小心!你的AI助手可能被“投毒”,幕后黑手竟是缓存漏洞

论文原文标题：Cache Me, Catch You: Cache Related Security Threats in LLM Serving Frameworks 出处：Network and Distributed System Security (NDSS) Symposium 2026

一句话总览

📢 最新研究发现，为了让ChatGPT等大模型回答更快而广泛使用的缓存技术，竟存在严重安全漏洞，攻击者可以极低成本“污染”缓存，让AI输出错误答案、恶意信息甚至绕过内容审核。

研究背景：为什么要做这件事

💡 如今，大语言模型（LLM）如ChatGPT、文心一言等已深度融入我们的生活。但你知道它们为什么有时回答得那么快吗？一个关键“加速器”叫做缓存。

🔍 你可以把缓存想象成AI的“记忆便签”。当AI处理过类似的问题后，它会把中间计算结果存起来。下次你再问类似问题时，它就不用从头算起，直接读取“便签”，速度自然就快了。

⚙️ 目前主流的AI服务框架（如vLLM、SGLang）和应用（如LangChain）都大量使用缓存来提升效率、降低成本。然而，这项旨在提升性能的技术，却因为设计上的疏漏，打开了一扇新的“攻击之门”。

核心方法：他们是怎么做的

研究团队系统地分析了主流AI服务框架中的缓存机制，发现了六种全新的攻击方式。这些攻击可以归为两大类：

1. 面向用户的欺诈攻击 这类攻击的目标是“污染”缓存，让普通用户收到恶意内容。 • F1 系统提示词碰撞攻击：攻击者精心构造一段恶意指令，让它与AI系统内部的固定指令（如“你是一个有用的助手”）产生缓存碰撞。一旦成功，所有用户与AI的对话都可能被这条恶意指令影响。 • F2 语义模糊投毒攻击：攻击者向AI提问一个看似正常但语义接近目标问题（如“如何取消订阅A服务？”）的恶意问题，并诱导AI给出错误回答（如“请转而订阅B服务”）。由于语义相似，当真实用户询问取消A服务时，AI会直接返回被缓存的那个错误答案。 • F3 基于RAG的语义投毒：这是在F2基础上的“升级版”，利用了当前流行的RAG（检索增强生成） 技术。攻击者通过污染检索到的参考资料，进一步放大语义缓存中毒的影响范围。

2. 针对系统完整性的攻击 这类攻击直接瞄准AI系统自身，试图破坏其功能或绕过安全审核。 • I1 提示词劫持攻击：攻击者如果知晓某个自动化审核流程的完整输入（如金融交易审核指令），可以构造一个碰撞的、无害的输入先“占坑”缓存。当系统处理真实的恶意交易时，就会直接命中缓存，给出“批准”的结论。 • I2 分块碰撞劫持攻击：通过让输入文本中的某个恶意“块”与之前的正常块发生缓存碰撞，使得AI在推理时完全“看不见”这个恶意块的内容，从而成功绕过代码审计、敏感词过滤等安全检查。 • I3 多模态碰撞攻击：攻击两张内容不同（如一张是狗，一张是猫）但缓存哈希值却相同的图片。先上传无害图片通过审核并被缓存，再上传恶意图片时，系统会直接读取缓存结果，从而让违规图片“隐身”。

实验结果：效果到底如何

研究团队在vLLM、GPTCache等主流开源框架上验证了所有攻击，结果令人震惊：

✅ 攻击成功率极高：针对vLLM的系统提示词碰撞攻击，在30分钟内实现了100%的缓存命中率，成功注入了恶意指令。在GPTCache上的语义模糊投毒攻击，在常规设置下达到了75%的中毒命中率。

💰 攻击成本极低：完成一次有效攻击的成本普遍低于1美元，有些甚至近乎零成本。这意味着攻击门槛非常低。

🛡️ 影响范围极广：这些漏洞影响了包括vLLM、SGLang、GPTCache、LMDeploy等在内的几乎所有主流AI服务框架。研究团队已向相关厂商负责任地披露，并获得了多个CVE（通用漏洞披露）编号。目前，vLLM、GPTCache等已根据建议修复了部分漏洞。

总结与启示

这项研究首次系统性地揭示了AI服务中缓存层所隐藏的巨大安全风险。它告诉我们，在追求效率的同时，绝不能忽视安全底线。

🔐 给开发者的启示： • 加固缓存密钥：避免使用不抗碰撞的普通哈希函数，改用密码学安全的哈希算法（如SHA-256）或在哈希时加入随机数。 • 规范数据序列化：处理图像、视频等多模态数据时，必须将尺寸、格式等元信息一同纳入缓存计算，避免因“看起来”字节相同就误判。 • 增加验证层：对于语义缓存，可以使用更强的语义理解模型来区分查询，或增加一个轻量级AI审核环节，对缓存返回的结果进行二次校验。

👨💻 给普通用户的提醒：虽然漏洞主要在服务端，但作为用户，我们需要意识到： • AI给出的答案并非绝对可靠，尤其是涉及重要决策（如医疗、金融、法律建议）时，应保持批判性思维，交叉验证信息。 • 这项研究正在促使厂商加固系统，这最终会让所有用户享受到更安全、更可靠的AI服务。

技术的快速发展往往伴随着新的安全挑战。这项研究像一次及时的“安全体检”，帮助整个AI行业在狂奔的路上，系紧了“缓存安全”这根鞋带，让我们能更安心地迈向智能未来。