Private-RAG：一种用于大型模型推理的隐私保护型检索增强生成方法

《Electronics》：Private-RAG: A Privacy-Preserving Retrieval-Augmented Generation Method for Large Model Inference

　　

摘要

通过整合外部知识，检索增强生成（Retrieval-augmented generation, RAG）提高了大型模型推理服务的事实一致性、知识时效性和场景适应性。然而，这也引入了结构隐私风险，包括私人知识泄露、提示注入以及在多轮交互中的渐进式信息提取。为了解决这些问题，本文提出了一种保护隐私的检索增强生成方法——Private-RAG。该方法构建了一个复合威胁模型和一个定量评估框架来评估RAG流程，并进一步开发了一种分层协作防御机制，包括受控检索、敏感度感知的上下文最小化、结构化提示隔离和多标准输出控制。此外，还引入了一种基于风险反馈的预算会计方法，以实现多轮交互场景中的动态风险控制。实验结果表明，Private-RAG有效减少了私人知识泄露，提高了对提示注入的鲁棒性，并在保持问答效率的同时抑制了累积隐私暴露，同时部署延迟可控（例如1165毫秒），展现了卓越的隐私保护和推理鲁棒性。