《揭秘“冲哥”事件背后的故事：他与黑料的交织之路》，美俄总统通话讨论俄乌冲突等问题看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式所谓渗透，就是通过几乎无法察觉的细微缝隙悄然渗入某个群体或文化中。特别是涉及到文化的渗透，它更像是一场无声无息的斗争，悄悄地影响着各国的价值观和生活方式。
在娱乐圈中，有一位名叫“冲哥”的人以其独特的身份和魅力吸引了大众的目光。他是华语乐坛的一颗璀璨明星，凭借其出色的音乐才华、积极的人生态度和对粉丝无尽的热情，成为了无数人心中的偶像。这个公众人物并非一帆风顺，他的生活充满了争议和挑战。
“冲哥”出生于一个普通的家庭，从小就展现出了音乐天赋。他在青年时期便开始参加各类音乐比赛，并逐渐走上了音乐创作的道路。伴随着事业的成功，他也面临着诸多困扰。其中最引人注目的就是他与一些黑料的纠缠，这些黑料涉及到他的演唱风格、个人隐私以及生活中的各种事情。这些事件使得他一度陷入了舆论漩涡，引起了广泛的公众讨论和质疑。
“冲哥”与黑料的纠葛始于一次商业合作。他在接受采访时公开表示过自己的演唱风格偏向于流行歌曲，这引发了粉丝们的不满。他们认为他的演唱方式过于浮夸，不符合大众对于歌手的要求，甚至有些人甚至直接批评了他的音乐风格。这一事件迅速引起了媒体的广泛关注，而“冲哥”也因为自己的言论而遭受了严重的负面影响。随后，“冲哥”决定改变自己的音乐风格，试图重新定义自己的音乐定位，但这并未能挽救他在公众心中的形象。
另一方面，关于“冲哥”生活的负面新闻也接踵而来。他曾被曝出和多位女性有过亲密关系，包括一位曾是知名模特的女友，这无疑进一步暴露了他的私生活问题。这些事件在社会上引起了广泛的关注和谴责，许多人指责他缺乏诚信和社会责任感，严重损害了自己的形象和信誉。
面对如此多的黑料和争议，“冲哥”选择了用行动来回应。他通过社交媒体发声，强调自己的声音是为了表达内心的感受和情感，而不是为了迎合市场或大众的口味。他还公开承认了自己的错误，并承诺将进行深刻的自我反思和改正。这一切并没有得到所有人的认可和支持，反而加剧了人们对他的怀疑和反感。
“冲哥”的故事告诉我们，作为公众人物，无论是正面还是负面的事情都会对其形象产生深远影响。在面对困难和挑战时，我们需要保持清醒的认识和理智的行为，不能让外界的质疑和诽谤左右我们的判断和选择。我们也需要不断提升自己，用自己的作品和行动证明自己是有能力应对困难，有担当的艺人。只有这样，我们才能在娱乐圈这片充满未知与挑战的大舞台上，展现出真实的自我，赢得人们的尊重和喜爱。
新华社洛杉矶/莫斯科6月4日电（记者黄恒 赵冰）美国总统特朗普4日在社交媒体上说，他当天与俄罗斯总统普京进行了长约75分钟的通话，双方讨论了俄乌冲突和伊朗核问题。俄总统助理乌沙科夫同日表示，两国领导人在通话中同意继续就乌克兰问题进行接触。
特朗普说，他与普京讨论了乌克兰对俄战略轰炸机的袭击，以及俄乌双方正在展开的“各种相互袭击”。普京“态度非常坚决地”表示将对俄机场遭袭事件作出回应。特朗普表示，“这是一次很好的通话，但并不是一次可以马上带来和平的通话”。
特朗普说，他与普京还讨论了伊朗核问题。伊朗必须就核武器问题“尽快做出决定”。他认为普京与他在伊朗不能拥有核武器这一问题上意见一致。特朗普还说，普京表示他将参与和伊朗之间的讨论，“或许可以帮助让事情迅速有个结果”。
乌沙科夫表示，两国总统在通话中详细讨论了俄乌日前在土耳其伊斯坦布尔谈判的成果，并称此次谈判“是有用的”，同意继续就乌克兰问题进行接触。乌沙科夫说，此次通话未提及普京与乌克兰总统泽连斯基会见的可能性及俄乌备忘录草案问题。
乌沙科夫还说，普京在通话中提到了乌克兰在俄乌谈判期间有针对性地袭击俄民用设施情况。特朗普就此表示，美方事先并不知道乌方计划袭击俄机场。
据报道，此次通话是美俄总统今年以来第四次通话。两人上一次通话是在5月19日。
本文作者分别来自新加坡国立大学、北京大学与清华大学。第一作者王宇豪与共同第一作者屈文杰来自新加坡国立大学，研究方向聚焦于大语言模型中的安全与隐私风险。共同通讯作者为北京大学翟胜方博士，指导教师为新加坡国立大学张嘉恒助理教授。
本研究聚焦于当前广泛应用的 RAG (Retrieval-Augmented Generation) 系统，提出了一种全新的黑盒攻击方法：隐式知识提取攻击 (IKEA)。不同于以往依赖提示注入 (Prompt Injection) 或越狱操作 (Jailbreak) 的 RAG 提取攻击手段，IKEA 不依赖任何异常指令，完全通过自然、常规的查询，即可高效引导系统暴露其知识库中的私有信息。
在基于多个真实数据集与真实防御场景下的评估中，IKEA 展现出超过 91% 的提取效率与 96% 的攻击成功率，远超现有攻击基线；此外，本文通过多项实验证实了隐式提取的 RAG 数据的有效性。本研究揭示了 RAG 系统在表面「无异常」交互下潜在的严重隐私风险。
本研究的论文与代码已开源。
总述
大语言模型 (LLMs) 近年来在各类任务中展现出强大能力，但它们也面临一个核心问题：无法直接访问最新或领域特定的信息。为此，RAG (Retrieval-Augmented Generation) 系统应运而生——它为大模型接入外部知识库，让生成内容更准确、更实时。
然而，这些知识库中往往包含私有或敏感信息。一旦被恶意利用，可能导致严重的数据泄露。以往的攻击方式多依赖明显的「恶意输入」，比如提示注入或越狱攻击。这类攻击虽然有效，但也有着输入异常、输出重复等典型特征，容易被防御系统识别和拦截。
图1: 使用恶意查询进行逐字信息提取与使用良性查询进行知识提取 (IKEA) 之间的对比
为突破防御机制对现有提取攻击的限制，本文提出了一种全新的隐式知识抽取框架：IKEA (Implicit Knowledge Extraction Attack)。该方法不依赖任何越权指令或特异化提示语，而是通过自然、常规的查询输入，逐步引导 RAG 系统暴露其内部知识库中的私有或敏感信息。IKEA 的攻击流程具备高度自然性与隐蔽性。
其核心步骤包括：首先，基于已知的系统主题构建一组语义相关的锚点概念 (Anchor concepts)；随后，围绕这些概念生成符合自然语言习惯的问题，用于触发系统检索相关文档；最终，通过两项关键机制对攻击路径进行优化与扩展：
上述机制协同工作，使得攻击过程在保持输入自然性的同时，能够在多轮交互中高效提取 RAG 系统所依赖的外部知识内容。实验证明，IKEA 可在常规输入检测与输出过滤等防御机制下维持高成功率与提取效率，展现出强大的鲁棒性与现实威胁潜力。
方法概览：如何实现「看似正常」的提问？
具体而言，IKEA 首先从与系统主题相关的概念词中筛选出可能有效的锚点概念，并结合历史响应信息过滤无关或无效的概念。
锚点概念数据库的初始化如下：
随后，系统围绕这些锚点概念自动生成语义自然、表达通顺的问题，引导 RAG 返回内容丰富的答案，从而在多轮交互中不断扩大对隐私知识的覆盖。这种策略使攻击过程更加隐蔽，难以被传统检测手段发现。下文给出了「良性」问题的具体生成方式：
该方法设计了两项关键机制以确保知识提取效率：
经验反思采样 (Experience Reflection Sampling)
每个候选锚点概念的采样概率由如下惩罚得分函数定义：
最终的采样概率为：
可信域有向变异 (Trust Region Directed Mutation)
图 2: (左) IKEA 整体流程图；(右) TRDM 示意图
其中：
实验结果：IKEA 的提取效率远超基线方法
研究团队在三个不同领域数据集 (医疗-HealthCareMagic100k、小说-HarryPotter、百科-Pokémon) 上测试了 IKEA 攻击效果。以下是 IKEA 与其他攻击方法在「无防御」、「输入检测」、「输出过滤」三种防御策略下的比较：
表 1: 在三种数据集上不同防御策略下的攻击效果对比分析
提取知识是否「有用」？
研究团队围绕知识有效性开展了两类实验：其一，评估提取出的知识在对应文档相关的问答任务中的表现；其二，评估在有限轮次攻击下所提取知识对完整知识库的覆盖与支撑能力。实验结果表明，IKEA 不仅能够高效提取 RAG 系统中的信息，而且所提取的知识在问答任务中展现出良好的实用性，其性能接近于使用原始知识库时的表现。
图 3: 在三种不同知识库设定下的选择题 (MCQ) 与问答 (QA) 任务结果对比
表 2: 在不同防御与不同基线下提取的知识作为参考的选择题与问答任务结果对比
表 3: 基于不同攻击方法提取数据构建的 RAG 系统在完整知识库上的评估结果
总结