You Have Been LaTeXpOsEd: A Systematic Analysis of Information Leakage in Preprint Archives Using Large Language Models
यह शोध पत्र "LaTeXpOsEd" प्रस्तुत करता है, जो 1,00,000 से अधिक arXiv सबमिशन का एक व्यवस्थित बड़े पैमाने पर सुरक्षा ऑडिट है, जो पैटर्न मिलान और लार्ज लैंग्वेज मॉडल्स को एकीकृत करने वाले एक नवीन ढांचे का लाभ उठाकर सोर्स फाइलों और टिप्पणियों में संवेदनशील क्रेडेंशियल्स, PII और गोपनीय संचार सहित व्यापक सूचना रिसाव को प्रकट करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप अपनी नवीनतम वैज्ञानिक खोज को साझा करने के लिए एक प्रतिष्ठित लाइब्रेरी (जैसे arXiv) को एक पांडुलिपि (manuscript) जमा कर रहे हैं। आप अंतिम, पॉलिश की हुई किताब (PDF) सौंपते हैं जिसे हर कोई पढ़ सकता है। लेकिन, क्योंकि लाइब्रेरी चाहती है कि आपका काम ईमानदार और पुनरुत्पादक (reproducible) हो, वे आपसे अपना पूरा वर्कशॉप (कार्यशाला) भी मांगती हैं: कच्चे ड्राफ्ट, दीवारों पर चिपके स्टिकी नोट्स, आधे-अधूरे स्केच, और सोचते समय हाशिए में लिखे गए आपके नोट्स।
पेपर "You Have Been LaTeXpOsEd" इस वर्कशॉप का एक व्यापक सुरक्षा ऑडिट है। शोधकर्ताओं ने पाया कि जबकि वैज्ञानिक इस बात में बहुत सावधान रहते हैं कि वे अंतिम किताब में क्या डालते हैं, वे अक्सर अपना वर्कशॉप सौंपने से पहले उसे साफ करना भूल जाते हैं।
यहाँ उन्होंने जो पाया है उसका सरल विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:
1. "डिजिटल अटारी" (Digital Attic) की समस्या
जब वैज्ञानिक अपने पेपर अपलोड करते हैं, तो वे केवल अंतिम PDF ही अपलोड नहीं करते। वे LaTeX सोर्स फाइलें भी अपलोड करते हैं। इन सोर्स फाइलों को एक डिजिटल अटारी या गैरेज के रूप में सोचें।
- गलती: लेखक अक्सर इस अटारी में "स्टिकी नोट्स" (कोड में टिप्पणियाँ/comments) या "पुराने डिब्बे" (अप्रयुक्त फाइलें) छोड़ देते हैं।
- जोखिम: ये नोट्स कह सकते हैं, "हे, हमारे आंतरिक सर्वर का पासवर्ड 'Password123' है" या "हमारा रिव्यूअर के साथ बड़ा झगड़ा हुआ था, यहाँ गुस्से वाले ईमेल हैं।"
- वास्तविकता: क्योंकि अटारी सार्वजनिक है, इसलिए कोई भी अंदर जा सकता है और इन नोट्स को पढ़ सकता है। शोधकर्ताओं ने इसे एक "पैसिव" (passive) ऑडिट के रूप में माना—उन्होंने बस यह देखा कि वहां पहले से क्या मौजूद था, जैसे कि एक सुरक्षा गार्ड खुले घर में घूम रहा हो, बिना यह परीक्षण किए कि ताले वास्तव में काम करते हैं या नहीं।
2. जासूसी उपकरण: Regex बनाम "सुपर-रीडर"
इन रहस्यों को खोजने के लिए, शोधकर्ताओं ने दो प्रकार के जासूसों का उपयोग किया:
- पैटर्न मैचर (Regex): यह एक ऐसे रोबोट की तरह है जो केवल विशिष्ट आकृतियों को देखता है। यह आसानी से उन चीजों को ढूंढ सकता है जो ईमेल पते (
name@domain.com) या IP एड्रेस (192.168.1.1) जैसी दिखती हैं। यह स्पष्ट सुराग खोजने में अच्छा है लेकिन संदर्भ (context) समझने में बुरा है। - "सुपर-रीडर" (Large Language Models - LLMs): यह एक अत्यधिक बुद्धिमान मानव जासूस की तरह है जो एक वाक्य को पढ़ सकता है और उसका अर्थ समझ सकता है।
- उदाहरण: एक पैटर्न मैचर उस वाक्य को मिस कर सकता है जो कहता है, "मैं लॉग इन करने के लिए 'SecretKey99' कुंजी का उपयोग कर रहा हूँ।" क्योंकि यह मानक पासवर्ड फॉर्मेट जैसा नहीं दिखता।
- हालाँकि, LLM पूरे वाक्य को पढ़ता है, यह समझता है कि "SecretKey99" एक गुप्त जानकारी है, और उसे फ्लैग (चिह्नित) कर देता है।
शोधकर्ताओं ने 25 अलग-अलग "सुपर-रीडर्स" (AI मॉडल) का परीक्षण किया कि कौन सा सबसे अच्छा जासूस है। उन्होंने पाया कि ओपन-सोर्स मॉडल (जैसे Qwen-2.5) महंगी, प्रोप्रायटरी (proprietary) कंपनियों के मॉडलों जितने ही अच्छे थे, लेकिन उनकी लागत बहुत कम थी।
3. उन्होंने अटारी में क्या पाया?
100,000 पेपर्स (लगभग 1.2 टेराबाइट डेटा, जो एक विशाल लाइब्रेरी की तरह है) को स्कैन करने के बाद, उन्हें हजारों "लीक" मिले। यहाँ क्या पीछे छूट गया था:
- "खुले दरवाजे" की चाबियाँ: वास्तविक पासवर्ड, API कीज़ और लॉगिन क्रेडेंशियल के सैकड़ों उदाहरण। यह ऐसा है जैसे किसी ने अपने घर की चाबी सामने वाले दरवाजे पर चिपका दी हो और साथ में नोट लिखा हो, "इससे पिछला दरवाजा खुलता है।"
- "निजी चैट" के लीक: निजी Google Drive या Dropbox फोल्डर्स के लिंक जो "Anyone with the link can edit" (लिंक वाला कोई भी व्यक्ति एडिट कर सकता है) पर सेट थे। इसका मतलब था कि गोपनीय पीयर रिव्यूज, सह-लेखकों के बीच आंतरिक बहस और अप्रकाशित डेटा पूरी दुनिया के लिए दृश्यमान थे।
- "स्टिकी नोट" वाली बहस: ऐसी टिप्पणियाँ जहाँ लेखक शोध की गुणवत्ता के बारे में बहस कर रहे थे या रिव्यूअर्स के बारे में शिकायत कर रहे थे। ये केवल आंतरिक आंखों के लिए थे लेकिन प्रकाशित होकर सबके लिए उपलब्ध हो गए।
- "छिपी हुई तस्वीरें": पेपर में अपलोड की गई छवियों में अक्सर EXIF डेटा (डिजिटल मेटाडेटा) होता है। यह एक इमारत की फोटो की तरह है जिसमें गुप्त रूप से फोटोग्राफर के घर के GPS निर्देशांक और फोटो खींचे जाने का सटीक समय शामिल होता है।
4. जांच की लागत
सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि यह कितना सस्ता था।
- शोधकर्ताओं ने 100,000 पेपर्स को स्कैन करने के लिए कुल लगभग $90 खर्च किए।
- इसमें डेटा डाउनलोड करने और कमेंट्स को पढ़ने के लिए AI को भुगतान करने की लागत शामिल थी।
- उपमा: यह 100,000 घरों की जांच करने के लिए कुछ डॉलर में एक सुरक्षा टीम को काम पर रखने जैसा है। इसका मतलब है कि एक "कम संसाधन वाला" बुरा तत्व (Bad Actor) (जिसका बजट छोटा हो) भी चुराने या प्रतिष्ठा को नुकसान पहुँचाने के लिए आसानी से ऐसा कर सकता है।
5. "द ब्लेम गेम" (दोष मढ़ना - किसकी जिम्मेदारी है?)
पेपर एक जटिल कानूनी स्थिति की ओर इशारा करता है।
- लाइब्रेरी का नियम: जब आप arXiv पर सबमिट करते हैं, तो आप एक अनुबंध पर हस्ताक्षर करते हैं कि, "मैं लाइब्रेरी को अपने काम को हमेशा के लिए वितरित करने का अधिकार देता हूँ।" लाइब्रेरी भी कहती है, "यह आपकी जिम्मेदारी है कि आप सुनिश्चित करें कि आप निजी जानकारी शामिल न करें।"
- समस्या: लेखक अक्सर सोचते हैं, "मैंने कोड कमेंट्स में गुप्त जानकारी रखी है; कोई कोड नहीं पढ़ता, केवल PDF पढ़ता है।" उन्हें यह एहसास नहीं होता कि "कोड कमेंट्स" स्थायी सार्वजनिक रिकॉर्ड का हिस्सा हैं।
- फैसला: शोधकर्ता तर्क देते हैं कि हालांकि सफाई करने के लिए तकनीकी रूप से लेखक जिम्मेदार हैं, लेकिन सिस्टम टूटा हुआ है क्योंकि अनजाने में गुप्त जानकारी पीछे छोड़ देना बहुत आसान है, और लाइब्रेरी उन्हें स्वचालित रूप से हटाती (scrub) नहीं है।
6. समाधान: वर्कशॉप की सफाई
पेपर दो मुख्य समाधान सुझाता है:
- लेखकों के लिए: "सबमिट" बटन दबाने से पहले, एक "क्लीन-अप" टूल (जैसे डिजिटल वैक्यूम) चलाएं जो स्वचालित रूप से सभी कमेंट्स, अप्रयुक्त फाइलें और छिपे हुए मेटाडेटा को हटा दे। अटारी में स्टिकी नोट्स न छोड़ें!
- लाइब्रेरी (arXiv) के लिए: उन्हें एक सुरक्षा जाल (safety net) जोड़ना चाहिए। एक पेपर लाइव होने से पहले, सिस्टम को पासवर्ड और निजी लिंक के लिए स्वचालित रूप से स्कैन करना चाहिए और लेखक को चेतावनी देनी चाहिए: "हे, आपने अपने नोट्स में एक पासवर्ड छोड़ा है। क्या आप वास्तव में इसे प्रकाशित करना चाहते हैं?"
सारांश
यह पेपर एक चेतावनी है। यह दिखाता है कि विज्ञान को तेजी से साझा करने की दौड़ में, शोधकर्ता अनजाने में अपनी "डिजिटल कचरा" (गुप्त बातें, पासवर्ड और निजी बहस) खुले में छोड़ रहे हैं। क्योंकि आधुनिक AI इन बिखरे हुए नोट्स को पढ़ने और समझने में इतना सक्षम है, इसलिए अब किसी के लिए भी इन्हें ढूंढना अविश्वसनीय रूप से आसान है। शोधकर्ता आग्रह करते हैं कि वैज्ञानिक समुदाय को अपने सोर्स फाइल्स को प्रकाशित करने से पहले साफ करने की शुरुआत करनी चाहिए, ठीक वैसे ही जैसे वे सार्वजनिक रूप से दरवाजा खोलने से पहले एक भौतिक लैब को साफ करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।