शोधकर्ताओं ने इनफरेंस-टाइम डिनियल-ऑफ़-सर्विस (PI-DoS) हमलों को फॉर्मलाइज़ किया है जो Large Reasoning Models (LRMs) में एक्सप्लिसिट मल्टी-स्टेप तर्क के उच्च कंप्यूटेशनल कॉस्ट का शोषण करते हैं। वे ReasoningBomb प्रस्तुत करते हैं, एक रीइन्फोर्समेंट-लर्निंग-आधारित फ्रेमवर्क जो हमलावर को प्रशिक्षित करता है ताकि वह शिकार मॉडलों को पथोलॉजिकल रूप से लंबे और अक्सर नॉन-टर्मिनेटिंग तर्क ट्रेस में धकेलने वाले छोटे नेचुरल प्रॉम्प्ट्स उत्पन्न कर सके।
- सात ओपन-सोर्स मॉडल्स और तीन कॉमर्शियल LRMs पर, ReasoningBomb औसतन 18,759 कंप्लीशन टोकन्स और 19,263 तर्क टोकन्स प्रेरित करता है।
- विधि कंप्लीशन टोकन्स में 35% और तर्क टोकन्स में 38% से बेहतर प्रदर्शन करती है।
- यह बेनिन क्वेरीज़ की तुलना में औसतन 286.7x इनपुट-टू-आउटपुट एम्प्लिफिकेशन रेशियो हासिल करता है।
- ReasoningBomb इनपुट-आधारित पर 99.8% सफलता, आउटपुट-आधारित पर 98.7% और कठोर डुअल-स्टेज जॉइंट डिटेक्शन के खिलाफ 98.4% के साथ डिटेक्शन को बायपास करता है।
यह कार्य LRMs में एक नई वल्नरेबिलिटी को उजागर करता है जहाँ विस्तारित तर्क की क्षमता को स्टील्थी प्रॉम्प्ट इंजीनियरिंग के माध्यम से गंभीर डिनियल-ऑफ़-सर्विस स्थितियाँ बनाने के लिए हथियार बनाया जा सकता है।