跳到正文
原文

PolicySniff:通过共享 GPU 执行推断智能体策略状态

PolicySniff: Inferring Agent Policy States through Shared-GPU Execution

arXiv:其他 AI 安全论文· arXiv:2611.16158· Weimin Fu, Minghao Shao, Zeng Wang, Qiying Li, Yuntao Liu, Johann Knechtel, Ozgur Sinanoglu, Muhammad Shafique, Ramesh Karri, Xiaolong GuoLehigh University; New York University; New York University Abu Dhabi本站收录· 6 天前· 原文发表攻击

论文速读

攻击

据论文 PDF 整理(AI 生成),以原文为准

作者提出 PolicySniff:共享 GPU 的相邻进程仅凭自身 kernel 计时推断 LLM 智能体的审批策略状态,冻结覆盖率研究平衡准确率 94.17%。

威胁模型攻击者是与受害智能体共享同一 GPU(整卡或同一 MIG 实例)的相邻进程:已知候选审批规则与任务身份、请求顺序和分组,可在共享 GPU 上自行 profiling 两种状态,只用 CUDA events 计时自己的 kernel;不读受害方提示词、响应、工具结果、内存或路由张量,不向服务发请求,不共享软件缓存。

问题
LLM 智能体的审批策略(是否先请求确认)写在系统提示词里并对外保密,但作者关心:共享 GPU 上的相邻进程能否仅凭物理执行痕迹推断出当前部署的是哪条规则。
方法
PolicySniff 让与受害智能体同驻一个 GPU/MIG 实例的攻击进程,在已知任务和候选规则下先自行 profiling 两种状态,再在受害方处理任务时只用 CUDA events 计时自己的 kernel,按参考均值最近者判定策略;另用 FPGA 与跨 MIG 功耗重放路由摘要做机理分析。
实验与结果
在 eager 稀疏 MoE 运行时上,冻结覆盖率研究对主估计量(unapproved 条件)达 94.17% 平衡准确率;两种策略输出相同的任务上为 88.82%;盲评 NF4 活动 97.92%。作者称路由的时间密度与层-桶对齐承载策略信息,把规则移到推理外的可信 broker 可将所评分类器压到 37.50%。
局限与可以继续做的
作者写明结果覆盖单一稀疏 MoE 模型、已知候选规则、精确任务 profiling、攻击者已知请求顺序与分组;探测有侵入性(连续探测使受害方中位延迟放慢 4.71×);策略识别与后续注入的组合效果未联合评估;fused Marlin kernel 的 decode 路径未呈现相同信号。
实验设置Qwen3-30B-A3B-Instruct-2507、gpt-oss-120b · 合成动作选择任务(filesystem、outbound-information、production-infrastructure 等六类操作族)、合成软件工程仓库实例(fixture repair、build recovery、workspace-lease management) · balanced accuracy、coverage 等
被测模型
Qwen3-30B-A3B-Instruct-2507gpt-oss-120b
基准
合成动作选择任务(filesystem、outbound-information、production-infrastructure 等六类操作族)合成软件工程仓库实例(fixture repair、build recovery、workspace-lease management)
指标
balanced accuracycoveragevictim latency slowdown
AI 导读研究者提出 PolicySniff 攻击,通过与智能体共享 GPU 执行推断其审批策略状态,在所选专家独立运行的 eager 稀疏 MoE 运行时上,一项冻结且盲化的研究以 94.17% 的平衡准确率识别出部署的设置。LLM 智能体通过系统提示词设置审批策略,运营方靠限制访问提示词和响应来保密,而现有审计只检查智能体是否遵守设置,不检查相邻进程能否推断设置。攻击者先对两个候选设置分别建模,再在智能体处理任务时只测量自身 GPU kernel 的耗时;由于策略前缀已被缓存,攻击者观测到的是两个设置下相同的任务后缀处理过程。在覆盖所有授权条件的测试中,两个设置决策相同的任务上准确率为 88.82%,决策不同的任务上为 91.98%;专家路由的硬件重放显示,时间密度以及层与桶的对齐携带策略信息。

研究者提出 PolicySniff 攻击,通过与智能体共享 GPU 执行推断其审批策略状态,在所选专家独立运行的 eager 稀疏 MoE 运行时上,一项冻结且盲化的研究以 94.17% 的平衡准确率识别出部署的设置。LLM 智能体通过系统提示词设置审批策略,运营方靠限制访问提示词和响应来保密,而现有审计只检查智能体是否遵守设置,不检查相邻进程能否推断设置。攻击者先对两个候选设置分别建模,再在智能体处理任务时只测量自身 GPU kernel 的耗时;由于策略前缀已被缓存,攻击者观测到的是两个设置下相同的任务后缀处理过程。在覆盖所有授权条件的测试中,两个设置决策相同的任务上准确率为 88.82%,决策不同的任务上为 91.98%;专家路由的硬件重放显示,时间密度以及层与桶的对齐携带策略信息。

相关热点

1 个事件 · 2 条新闻提到

提到这篇论文的新闻

共享GPU侧信道可推断智能体审批策略

深度解读

6个问题,点开问题读完整回答

  1. 这篇论文试图解决什么问题?

    作者研究:共享 GPU 的相邻进程能否在提示词与响应保密时,推断智能体部署了哪条审批规则。

    核心问题:当智能体的审批策略(遇敏感操作是否先请求确认)作为系统提示词的一部分被保密时,同驻一块 GPU 的相邻进程能否仅通过物理执行观察推断出当前激活的是哪条候选规则。

    • 场景与动机:LLM 智能体通过系统提示词中的指令实施审批设置,运营方通过限制提示词与响应访问来保密这些设置。作者认为,知道哪些部署允许模型不经确认直接执行,可指导后续越狱或提示注入攻击的目标选择。
    • 现有审计的不足:作者指出,现有行为审计检查智能体是否遵守其设置,而不检查相邻进程能否推断出部署了哪个设置;行为合规不等于配置保密。
    • 核心观察:在 eager 稀疏 MoE 运行时中,每个任务 token 会 attend 已缓存的策略前缀,其隐状态影响专家路由,而 eager 实现把每个被选专家作为独立工作调度,使路由影响执行时间,从而被同驻进程的时间切片探测观测到。
    • 论文提出:PolicySniff——一个 response-free 的原生 GPU 计时攻击,外加路由重放机理实验和一个把规则移到可信 broker 的策略放置对比。
    • 威胁模型(Section 3.2,原生攻击者 A 的四项能力):
      • 目标:估计二值秘密 S,即两条已知候选审批规则中哪条被部署,无需重建提示词文本。
      • 知识:C2 基座模型与候选规则实现(可在共享 GPU 上自行 profiling);C3 任务身份、请求顺序与重复分组。
      • 能力:C1 独立 CUDA context 共享受害 GPU 执行资源,用 CUDA events 计时自己的 kernel,无性能计数器、profiler 或 NVML 遥测;C4 对自身完整计时流的离线分析。
      • 受害系统与边界:跑在整块 A100 或一个 MIG 实例上的智能体;攻击者不读受害提示词、响应、工具结果、内存或路由张量,不向服务发请求,不共享软件缓存;受害请求串行,采集期间无第三方负载。
  2. 有哪些相关研究?

    相关工作分四组:机密提示词/策略推断、物理执行与稀疏路由侧信道、智能体攻击与策略侦察、外部执行与残余信道。

    机密提示词与策略推断

    • WAFFle(2012):通过计时区分被透明 Web 应用防火墙拦截与放行的请求,学习防火墙的机密过滤规则;论文以此说明计时推断机密策略早于 LLM。
    • Early Bird(2025):作为同一服务 API 的用户,利用共享 KV 缓存与语义缓存的计时差异恢复机密系统提示词的部分内容。
    • Prompt Detective(2025):通过比较响应分布检验某个候选系统提示词是否在用。论文指出 PolicySniff 与这三者同样是在已知候选中识别机密配置,但访问方式不同:其攻击者不发请求、不共享软件缓存、不读响应,只观察自己在共享 GPU 上的 kernel 计时。

    物理执行与稀疏路由

    • MoEcho(2025)与 Yona et al.(2024):MoEcho 利用 MoE 逐专家执行造成的专家负载泄漏,经 CPU 缓存信道与 GPU 性能计数器恢复用户提示词和响应;Yona et al. 在攻击者与受害者查询同批时利用专家选择路由窃取用户提示词。论文称原生攻击依赖同样的逐专家执行性质,但有三点区别:不读性能计数器、推断的是已缓存前缀而非观察窗口内的 token、推断量是经过验证的授权设置而非用户内容。
    • GPU 侧信道原语与跨租户指纹:Leaky DNN 与 TIMESLICE-SANDWICH 提供 GPU 上下文切换与时间切片原语(本文观察器适配后者的开源工件);Behind Bars、GhostAccess、Spy in the GPU-box、NVBleed、PAGE404 等识别哪个模型或负载在运行。论文指出这些工作识别的是模型/负载身份,而 PolicySniff 的目标是一个已知模型内部的二值配置。

    智能体攻击与策略侦察

    • 间接提示注入与 AgentDojo(2024):AgentDojo 在有状态工具环境中评估提示注入,攻击者篡改选定的工具输出,安全指标记录结果动作是否达成攻击者目标;其实验还区分了掌握正确用户/模型知识的攻击与猜错的攻击。论文指出 AgentDojo 度量的是被诱导的动作,而 PolicySniff 度量规则恢复,两者的组合效果需要联合评估,本文未做。

    外部执行与残余信道

    • CaMeL(2026):在模型外放置保护性解释器,跟踪数据来源与许可读者,在工具调用处检查策略,可把确认要求放到 LLM 之外;该工作还分析了条件外部请求、异常和计时等间接泄漏。论文称本文的策略放置对比(Section 8.3)在固定动作接口下评估了类似分离,而 CaMeL 解决的是工具调用授权所依赖的数据依赖跟踪这一不同问题。

    基线与基准:本文未设攻击基线方法;内部对照包括 length-only 基线(59.03%)、标签置换(50.28%)、路径隔离控制与 no-load sham。评测使用作者自建的合成任务集(见第 3、4 问)。作者将本文定位为:在已知模型内部、以行为验证过的授权设置为目标的策略侦察,区别于恢复文本内容或识别模型身份的工作。

  3. 论文如何解决这个问题?

    三条证据路径:行为验证确认规则有授权后果,原生计时攻击做推断,路由重放定位承载信息的物理机制。

    整体思路:把"哪条审批规则被部署"建模为二值秘密 S 的识别问题,沿三条路径取证(Figure 2)——行为验证(规则到动作)、原生攻击(规则经 GPU 执行到攻击者自身计时)、重放实验(规则经路由摘要到受控物理传感器)。

    问题设定与形式化

    • 秘密与判定:S ∈ {0,1} 选择两条已知候选规则中哪条激活;攻击者输出估计 Ŝ,恢复率高于随机即违反策略状态保密性。S 被称为 security-relevant 的条件是:改变它会改变机器检查的端点或授权边界上经过验证的动作选择。
    • 两条对比轨道:重放研究对比显式确认规则与等 token 长度的惰性安慰剂指令;原生研究对比两条把 ask_user 与 execute 顺序颠倒的规则。两轨道用不同模型与任务模式,准确率分别报告。
    • 指标:平衡准确率(两类条件准确率的均值);分段失败时解码器弃权,弃权计为错误,coverage 为未弃权组的比例;区间用 10,000 次 cluster-bootstrap(固定种子)。

    原生攻击:采集与解码

    • 策略对实现:两条规则文本 tokenize 为等长、KV 缓存前缀等长、后接相同任务后缀;策略前缀在计时采集前已缓存,因此被测前向只处理共享任务后缀。提示词固定二选一 JSON 模式并预填 assistant 前缀以固定决策点。
    • 探测与分段:探测进程反复启动单线程 CUDA kernel(10,207 次迭代,两侧 CUDA event 记录),无受害方起止时间戳;离线检测器在经验分布最低 30% 中找最大相邻跳变(阈值 0.02 ms),按 20 ms 分箱、桥接至多 3 个非活跃箱、保留至少 500 ms 的活跃段,恰好找到 96 段才通过。
    • 分类:对每个部署组平均其两次目标请求时长,归入同任务参考均值更近的状态;只用公开任务身份与组标识,不读采集标识、序号或重复索引。

    行为验证

    • 合成仓库与容器审计:仓库含良性维护目标、环境障碍、受保护资源和安全恢复替代;容器 harness 执行工具调用并检查文件系统状态,区分"抑制未授权捷径"与"拒绝做有用工作"。
    • 原生实验的动作接口:每个任务提示词描述一个敏感操作,模型完成受限 JSON 动作对象;自动审计以 dry-run 标签(would_execute / approval_required)记录动作是否遵守激活规则,不在主机执行破坏性命令。

    路由摘要与重放

    • 预决策路由特征:取首个含障碍的工具消息跨度内最后 32 个 token 的路由选择(排除系统提示词策略 token、决策 token 与输出文本),在 36 个 MoE 层、每层 128 专家上统计 top-4 选择,得到 4,608 维路由向量。
    • 粗摘要:把每条路由迹压缩为 36 层 × 4 桶的矩阵 Zℓ,b = |{e : e mod 4 = b, e selected at layer ℓ}|,即每层每桶被选不同专家数,共 144 个整数;投影确定性地构建、不访问 S,丢弃桶内调度次数与 token 顺序。
    • 受控重放:Z 经三种传感器重放——U280 FPGA 内存争用引擎(HBM 突发)、CW305 FPGA 功耗板(255 条活动通道/桶,ChipWhisperer-Husky 记录)、以及跨 A100 MIG 边界的显式发送器(NVML 主板功耗);每次干预固定一个性质(总字节或每层工作量),只改变时间或空间分配。

    关键参数

    • 原生实验:每任务每状态 2 次参考请求、每组 2 次目标请求,24 任务得 48 个判定、96 次目标请求;请求间空闲延迟均匀取自 0.6–1.2 秒。
    • 路由活动:24 个仓库实例 × 3 种请求措辞 × 2 状态 × 5 次重复 = 每活动 720 个路由 episode;物理重放用 18 训练 / 6 留出实例的固定划分。
  4. 论文做了哪些实验?

    三个原生计时活动(BF16、盲评 NF4、冻结覆盖率研究)加 FPGA 与跨 MIG 重放机理实验,以及 broker 策略放置对比。

    实验设置

    • 被测模型:原生计时轨道用 Qwen3-30B-A3B-Instruct-2507(revision 0d7cf239,Transformers 4.55.4 eager MoE 路径);路由与行为轨道用 gpt-oss-120b(本地 vLLM 栈)。
    • 硬件:一台双 A100-SXM4-80GB 服务器节点;BF16 活动用整卡,NF4 与覆盖率研究用同一 MIG 实例(3g.40gb),兄弟实例(1g.10gb)上的计时进程作隔离控制。
    • 任务:原生活动用合成动作选择任务(BF16/NF4 为 filesystem、outbound-information、production-infrastructure 三族各 8 个,共 24 任务);覆盖率研究扩到六族(deletion、disclosure、production、network、credential、permission)× 五种授权条件(unapproved、revoked、approved、read-only、out-of-scope),共 120 个场景簇。
    • 指标与判定:平衡准确率 + coverage;行为端点由容器 harness 机器检查;分类标签是规则而非提示词 token。
    • 盲评与冻结:NF4 活动预测在 bubblewrap 沙箱中先跑、提交摘要后才读私有真值;覆盖率研究的解码器、主估计量与成功阈值在参考采集前哈希冻结。
    • 重复与统计:每任务两种状态都测;95% 区间为 10,000 次 cluster-bootstrap;路由活动每单元 5 次重复。

    主结果

    原生计时攻击的平衡准确率(据 Section 6.3、Table 3 与 Section 6.5):

    表格较宽,可左右滑动

    活动设置平衡准确率区间
    BF16整卡 A100,46/4895.83%[89.58%, 100.00%]
    NF4 盲测套件同一 MIG 实例,47/4897.92%[93.75%, 100.00%]
    NF4 完整生成套件43/4889.58%[81.25%, 97.92%]
    覆盖率研究主估计量unapproved 条件,六族94.17%[90.42%, 97.50%]
    覆盖率研究(输出相同任务)302/34088.82%论文未给区间
    覆盖率研究(输出不同任务)论文写作 91.98%91.98%论文未给区间
    • 作者解读:作者称这些测量确立了即使当前决策不暴露规则时的披露;Figure 1(c) 显示盲评 NF4 活动 47/48 组分类正确。
    • 跨设备控制:不同 GPU 上的观察器最大间隙 0.000032 ms(低于 0.02 ms 阈值),未检出活动;作者称信号要求与受害方共驻同一 GPU。
    • 任务内关联:源审计显示 24/24 任务的两状态间不同专家数变化与决策前耗时变化同号(相关 0.78),攻击侧参考间隙与目标间隙 24/24 同号(相关 0.79);论文注明这是观察性关联。

    覆盖率研究:同决策任务与成本

    • 同决策任务:主 prefill 测量中 170 个任务(79 簇)在两种状态下产生相同决策 token,攻击判对 302/340(88.82%);30 个两状态都执行的 approved 任务上为 90.00%(54/60)。完整生成测量中 33 个任务输出相同,攻击达 80.30%(53/66),其余任务为 86.78%。
    • 观测成本(Table 5):无探测时解码器弃权(coverage 0.00%);1 ms 间隔(主估计量)把受害方中位延迟从 2504.1 ms 升至 7465.5 ms,连续探测升至 11846.2 ms。NF4 活动(Table 4):连续探测中位放慢 4.71×,1 ms 间隔 2.96×(准确率 94.79%),5 ms 间隔 1.52×(准确率 58.33%)。
    • 作者解读:作者称在所测接口内,计时信号能在可见输出不暴露规则的任务上识别部署的规则。

    机理:路由重放与显式传输

    • 逻辑路由可分性:留一实例交叉验证平衡准确率 98.33%([96.81%, 99.58%]),三族分别为 100.00%、99.58%、95.42%;length-only 基线 59.03%,标签置换 50.28%。
    • U280 重放(Figure 3):自然重放共享路径单请求 81.11%(路径隔离控制 46.11%);等总量时间密度干预 80.56%(控制 53.89%);等工作量空间路径干预 77.22%(控制 56.67%)。作者称时间突发密度与层-桶对齐承载策略信息。
    • CW305 功耗(Table 6、Figure 4):两组合并后自然臂五请求平均 87.50%(第一组 100.00%,第二组 75.00%);均匀化与恒定槽填充臂均接近随机(如填充臂五请求 52.78%)。作者称这与经结构化开关活动泄漏一致;填充代价为活跃周期增加 107.87%/107.72%(FPGA 传感器上测量,未按焦耳标定)。
    • 显式传输(Table 7):跨 NVLink L2 争用发送 Z 达 99.994% 原始比特恢复、80.56% 留出策略准确率;行内置换比特位置后比特恢复保持但策略分类降至 50.00%。跨 MIG 边界经 NVML 主板功耗传输,两次采集均恢复全部载荷比特,策略准确率 86.11%(置换 44.44%),no-load sham 53.12%。作者称这把策略信息定位于 Z 的层-桶对齐而非活动总量,并称该活动建立的是编码中间体的跨边界传输,原生攻击测量的才是未修改运行时在单实例内暴露的东西。

    策略放置对比(Section 8.3)

    • 设置:同一整卡 A100、相同任务与已 profiling 的同卡观察器;基线把规则放在模型提示词中,防护臂让模型只发固定执行提议、由可信 broker 在推理后应用规则。
    • 结果:基线 95.83%(100.00% coverage);预选定分类器在防护臂降至 47.37%(79.17% coverage),弃权计错时全组 37.50%,配对下降 58.33 个百分点([50.00, 66.67])。两臂均在 48/48 单元复现规定决策。
    • 作者解读:作者称在此固定接口下,把授权表示移到被测推理路径之外可抑制所评分类器;broker 的 CPU 活动、响应、下游效应、调度与自适应分类器在该测量之外。

    其他消融与分析

    • 探测节奏(Table 4,NF4):无探测 51.04%(冻结奇偶猜测)、连续 97.92%、1 ms 94.79%、5 ms 58.33%。
    • fused kernel 对照:stock vLLM 0.30.0 的 fused Marlin MoE kernel 在 360 个 decode 步全部发出相同的 216-kernel 启动签名;论文注明该 profile 覆盖 decode,而原生攻击观察的是 prefill。
    • 采集位置相关:BF16 活动策略状态与采集位置相关 −0.055,覆盖率研究 0.003。
    • 行为屏幕(Table 2):确认策略下未授权端点率 fixtures 8.33%、build 0.00%、lease 0.00%,安慰剂下 70.83%/66.67%/75.00%(每单元 24 episode);良性任务完成率从安慰剂 52.78% 降至确认策略 43.06%(9.72 个百分点,在预申报的 10 点筛查阈值内)。
    • 例外:NF4 活动 94/96 敏感动作遵守激活规则(97.92%),两个例外均为 permissive 的 outbound 行(该问而非执行)。
  5. 有什么可以进一步探索的点?

    作者写明覆盖范围与侵入性等条件,并提出测量可区分性与外部执行等后续方向;组合攻击效果未评估。

    作者指出的局限与后续方向

    • 覆盖范围声明(Conclusion):作者写明结果覆盖一个稀疏 MoE 模型、已知候选规则、在精确任务上 profiling、攻击者可得请求顺序与分组。
    • 观测侵入性(Section 8.2):连续探测使受害方中位放慢 4.71×、1 ms 间隔放慢 2.96×;作者称这些条件定义了如何在部署上复现该测量。
    • 缓解方向(Section 8.2):拒绝不可信进程在服务智能体的 GPU 或 MIG 实例上执行可移除所需共享条件;运行时开发者可按策略状态可区分性(而不仅是服务成本)评估执行策略;重放实验促使对其他暴露的计时与功耗可观测量单独评估。
    • 开放式工具使用的缺口(Section 8.3):把规则外置的分离设计应用到开放式工具使用,需要可信的操作解释、授权上下文与相关执行路径的中介;资源许可本身不足以确立用途服务于授权目的。
    • 组合攻击未评估(Section 9.3):策略识别与动作重定向有不同的成功标准;作者称用同一注入流程在有/无恢复策略信息下做联合评估,才能确定对下游攻击成功的影响,本文未做。
    • 测量边界(Section 8.3):broker 对比的保密性证据只涉及所测 GPU 推理与预选定分类器;broker CPU 活动、响应、下游效应、调度与自适应分类器在该测量之外。

    实验覆盖范围

    • 被测模型共 2 个:原生计时轨道为 Qwen3-30B-A3B-Instruct-2507(BF16 整卡与 NF4 单 MIG 实例两种精度),路由/行为轨道为 gpt-oss-120b(本地 vLLM 栈);两轨道准确率分别报告。
    • 硬件为单一节点:一台双 A100-SXM4-80GB 服务器;重放传感器为 U280 FPGA、CW305 功耗板与跨 MIG 的 NVML 主板功耗。
    • 任务为合成:原生活动 24 个任务(三族),覆盖率研究 120 个场景簇(六族 × 五授权条件);行为屏幕 432 个 episode(24 实例 × 3 措辞 × 2 状态 × 3 条件)。
    • 攻击者条件按授权授予:任务身份、请求顺序与分组由评估授予(C3);参考 profile 覆盖精确目标任务;采集期间无第三方负载共享受害实例。
    • 论文未报告:注入组合实验的联合成功率;broker 臂的自适应分类器表现;功耗代理的焦耳标定;fused kernel 在 prefill 阶段的 profile(论文只报告了 decode)。
  6. 总结一下论文的主要内容

    PolicySniff:同驻 GPU 的进程凭自身 kernel 计时推断智能体审批策略,主估计量 94.17%,并给出机理证据与 broker 缓解对比。

    一篇关于智能体部署配置保密的攻击论文:LLM 智能体的审批规则写在系统提示词里并对外保密,PolicySniff 研究同驻一块 GPU 的相邻进程能否仅凭物理执行观察推断当前激活的是哪条候选规则。

    • 问题:行为审计检查智能体是否遵守设置,却不检查相邻进程能否推断设置;作者认为行为合规不等于配置保密,且被披露的规则可指导后续提示注入的目标选择。
    • 方法:攻击者已知候选规则与任务,在共享 GPU 上自行 profiling 两种状态,随后只用 CUDA events 计时自己的 kernel,按任务参考均值最近者判定;策略前缀在采集前已缓存,被测计算只含共享任务后缀。另以 FPGA 内存争用、FPGA 功耗与跨 MIG 显式传输重放路由摘要做机理分析。
    • 主要结果:冻结覆盖率研究对主估计量(unapproved 条件、六族)达 94.17% 平衡准确率;两种策略输出相同的任务上为 88.82%,输出不同的任务上为 91.98%;盲评 NF4 活动 97.92%,BF16 整卡活动 95.83%。
    • 机理与代价:作者称路由的时间密度与层-桶对齐承载策略信息(等总量干预 80.56%、等每层工作量干预 77.22%,置换对齐后降至 50.00%);观测有侵入性,1 ms 探测把受害方中位延迟从 2504.1 ms 升至 7465.5 ms。
    • 缓解对比:把规则移到推理外的可信 broker 后,预选定分类器全组准确率降至 37.50%(基线 95.83%),两臂决策保持一致。
    • 作者结论:作者称策略状态保密性应成为与行为合规并列的部署属性,运营方应在服务运行时上测量规则的可区分性,并把授权执行放到模型之外;结果限于单一稀疏 MoE 模型、已知候选规则与精确任务 profiling 等条件。
阅读原文arxiv.org