You Have Been LaTeXpOsEd: A Systematic Analysis of Information Leakage in Preprint Archives Using Large Language Models
本文提出了"LaTeXpOsEd"，这是一个对超过 10 万篇 arXiv 投稿进行的系统性大规模安全审计，该审计通过利用一个融合模式匹配与大语言模型的新颖框架，揭示了源文件和注释中普遍存在的信息泄露现象，包括敏感凭证、个人身份信息以及机密通信。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在向一家享有盛誉的图书馆（如 arXiv）提交手稿，以分享你最新的科学发现。你递交了最终定稿、经过润色的书籍（PDF 文件），供所有人阅读。但是，为了确保你的工作诚实且可复现，图书馆还要求你交出整个工作室：包括草稿、墙上的便利贴、未完成的草图，以及你在大声思考时写在页边空白处的笔记。
论文《You Have Been LaTeXpOsEd》是对这个工作室进行的一次大规模安全审计。研究人员发现，虽然科学家们对放入最终书籍的内容非常谨慎，但在交出书籍之前，他们往往忘记清理自己的工作室。
以下是他们发现内容的简明分解，使用了日常类比：
1. “数字阁楼”问题
当科学家上传论文时，他们上传的不仅仅是最终的 PDF 文件，还包括LaTeX 源文件。可以将这些源文件想象成一个数字阁楼或车库。
- 错误所在：作者经常在这个阁楼里留下“便利贴”（代码中的注释）或“旧箱子”（未使用的文件）。
- 风险：这些笔记可能写着诸如：“嘿，我们内部服务器的密码是'Password123'"或者“我们和审稿人发生了激烈的争吵，这里是愤怒的邮件。”
- 现实情况：由于阁楼是公开的，任何人都可以走进去阅读这些笔记。研究人员将此视为一种“被动”审计——他们只是查看已经存在的内容，就像保安在开放日穿过房屋一样，并没有尝试闯入或测试门锁是否真的有效。
2. 侦探工具：正则表达式 vs. “超级读者”
为了寻找这些秘密，研究人员使用了两种类型的侦探：
- 模式匹配器（正则表达式）：这就像一个只寻找特定形状的机器人。它可以轻松找到看起来像电子邮件地址（
name@domain.com）或 IP 地址（192.168.1.1）的内容。它擅长发现明显的线索，但不擅长理解上下文。 - “超级读者”（大型语言模型 - LLM）：这就像一位高智商的人类侦探，能够阅读句子并理解其含义。
- 示例：模式匹配器可能会漏掉这样一句话：“我正在使用密钥'SecretKey99'登录实验室。”因为它看起来不像标准的密码格式。
- 然而，LLM 会阅读整句话，理解"SecretKey99"是一个秘密，并将其标记出来。
研究人员测试了 25 种不同的“超级读者”（AI 模型），以查看哪一个是最好的侦探。他们发现，开源模型（如 Qwen-2.5）几乎与昂贵且专有的模型一样出色，但成本却只是其零头。
3. 他们在阁楼里发现了什么？
在扫描了10 万篇论文（约 1.2 TB 数据，相当于一个巨大的图书馆）后，他们发现了数千个“泄露”。以下是被遗留下来的内容：
- “敞开大门”的钥匙：数百个实际密码、API 密钥和登录凭证的实例。这就像有人把家门钥匙贴在 front door 上，并附了一张纸条写着：“这把钥匙能打开后门。”
- “私人聊天”泄露：指向私人 Google Drive 或 Dropbox 文件夹的链接，这些链接被设置为“任何拥有链接的人都可以编辑”。这意味着机密的同行评审、合著者之间的内部争论以及未发表的数据对全世界可见。
- “便利贴”争论：作者们关于研究质量争论或抱怨审稿人的注释。这些本应仅供内部人员查看，却公开发布给所有人阅读。
- “隐藏的照片”：上传到论文中的图片通常包含 EXIF 数据（数字元数据）。这就像一张建筑物的照片，却秘密地包含了摄影师家的 GPS 坐标以及拍摄照片的确切时间。
4. 调查的成本
最令人惊讶的发现之一是，进行这项调查的成本非常低。
- 研究人员总共只花费了约90 美元来扫描 10 万篇论文。
- 这包括了下载数据的费用以及支付 AI 阅读注释的费用。
- 类比：这就像雇佣一个安全团队，只需花费几美元就能检查 10 万所房屋。这意味着即使是“低资源”的恶意行为者（预算有限的人）也很容易这样做，以窃取秘密或造成声誉损害。
5. “推诿游戏”（谁该负责？）
论文指出了一个棘手的法律状况。
- 图书馆的规定：当你向 arXiv 提交时，你签署了一份合同，声明“我授予图书馆永久分发我作品的权利”。图书馆也表示：“确保你不包含私人信息是你的责任。”
- 问题所在：作者们经常认为：“我把秘密放在了代码注释里；没人会读代码，大家只看 PDF。”他们没有意识到，“代码注释”也是永久公共记录的一部分。
- 裁决：研究人员认为，虽然作者在技术上负有清理的责任，但系统存在缺陷，因为意外留下秘密太容易了，而且图书馆也不会自动清除它们。
6. 解决方案：清理工作室
论文提出了两个主要的补救措施：
- 对于作者：在点击“提交”之前，运行一个“清理”工具（像数字吸尘器一样），自动删除所有注释、未使用的文件和隐藏的元数据。不要把便利贴留在阁楼里！
- 对于图书馆（arXiv）：他们应该增加一个安全网。在论文上线之前，系统应自动扫描密码和私人链接，并警告作者：“嘿，你在笔记里留下了一个密码。你真的要发布这个吗？”
总结
这篇论文是一个警钟。它表明，在急于快速分享科学的进程中，研究人员无意中将自己的“数字垃圾”（秘密、密码和私人争论）暴露在光天化日之下。由于现代 AI 非常擅长阅读和理解这些杂乱的笔记，现在任何人都可以极其容易地找到它们。研究人员敦促科学界在发布前开始清理源文件，就像他们在向公众开放实体实验室之前会进行清理一样。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。