基于来源信息的网络安全防护方法：针对大型语言模型（LLMs），采用无损图压缩技术提升计算效率

《IEEE Transactions on Artificial Intelligence》：Provenance-Based Cybersecurity for LLMs Using Lossless Graph Compression for Computational Efficiency

　　

影响声明：

CompProGraph 通过提高基于来源信息的网络安全技术在大型语言模型（LLM）流程中的可行性，推动了可信人工智能的发展。通过减少存储需求和验证成本……显示更多

摘要：

基于来源信息的网络安全技术能够确保人工智能系统的可审计性和完整性，但会引入较大的计算开销，尤其是在大型语言模型（LLM）流程中。现有的来源信息压缩方法往往会在压缩精度和可扩展性之间做出妥协。本文提出了 CompProGraph，这是一个两阶段的无损来源信息压缩框架，它结合了结构签名哈希和保留格式的 JSON 编包技术，以减少冗余信息的同时保持完整的 W3C PROV 语义。使用 OpenML?CC18 基准测试作为类似 LLM 的来源信息工作流程的结构代理，CompProGraph 实现了大约 59% 的存储空间缩减，并且压缩和解压缩过程均为线性时间复杂度。我们进一步在从重复执行模板生成的扩展来源信息语料库上评估了其可扩展性，这些语料库的规模从兆字节到多吉字节不等，结果表明随着语料库规模的增加，运行时间和内存使用量呈线性增长。尽管 CC18 并未涵盖真实 LLM 流程的所有语义和时间属性，但这些结果提供了实证证据，证明利用结构相似性可以实现高效、无损的大规模来源信息压缩。因此，CompProGraph 为构建可扩展且符合审计要求的可信人工智能系统迈出了实际的一步。