2.2 训练过程中的安全考量
LLM 的训练是一个复杂且资源密集的过程，涉及数据收集、预处理、模型训练和验证等多个环节。每个环节都可能引入安全风险，需要审慎对待。
2.2.1 预训练阶段
预训练是 LLM 能力形成的基础阶段，模型在海量无标注文本上学习语言的统计规律。
预训练数据来源
图 2-2：预训练阶段流程图
典型的预训练数据来源包括：
网页数据：CommonCrawl 等大规模网页抓取数据
书籍与出版物：电子书、学术论文、维基百科
代码仓库：GitHub 等开源代码平台
对话数据：论坛、社交媒体等
安全风险
数据投毒与后门攻击的区别：
数据投毒（Data Poisoning）：改变训练数据的整体分布，导致模型在特定任务上性能下降或产生偏见。攻击者的目标是破坏模型的通用能力。例如，在训练数据中大量注入关于特定政治话题的单方面观点，使模型对该话题产生系统性偏差。
后门攻击（Backdoor Attack）：在训练数据中植入特定的触发机制（Trigger），模型仅在遇到触发器时表现异常，其他情况下正常工作。例如，当输入包含特定短语时，模型执行隐藏指令；但对正常请求仍能正确应答。后门更具隐蔽性，因为模型在大多数场景中表现正常，难以通过常规测试发现。
具体攻击示例对比：
攻击类型触发条件影响范围检测难度数据投毒
无特定触发
影响所有相关任务
较容易（性能下降明显）
后门攻击
特定触发词/模式
仅在触发时异常
困难（其他情况表现正常）
攻击者在预训练数据中植入恶意内容，一旦被纳入训练数据，将影响模型行为。由于预训练数据规模巨大，逐条审核几乎不可能。
版权问题：未经授权使用受版权保护的内容进行训练，可能导致法律风险。
偏见传播：训练数据中的偏见和歧视性内容会被模型学习，并在输出中体现。
2.2.2 微调阶段
微调（Fine-tuning）是在预训练模型基础上，使用特定任务或领域的数据进一步训练，使模型适应特定应用场景。
微调方式
全参数微调
更新所有模型参数
计算成本高，但控制力强
LoRA/QLoRA
仅训练低秩适配器
高效但可能引入新漏洞
P-Tuning
仅优化少量提示参数
成本低但效果有限
指令微调
使用指令-响应对训练
安全对齐的关键步骤
安全风险
后门植入：恶意的微调数据集可能包含触发特定行为的后门样本。例如，当输入包含特定触发词时，模型输出恶意内容。
对齐退化：不当的微调可能破坏预训练模型的安全对齐，使其变得更容易产生有害输出。
供应链攻击：使用来源不明的微调模型或数据集可能引入未知风险。
2.2.3 数据安全管控
为降低训练阶段的安全风险，需要建立完善的数据安全管控体系：
数据来源审核
图 2-3：数据安全管控流程图
白名单机制：只从可信来源收集数据
版权合规：确保数据使用符合法律法规
多层过滤：结合规则和机器学习方法过滤有害内容
隐私保护措施
PII 检测与移除：使用命名实体识别等技术检测并移除个人身份信息
数据匿名化：对无法完全移除的敏感信息进行匿名化处理
差分隐私：在训练过程中加入噪声，降低模型记忆特定样本的风险
数据溯源
数据血缘记录：记录每条数据的来源、处理历史和使用情况
审计能力：支持事后追溯特定输出的数据来源
版本控制：管理训练数据的不同版本，支持回滚
2.2.4 训练过程安全
除了数据安全，训练过程本身也需要安全保障：
计算环境安全
访问控制：严格限制训练集群的访问权限
网络隔离：训练网络与外部隔离，防止数据外泄
安全审计：记录所有训练相关操作
模型检查点保护
加密存储：对训练中间检查点进行加密
完整性校验：使用哈希确保模型文件未被篡改
权限管理：控制模型文件的访问和导出权限
供应链安全
依赖审计：审查训练框架和库的安全性
环境隔离：使用容器化技术隔离训练环境
更新管理：及时修复已知安全漏洞
2.2.5 可复现性与透明度
安全的训练过程还需要具备可复现性和透明度：
训练过程记录
详细记录训练超参数、数据配置、随机种子等
保存完整的训练日志
记录模型性能指标的变化曲线
模型卡与数据表 借鉴模型卡和数据表，为训练数据和模型提供详细的“说明书”：
训练数据描述：数据来源、规模、时间范围、处理方式
模型能力边界：明确模型擅长和不擅长的任务
已知风险：披露已发现的安全风险和局限性
使用建议：推荐的使用场景和不推荐的使用方式
透明的训练过程有助于建立信任，并为安全评估提供必要信息。在下一节中，将探讨模型部署后的推理阶段所面临的安全挑战。
最后更新于