Adaptive Adversarial Prompt Detection in Large Language Models via Quantum-Resistant Cryptography and Spectral–Spatial Wave Networks
Notice bibliographique
Résumé
The rapid growth of large language models (LLMs) has intensified concerns over adversarial prompts, which can manipulate model outputs, bypass safety constraints, or cause unintended behaviors. Traditional prompt filtering systems rely on keyword-based detection or basic semantic similarity checks, which often fail to identify obfuscated, rephrased, or structurally disguised malicious inputs. Furthermore, many existing solutions store prompts in plain text for analysis, creating a significant security vulnerability. To address these challenges, a secure and adaptive adversarial prompt detection framework is introduced, integrating post-quantum cryptography, advanced semantic–behavioral analysis, and metaheuristic optimization. In this approach, incoming prompts are immediately encrypted using a Quantum-Resistant Cryptography algorithm before any storage, ensuring confidentiality even under future quantum attacks. A normalization-based preprocessing stage removes obfuscations, malicious syntax, and hidden tokens, followed by a Hierarchical Attention Transformer for combined semantic and behavioral analysis, capturing both local syntactic cues and global semantic dependencies. The extracted features are processed through a self-attention-based Spectral–Spatial Wave Network(Self-SSWN), whose parameters are optimized using the Migrating Walrus Algorithm to enhance detection accuracy. The optimized deep learning classifier assigns confidence-based threat levels—benign, potentially adversarial, or confirmed adversarial—while a continuous feedback loop updates the model with newly detected attack patterns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».