借鏡 Linux 安全模組架構：LMSM 框架為大型語言模型建立解耦且高效的防禦機制

本研究提出 LMSM 框架，仿效 Linux 安全模組將安全邏輯與模型推論解耦，使開發者能靈活整合可解釋性訊號並動態實施防禦規則，顯著提升 LLM 的安全性與推論效率。

Problem

現有的大型語言模型（LLM）防禦機制仍易被惡意提示詞繞過，且可解釋性分析產生的內部訊號缺乏標準化的整合方式。目前的部署方案往往將特定訊號與其驗證邏輯、策略代碼緊密耦合，導致每次新增安全組件都需重新開發系統架構，難以形成協同防禦。

開發受 Linux 安全模組（LSM）啟發的 LMSM 框架，實現「中介正確性」與「策略有效性」的解耦。系統包含三個核心組件：提供校準證據的安全後端、評估動態規則的版本化策略，以及控制緩衝輸出釋放的閘門機制，並在 vLLM 平台上支援稀疏自動編碼器（SAE）與密集探針等技術。

在 Qwen3-4B 模型測試中，LMSM 成功將 HarmBench 攻擊成功率從 39.20% 大幅降至 3.32%，同時維持了 98.14% 的原始推論吞吐量。實驗證明，該框架能在不更動推論基礎設施的前提下，彈性組合多重安全規則並精確處理併發請求，且僅微幅增加 XSTest 的誤判率。

本研究為模型內部分析與執行期防禦（Runtime Enforcement）之間架起了標準化橋樑。它允許開發者在不重構系統的情況下，動態更新安全後端與防禦策略，讓可解釋性研究的最新進展能更快速、低成本地轉化為實際的 LLM 安全防護能力。