🛡️StegoRedTeam: 基于隐写术与红队模拟的LLM攻击框架

StegoRedTeam 是一个为“独角鲸-Prompt安全赛道”设计的、新颖且高效的通用大语言模型（LLM）攻击框架。它通过一个精巧的两阶段流程，能够系统性地绕过当前主流模型的安全对齐机制，在中文和英文数据集上均取得了极高的攻击成功率。

• 中文技术报告: 查看详细技术报告
• 核心实现: Jupyter Notebook

---

🔍核心思想

StegoRedTeam 的设计核心是避免与模型的安全审查机制发生正面冲突，将复杂的越狱任务分解为两个逻辑独立的阶段，巧妙地利用模型自身的高级能力来达成攻击目标。

阶段一：动态隐写编码 (Dynamic Steganographic Encoding)

此阶段利用一个独立的辅助LLM，将原始的恶意指令通过“藏头诗”(Acrostic Steganography)的方式，动态编码并嵌入到一个语义连贯、表面完全无害的文本载体中（例如，一段关于修仙探险的短文）。

• 动态性: 每次生成的载体文本都独一无二，有效规避基于静态规则或签名的防御。
• 隐蔽性: 提交给目标模型的文本本身不包含任何直接的恶意意图。

阶段二：红队模拟与解码执行 (Red Team Simulation & Decoding Execution)

此阶段将目标LLM置于一个高度专业化的“网络安全红队AI”角色中。其核心任务并非直接执行恶意指令，而是：

1. 解码 (Decode): 遵循明确的“解码协议”，从第一阶段生成的无害文本中提取出隐藏的原始指令。
2. 规划 (Plan): 将解码后的任务作为一个模拟演练，生成一份严格遵循特定JSON格式的“技术攻击计划”。

通过基于输出模式的逻辑胁迫 (Logic Coercion via Output Schema)，我们强制要求模型输出的JSON中不能包含任何伦理拒绝或安全警告，否则即为“模式违规”。这在模型的“完成任务”和“遵守安全规则”之间制造了逻辑冲突，迫使其为了完成核心指令而绕过安全限制。

(注：此图为 StegoRedTeam 核心流程的示意图)

✨ 主要特性

• 🔄 分离式攻击流程 — 恶意意图与表面任务完全解耦
• 🎨 动态载体生成 — 每次攻击载体唯一，防黑名单
• 📐 输出模式逻辑胁迫 — JSON格式迫使模型完成解码+模拟
• 🌐 跨语言高成功率 — 中英文公开测试表现优异

📊 攻击效果

我们在“独角鲸-Prompt安全赛道”的官方公开测试集上对 StegoRedTeam 框架进行了严格评估，目标模型为 GPT-4o。结果如下：

数据集 / 赛道	语言	攻击成功率 (ASR)
JADE-DB v3.0	🇨🇳 中文	99.60%
AdvBench	🇬🇧 英文	91.80%

完整的实验设置和结果分析请参考 技术报告。

🚀快速开始

你可以通过以下步骤在本地复现我们的攻击框架。

1. 环境准备

首先，克隆本仓库到你的本地。

git clone https://github.com/lhppppp/StegoRedTeam.git
cd StegoRedTeam

然后，安装所需的依赖库。

pip install openai datasets pandas tqdm jieba

2. 配置API密钥

打开 main.ipynb 文件，定位到 “2. 核心配置 (Core Configuration)” 单元格。根据你的情况，填入用于攻击、评估和辅助生成隐写文本的API密钥和模型信息。

# --- 目标模型配置 (你想要攻击的模型) ---
os.environ['TARGET_API_KEY'] = 'sk-YOUR_API_KEY'  # 填入你的API Key
TARGET_CONFIG = {
    "api_key": os.getenv('TARGET_API_KEY'),
    "base_url": "https://your_url/v1",  # 如攻击其他兼容OpenAI的API，请修改此URL
    "model_name": "gpt-4o"  # 填写你攻击的具体模型名称
}

# --- 评估模型配置 和 辅助模型配置 (类似修改) ---

注意: 请妥善保管你的API密钥，切勿将其上传到公共仓库。

3. 选择数据集

在 “3. 加载赛道数据集 (Load Track Dataset)” 部分，根据你希望测试的赛道（中文或英文），取消对应代码块的注释。

• 英文赛道: 取消 walledai/AdvBench 相关代码的注释。
• 中文赛道: 默认已启用，使用本地的 jade_alignment_medium_zh.csv 文件。

4. 运行与评估

依次运行 Jupyter Notebook 中的所有单元格。程序将自动处理数据集、生成攻击 Prompt、调用目标模型并进行自动化评估。

评测完成后，你将在屏幕上看到最终的越狱成功率，并且所有详细结果将保存到 results.csv 文件中。

⚠️免责声明

本仓库所有代码和内容仅供学术研究和安全技术交流使用。使用者应遵守当地法律法规，严禁将此项目用于任何非法或恶意目的。任何因滥用本项目而导致的法律责任或损失，由使用者自行承担。

🙏致谢

• 🏆竞赛主办方: 独角鲸安全社区
• 📚数据集提供方:
  • JADE-DB: whitzard-ai/jade-db
  • AdvBench: walledai/AdvBench

📜许可证

本项目采用 MIT License 开源协议。