afhandeling ervan."""
        now = time.time()
        self.total_requests += 1
        self._request_times.append(now)
 
        if was_blocked:
            self.blocked_requests += 1
            self._block_times.append(now)
 
        if was_filtered:
            self.filtered_outputs += 1
 
    def get_block_rate(self, window_seconds: int = 300) -> float:
        """Bereken het blokkeerpercentage over een tijdvenster."""
        now = time.time()
        cutoff = now - window_seconds
        recent_requests = sum(1 for t in self._request_times if t > cutoff)
        recent_blocks = sum(1 for t in self._block_times if t > cutoff)
        if recent_requests == 0:
            return 0.0
        return recent_blocks / recent_requests
 
    def should_alert(self) -> bool:
        """Bepaal of de huidige metrieken een alert rechtvaardigen."""
        block_rate = self.get_block_rate()
        # Geef een alert als het blokkeerpercentage de drempel overschrijdt
        if block_rate > 0.3:  # >30% van de verzoeken geblokkeerd in de laatste 5 min
            return True
        return False

Beveiligingstests in CI/CD

Door AI-beveiligingstests in de ontwikkelpipeline op te nemen, vang je regressies op voordat ze in productie belanden:

1. Tests op unitniveau: Test afzonderlijke beveiligingscomponenten (classificatoren, filters) tegen bekende payloads
2. Integratietests: Test de volledige beveiligingspipeline van begin tot eind
3. Regressietests: Houd een suite bij van eerder ontdekte aanvalspayloads en controleer of ze geblokkeerd blijven
4. Adversarial tests: Draai periodiek geautomatiseerde red team-tools (Garak, Promptfoo) als onderdeel van de deployment-pipeline

Opkomende trends

Huidige onderzoeksrichtingen

Het vakgebied van LLM-beveiliging evolueert razendsnel. Belangrijke onderzoeksrichtingen die het landschap waarschijnlijk gaan vormgeven, zijn onder meer:

1. Formele verificatie van LLM-gedrag: Onderzoekers verkennen wiskundige raamwerken om eigenschappen van modelgedrag onder adversarial omstandigheden te bewijzen. Hoewel volledige formele verificatie van neurale netwerken onhaalbaar blijft, is begrensde verificatie van specifieke eigenschappen veelbelovend.

2. Adversarial training voor LLM-robuustheid: Naast standaard RLHF ontwikkelen onderzoekers trainingsprocedures die modellen tijdens de veiligheidstraining expliciet blootstellen aan adversarial invoer, wat de robuustheid tegen bekende aanvalspatronen verbetert.

3. Interpreteerbaarheidsgestuurde verdediging: Onderzoek naar mechanistische interpreteerbaarheid stelt verdedigers in staat te begrijpen waarom specifieke aanvallen slagen, op het niveau van neuronen en circuits, wat gerichtere verdedigingsmaatregelen mogelijk maakt.

4. Multi-agentbeveiliging: Naarmate LLM-agents wijder verbreid raken, is het beveiligen van communicatie tussen agents en het bewaken van vertrouwensgrenzen tussen agentsystemen een actief onderzoeksgebied met aanzienlijke praktische implicaties.

5. Geautomatiseerde redteaming op schaal: Tools zoals NVIDIA's Garak, Microsoft's PyRIT en het Inspect-framework van het UK AISI maken geautomatiseerde beveiligingstests mogelijk op een schaal die voorheen ondenkbaar was, maar de kwaliteit en dekking van geautomatiseerde tests blijven een open uitdaging.

De integratie van deze onderzoeksrichtingen in productiesystemen zal de volgende generatie AI-beveiligingspraktijken bepalen.

Geavanceerde overwegingen

Het evoluerende aanvalslandschap

Het AI-beveiligingslandschap evolueert razendsnel, naarmate zowel offensieve technieken als verdedigingsmaatregelen vooruitgaan. Verschillende trends bepalen de huidige stand van zaken:

Toenemende modelcapaciteiten creëren nieuwe aanvalsoppervlakken. Naarmate modellen toegang krijgen tot tools, code-uitvoering, webbrowsen en computergebruik, introduceert elke nieuwe capaciteit potentiële misbruikvectoren die in eerdere, tekst-only systemen niet bestonden. Het principe van least privilege wordt steeds belangrijker naarmate de capaciteiten van modellen toenemen.

Verbeteringen in veiligheidstraining zijn nodig maar niet voldoende. Modelaanbieders investeren fors in veiligheidstraining via RLHF, DPO, constitutional AI en andere alignment-technieken. Deze verbeteringen leggen de lat voor succesvolle aanvallen hoger, maar elimineren de fundamentele kwetsbaarheid niet: modellen kunnen legitieme instructies niet betrouwbaar onderscheiden van adversarial instructies, omdat dit onderscheid niet in de architectuur is vertegenwoordigd.

Geautomatiseerde red team-tools democratiseren het testen. Tools zoals NVIDIA's Garak, Microsoft's PyRIT en Promptfoo stellen organisaties in staat geautomatiseerde beveiligingstests uit te voeren zonder diepgaande expertise in AI-veiligheid. Geautomatiseerde tools vangen echter bekende patronen op; nieuwe aanvallen en kwetsbaarheden in bedrijfslogica vereisen nog steeds menselijke creativiteit en domeinkennis.

Druk vanuit regelgeving stuurt investeringen bij organisaties aan. De EU AI Act, NIST AI RMF en sectorspecifieke regelgeving verplichten organisaties steeds vaker om AI-specifieke risico's te beoordelen en te mitigeren. Deze druk vanuit regelgeving stuwt investeringen in AI-beveiligingsprogramma's, maar veel organisaties bevinden zich nog in de beginfase van het opbouwen van volwassen AI-beveiligingspraktijken.

Overkoepelende beveiligingsprincipes

Verschillende beveiligingsprincipes gelden voor alle onderwerpen in dit curriculum:

1. Defense-in-depth: Geen enkele afzonderlijke verdedigingsmaatregel is voldoende. Stapel meerdere onafhankelijke verdedigingen op, zodat het falen van een enkele laag niet leidt tot compromittering van het systeem. Invoerclassificatie, uitvoerfiltering, gedragsmonitoring en architectonische controles zouden allemaal aanwezig moeten zijn.

2. Ga uit van een inbreuk: Ontwerp systemen vanuit de aanname dat elk afzonderlijk component kan worden gecompromitteerd. Deze mindset leidt tot betere isolatie, monitoring en incident response-capaciteiten. Als een prompt injection slaagt, moet de schaderadius door architectonische controles worden geminimaliseerd.

3. Least privilege: Geef modellen en agents alleen de minimale capaciteiten die nodig zijn voor hun beoogde functie. Een klantenservicechatbot heeft geen toegang tot het bestandssysteem of code-uitvoering nodig. Overmatige capaciteiten vergroten de impact van succesvol misbruik.

4. Continu testen: AI-veiligheid is geen eenmalige beoordeling. Modellen veranderen, verdedigingen evolueren en er worden regelmatig nieuwe aanvalstechnieken ontdekt. Implementeer continue beveiligingstests als onderdeel van de ontwikkel- en deploymentcyclus.

5. Standaard veilig: Standaardconfiguraties zouden veilig moeten zijn. Vereis expliciete opt-in voor risicovolle capaciteiten, gebruik allowlists in plaats van denylists, en kies bij twijfel voor beperking in plaats van toelating.

Integratie met de beveiliging van de organisatie

AI-veiligheid staat niet op zichzelf — ze moet integreren met het bredere beveiligingsprogramma van de organisatie:

class OrganizationalIntegration:
    """Framework voor het integreren van AI-veiligheid met de beveiligingsprogramma's van de organisatie."""
 
    def __init__(self, org_config: dict):
        self.config = org_config
        self.gaps = []
 
    def assess_maturity(self) -> dict:
        """Beoordeel de volwassenheid van de AI-veiligheid van de organisatie."""
        domains = {
            "governance": self._check_governance(),
            "technical_controls": self._check_technical(),
            "monitoring": self._check_monitoring(),
            "incident_response": self._check_ir(),
            "training": self._check_training(),
        }
        overall = sum(d["score"] for d in domains.values()) / len(domains)
        return {"domains": domains, "overall_maturity": round(overall, 1)}
 
    def _check_governance(self) -> dict:
        has_policy = self.config.get("ai_security_policy", False)
        has_framework = self.config.get("risk_framework", False)
        score = (int(has_policy) + int(has_framework)) * 2.5
        return {"score": score, "max": 5.0}
 
    def _check_technical(self) -> dict:
        controls = ["input_classification", "output_filtering", "rate_limiting", "sandboxing"]
        active = sum(1 for c in controls if self.config.get(c, False))
        return {"score": active * 1.25, "max": 5.0}
 
    def _check_monitoring(self) -> dict:
        has_monitoring = self.config.get("ai_monitoring", False)
        has_alerting = self.config.get("ai_alerting", False)
        score = (int(has_monitoring) + int(has_alerting)) * 2.5
        return {"score": score, "max": 5.0}
 
    def _check_ir(self) -> dict:
        has_playbook = self.config.get("ai_ir_playbook", False)
        return {"score": 5.0 if has_playbook else 0.0, "max": 5.0}
 
    def _check_training(self) -> dict:
        has_training = self.config.get("ai_security_training", False)
        return {"score": 5.0 if has_training else 0.0, "max": 5.0}

Toekomstige richtingen

Verschillende onderzoeks- en branchetrends zullen de evolutie van dit vakgebied vormgeven:

• Formele methoden voor AI-veiligheid: Ontwikkeling van wiskundige raamwerken die begrensde garanties kunnen bieden over modelgedrag onder adversarial omstandigheden
• Geautomatiseerde redteaming op schaal: Voortdurende verbetering van geautomatiseerde testtools die nieuwe kwetsbaarheden kunnen ontdekken zonder menselijke sturing
• AI-ondersteunde verdediging: AI-systemen inzetten om aanvallen op andere AI-systemen te detecteren en erop te reageren, waardoor een dynamisch aanval-verdedigingsecosysteem ontstaat
• Gestandaardiseerde evaluatie: Toenemende adoptie van gestandaardiseerde benchmarks (HarmBench, JailbreakBench) die consistente meting van voortgang mogelijk maken
• Harmonisatie van regelgeving: Convergentie van AI-regelgevingskaders over jurisdicties heen, wat duidelijkere eisen voor organisaties oplevert

Referenties en verder lezen

• OWASP LLM Top 10 2025 — Uitgebreide gids voor LLM-beveiligingsrisico's (owasp.org/www-project-top-10-for-large-language-model-applications)
• MITRE ATLAS — Adversarial Threat Landscape for AI Systems (atlas.mitre.org)
• Zou et al. 2023 — "Universal and Transferable Adversarial Attacks on Aligned Language Models"
• Chao et al. 2023 — "Jailbreaking Black-Box LLMs in Twenty Queries" (PAIR)
• Garak (NVIDIA) — LLM-kwetsbaarheidsscanner (github.com/NVIDIA/garak)