Breaking Down the Defenses: A Comparative Survey of Attacks on Large Language Models

大语言模型（LLMs）已成为自然语言处理（NLP）领域的基石，提供了理解和生成类人文本的变革性能力。然而，随着它们的日益突出，这些模型的安全性和易受攻击性引起了广泛关注。本文全面调查了针对LLMs的各种攻击形式，讨论了这些攻击的性质和机制、潜在影响以及当前的防御策略。我们深入探讨了诸如旨在操纵模型输出的对抗性攻击、影响模型训练的数据污染以及与训练数据利用相关的隐私问题等主题。本文还探讨了不同攻击方法的有效性、LLMs对这些攻击的弹性以及对模型完整性和用户信任的影响。通过研究最新的研究成果，我们提供了对LLM漏洞和防御机制的当前情况的深入了解。我们的目标是提供对LLM攻击的细致理解，促进AI社区内的意识，并激发未来开发中减轻这些风险的强大解决方案。

本论文旨在全面调查针对大型语言模型（LLMs）的各种攻击形式，讨论这些攻击的性质、机制、潜在影响和当前的防御策略。

本论文提供了大型语言模型（LLMs）攻击的全面调查，讨论了不同类型攻击的机制和潜在影响，并探讨了当前的防御策略。作者提供了对LLMs攻击的深入理解，以及对未来解决这些风险的启示。

本论文还探讨了不同攻击方法的有效性、LLMs对这些攻击的弹性以及对模型完整性和用户信任的影响。实验设计详细，使用了多个数据集，并提供了开源代码。值得深入研究的工作包括对LLMs攻击的更深入理解以及更强大的防御策略的开发。

最近的相关研究包括“Adversarial Attacks on Neural Networks for Graph Data: Challenges and Perspectives”和“Privacy-Preserving Deep Learning: A Survey and Future Directions”。