DYNASHIELD 通过动态解码定制实现无需重训练的黑盒 LLM 移动目标防御

该论文提出 DYNASHIELD 框架，旨在解决大语言模型在通过黑盒 API 部署时面临的越狱攻击风险。该方法不依赖模型内部参数或额外训练，仅利用推理时的暴露控制接口，通过自定义解码超参数和系统提示词来构建移动目标防御机制。

核心机制包含两步：首先识别能降低攻击成功率的解码配置组合，随后从加权配置池中概率采样以引入受控的行为变异性。实验在 7 个开源 LLM 上针对 AdvBench 中的 4 种最先进越狱攻击进行了评估，结果显示其攻击成功率较 7 种基线防御显著下降，同时保持了响应质量并仅产生极小的推理开销。

事实层面，该方案完全基于运行时控制，无需重新训练或访问模型内部结构。推断层面，这为无法接触模型权重的服务提供者提供了一种轻量级的安全加固路径，可能改变当前对黑盒场景下防御成本与效果的权衡认知。猜测层面，这种动态随机化策略在对抗自适应攻击时的长期有效性仍需进一步验证，且具体配置池的构建逻辑未在摘要中详述。