PurpleLlama大模型安全全套检测方案

news2025/3/22 20:32:13

1. 引入

PurpleLlama是Meta的大模型安全整体解决方案（参考1），它包括了

（1）安全评估
CyberSecEval是一个用于评估大型语言模型（LLMs）安全风险的基准套件，其目标是解决随着 LLMs 的广泛使用而出现的新的网络安全风险。

（2）输入输出检测
Llama Guard 3通过输入输出检测，有效识别并分类不安全内容，保障了大模型在多语言环境下的内容安全。该工具能够对输入（Prompt）和响应（Response）进行分类，判断其是否安全，并列出违反的内容类别。

（3）提示词过滤
Prompt Guard 是一个基于分类器的模型，专门用于检测提示注入（Prompt Injection）和越狱攻击（Jailbreak）。它能够识别出试图绕过模型安全机制的恶意输入。

（4）不安全代码检测
Code Shield使用静态分析工具（Insecure Code Detector, ICD）来检测不安全代码。ICD 支持对七种编程语言进行分析，并覆盖超过 50 种常见漏洞（CWE），包括使用正则表达式（Regex）和 Semgrep 等工具。

2. 内容安全

Llama Guard

Llama Guard 3-8B是在Llama-3.1-8B预训练模型的基础上，针对内容安全分类任务进行微调所得到的。与之前的版本相仿，它能够对模型输入（即提示词）和输出（也就是模型回复）中的内容开展风险分类工作。如同文本大模型的运作方式，将用户与大模型的对话内容，以及风险分类标准输入到Llama Guard 3-8B中，该模型便会把待检测内容标记为“安全（safe）”或者“不安全（unsafe）”；一旦判定为不安全，还会详细列出所违反的风险类别。
在这里插入图片描述
经过微调，Llama Guard 3-8B具备识别总计14个风险类别的能力。这其中涵盖了MLCommons标准化危险分类法（参考3）里的13个风险类别，分别标记为S1 - S13 ，以及Llama Guard新添加的代码解释器滥用类，即S14: Code Interpreter Abuse。

对于对模态，Llama Guard 3-11B-vision是多模态文本图像安全分类模型。

Prompt Guard

Prompt Guard依托一款在海量攻击数据集上完成训练的分类模型，具备检测明显恶意提示词以及含有注入数据的能力。作为多标签分类模型，在过滤过程中，它会将输入的提示词划分成三类：良性（benign）、注入（injection）和越狱（jailbreak）。值得注意的是，注入和越狱这两种标签之间存在重叠的可能性，比如，一条极具危险性的提示词，既可能实施了提示词注入，也可能运用了越狱攻击手段。
在这里插入图片描述

3. 代码安全

Code Shield作为一款专注于代码安全检测与过滤的工具，其核心目的在于避免大模型生成的不安全代码流入生产系统。近些年来，大模型在协助开发人员生成代码领域扮演着关键角色。然而，鉴于大模型具有较强的随机性，且极易受到训练数据的影响，即便添加了安全限制措施，大模型仍有可能生成不安全代码，这些代码中或许存在漏洞，又或者具备恶意功能。Code Shield如同置于大模型下游的一道围栏，助力实现对不安全代码的拦截与过滤，使其在返回给用户或进入代码库之前就被处理掉。

Code Shield 的核心原理是通过静态分析工具（ICD）对生成的代码进行分析，以识别潜在的不安全代码。这些工具包括 Regex 和 Semgrep 等，能够覆盖多种编程语言（如 Python、Java 等）和常见的安全漏洞类型（如 CWE 漏洞）。通过这种静态分析，Code Shield 能够在代码生成阶段或推理阶段实时过滤掉不安全的代码，从而减少生成恶意代码或执行危险操作的风险。

4. 总结

PurpleLlama包含多个关键工具和评估基准，用于提升LLM的安全性：
（1）CyberSec Eval：网络安全评估工具，用于量化LLM在网络安全方面的风险，包括生成恶意代码的可能性、不安全代码建议频率以及协助网络攻击的能力。
（2）Llama Guard：输入输出保护工具，用于过滤和检查LLM的输入输出内容，防止生成危险输出或被黑客利用。
（3）Prompt Guard：提示保护工具，用于检测和阻止恶意提示注入，确保基于LLM的应用程序的安全性。
（4）Code Shield：代码安全防护工具，用于在推理时过滤LLM生成的不安全代码，并提供缓解建议。