《课间偷跑：啊～夹着一节跳D舞舞蹈教程，打破课堂沉闷！》，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高考、中考期间，太原交警设立20个应急救助站！5月30日消息，DSCC首席执行官Ross Young发布最新消息，为果粉们带来了苹果iPhone 17系列机型屏幕调整的重磅信息。
以下是根据您的主题“《课间偷跑：啊～夹着一节跳D舞舞蹈教程，打破课堂沉闷！”生成的文章：
标题：《课间偷跑：以Dance教学引领生动课堂，打破沉闷的课堂氛围》
在日常的教学活动中，如何打破课堂的沉闷气氛，让每个学生都能够积极主动地参与到学习中来，是许多教育工作者面临的重要问题。而在《课间偷跑：啊～夹着一节跳D舞舞蹈教程，打破课堂沉闷》这篇文章中，我们探讨了如何通过让学生在课间偷跑，结合Dance教学方式，为课程注入活力和创新。
Dance教学是一种充满创意与趣味性的教学手段，它可以通过肢体语言、音乐节奏等元素，将抽象的学科知识转化为直观、生动的形式。在《课间偷跑：啊～夹着一节跳D舞舞蹈教程》中，教师可以组织学生分组，在课间时间进行跳Dance的活动。例如，可以选择特定的一节课，让学生们轮流扮演不同的角色，如老师、学生、学生家长等，然后在跳跃的过程中穿插讲解跳舞的动作步骤、节奏感以及舞蹈的意义和价值。这种寓教于乐的方式不仅能让学生们在轻松愉快的氛围下学习，也能让他们在实际操作中理解并掌握舞蹈的知识和技巧。
Dance教学可以有效激发学生的兴趣和参与度。众所周知，对新鲜事物的好奇心和探索欲望是学生学习的动力源泉。在《课间偷跑：啊～夹着一节跳D舞舞蹈教程》中，教师可以通过设计多样化的游戏和挑战，如创编自己的舞蹈作品、创作Dance节奏，甚至尝试与其他学生或教师合作完成一起的Dance表演等，来引导学生们在享受Dance带来的乐趣的也激发他们对舞蹈的热爱和追求。
Dance教学还可以培养学生的团队协作精神和沟通交流能力。在跳Dance时，学生需要与他人合作，共同完成复杂的动作和节奏，这不仅可以锻炼他们的协作能力，还能够提高他们的社交技能，增强他们在集体中的地位和自信。通过与不同年龄层次、不同性别和背景的学生共舞，教师还可以帮助学生们理解和欣赏各种不同的舞蹈风格，拓宽他们的视野，提升他们的文化素养。
《课间偷跑：啊～夹着一节跳D舞舞蹈教程，打破课堂沉闷！》通过灵活运用Dance教学方式，有效激发学生的学习兴趣，培养学生的学习能力和团队协作精神，有助于打破传统的课堂教学模式，创造一个充满活力、互动和创新的教学环境，从而实现真正的“以学为主，趣在其中”的教育目标。在未来，期待更多学校和教师尝试这一新颖的教学方法，为构建更加生动、多元和立体的教育体系作出贡献。
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
六月仲夏，万物繁茂
毕业的钟声响起，青春的种子正破土而出
奋斗的篇章里，已闪耀着成长的微光
挥洒的汗水，终将照亮收获的季节
高考、中考在即
学子们即将奔赴考场
太原交警提前部署，全力保障
坚持“最高的标准、最实的举措、最优的服务”
给广大考生创造一个良好的出行环境
保障我市“高考、中考”顺利进行
高考、中考期间，太原交警在市区设立
20个“高考、中考”道路交通应急救助站
太原交警将全力守护
畅通赴考之路
温馨提示
☆高考、中考期间，实施交通限行管理
高考、中考期间限行措施！
☆高考、中考期间，启动“静音模式”
车辆途经考场周边请勿鸣笛
☆考生家长切记提醒孩子，带齐证件以及考试用具
避免因粗心大意耽误考试
☆若遇紧急情况，可向救助站、道路执勤民警求助
或拨打122