arXiv cs.AI· Zhiyuan Wang, Yuezhi Zhou, Ziqi Zhang, Zhu Zhang, Zhixing Tan, Yongheng Deng·· 2 天前AI 评分31
BiShield-TEE：端侧 TEE 保护 LLM 分区中单向权重混淆的安全性缺陷与双边防御
BiShield-TEE: On the (In-)Security of Unilateral Weight Obfuscation in On-Device TEE-Shielded LLM Partition
AI 导读
研究者发现端侧 TEE 保护 LLM 推理中单向矩阵变换混淆存在"解确定性"漏洞，使 GroupCover 和 ArrowCloak 等代表性方法防护近乎失效，攻击准确率超过全屏蔽黑盒基线 2.4 倍并可恢复近乎完整模型。
正文 · AI 翻译
摘要：由于延迟和隐私要求，大型语言模型（LLM）的端侧部署正被越来越多地采用，但这会使专有模型面临逆向工程和知识产权窃取的风险。可信执行环境（TEE）为端侧推理提供硬件强制的隔离，然而大多数基于 TEE 的参数混淆依赖于单向矩阵变换，仅对输出侧进行混淆。我们发现了该设计中的一个漏洞，称为 \emph{解决方案确定性性质（SDP）}：混淆密钥被唯一确定，从而暴露真实密钥的结构，使攻击者能够攻破保护。在我们的攻击下，代表性方法 \textsc{GroupCover} 和 \textsc{ArrowCloak} 的保护效果被削弱至可忽略不计，攻击准确率超过完全屏蔽黑盒基线的 $2.4\times$，并恢复出近乎完整的模型 this http URL 地址。为解决这一漏洞，我们提出 \textsc{BiShield-TEE}，一个通过对输入和输出维度进行联合混淆来诱导 \emph{歧义解} 的双边框架，将真实密钥隐藏在众多同样有效的候选之中。在多种模型和数据集上的实验表明，\textsc{BiShield-TEE} 将攻击准确率限制在完全屏蔽黑盒基线水平，同时在真实 this http URL 上实现了比先前方法更高的推理效率。代码见 this https URL。
| Comments: | 已被 NeurIPS 2026 接收 |
| Subjects: | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21565 [cs.CR] |
| （或 arXiv:2610.21565v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21565 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Zhiyuan Wang [查看邮箱]
[v1]
2026年10月15日星期四 09:22:45 UTC（691 KB）
来源：arXiv cs.AI · arxiv.org