GS-Chaff: プライバシー保護LLM推論のためのマルチエージェントプロンプトレベルセマンティックチャフィング
GS-Chaff: Multi-Agent Prompt-Level Semantic Chaffing for Privacy-Preserving LLM Inference
クラウドベースの大規模言語モデル(LLM)サービスは、プライベートまたは機密情報を含む可能性のある自然言語クエリを処理するためにますます利用されている。従来のプライバシー保護アプローチは、計算オーバーヘッドを導入したり、クエリの意味的整合性を損なったりする。これに対処するため、本研究では、テキストクエリに対するプライバシー保護LLM推論のためのトレーニング不要なマルチエージェントフレームワークである生成セマンティックチャフィング(GS-Chaff)を提案する。GS-Chaffは、機密コンテンツを明示的にマスクするのではなく、意味的に妥当なチャフクエリの間にユーザーの真の意図を隠す。このフレームワークは、2つの小型言語モデル(SLM)ベースのエージェントを通じて実装される。1つはプライバシーポリシーエージェントで、各テキストクエリに必要な意味的抽象化レベルとチャフィング係数を適応的に決定する。もう1つは生成セマンティックチャフィングエージェントで、意味的に整合したダミークエリを生成する。クラウド側推論後、保護された実際のクエリに対応する応答は、クラウドベースのLLMを変更することなく、ステートレスインデックスを使用してローカルで回復される。テキストベースのベンチマークでの実験結果は、GS-Chaffが攻撃者の実際のクエリ識別率をランダム推測に近い22.5%に低減し、評価されたベンチマークでの推論ユーティリティを維持することを示している。さらに、GS-Chaffは、β=5を使用した固定チャフィング構成と比較して、ローカル前処理時間を1.85倍削減する。
- クラウドベースLLM推論のプライバシー保護フレームワークGS-Chaffを発表。攻撃者の実際のクエリ識別率をランダム推測に近い22.5%に低減した
- 2つのSLMベースエージェント(プライバシーポリシーエージェントと生成セマンティックチャフィングエージェント)で実装され、トレーニング不要でクラウド側LLMを変更する必要がない
- 固定チャフィング構成と比較してローカル前処理時間を1.85倍削減(β=5時)
LLMクラウド推論におけるプライバシー保護は企業導入の大きな障壁であり、本手法は計算オーバーヘッドやクエリの意味的整合性を損なわずに攻撃者の識別率を22.5%まで低減できる点で注目に値する。クラウド側LLMを変更せずに済むアプローチは、既存インフラへの統合コストが低く、エンタープライズ向けLLMサービスの差別化要素になり得る。トレーニング不要で小型言語モデル(SLM)のみを用いる点も実装コストの低さを示しており、商用化の現実性が比較的高い。