في عالم الذكاء الاصطناعي، تعد تقنية التشفير الاستباقي (Speculative Decoding) واحدة من أبرز الأساليب المستخدمة لزيادة سرعة كفاءة نماذج اللغة الكبيرة (Large Language Models) وتقليل النفقات المرتبطة بها. تعتمد هذه التقنية على التحقق من عدة رموز مسودة (draft tokens) خلال تمريرة واحدة عبر النموذج المستهدف. لكن، الهجمات الجديدة المعروفة بهجمات الرفض الاستباقية (Speculative Rejection Attacks) يمكن أن تُحدث اضطرابًا في هذه الفائدة من خلال جعل النماذج المسودة والمستهدفة تختلف بشكل أكبر، مما يؤثر سلبًا على كفاءة العملية.

تقوم الدراسة الأخيرة بتسليط الضوء على نوعين من هجمات الرفض التي تُضاف إلى المحتوى الذي يتحكم به المهاجم، مما يؤدي إلى تقليل قبول الرموز المسودة خلال كل دورة مسودة. كل من الهجمتين تسعى إلى تحسين طول المقطع الاستباقي المقبول، إما من خلال تقدير احتمالية قبول المقترحات المسودة (Speedbump-P) أو من خلال التداخل بين توزيع المسودة والدليل (Speedbump-D).

أظهرت النتائج أن بعض هذه الهجمات يمكن أن تُخفض أداء التشفير الاستباقي إلى مستوى أسوأ من طرق التشفير الذاتية (Autoregressive Decoding). كما أن هذه الهجمات لا تؤثر فقط على التكلفة، بل تنعكس أيضًا على جودة الناتج، ما يدفع إلى استخدام تضمينيات لتحسين الجودة، لكن هذه التقنية تأتي بتكلفة انخفاض الفعالية. والجدير بالذكر أن هذه التضمينات تبقى فعالة حتى تحت ظروف السحب (sampling) وقد تنتقل عبر مبدعين مختلفين أو عبر نماذج مستهدفة تشترك في نفس المسودة.

تكشف هذه المعطيات عن أهمية التفاعل بين المسودة والنموذج المستهدف كنافذة هجومية حقيقية يمكن استغلالها من قبل المدخلات المعادية، مما يؤدي إلى زيادة تكاليف الاستدلال بشكل ملحوظ. مما يطرح تساؤلات حول مستقبل الاعتماد على أساليب التشفير الاستباقي في ظل هذه الهجمات المتزايدة.