转载&学习：云上LLM数据泄露风险研究系列（一）:基于向量数据库的攻击面分析
研究背景
- 云计算赋能LLM发展
- 提供弹性算力资源，降低LLM训练/推理成本
- 云服务商提供预训练模型API和微调工具，加速业务部署
- 云生态集成数据存储与分析工具，推动LLM商业化
- 向量数据库的核心作用
- 解决非结构化数据（文本、图像等）的存储与检索难题
- 通过Embedding技术将数据转为向量，支持语义相似性搜索
- 应用场景：
- LLM训练数据清洗与去重
- 增强模型实时知识库，减少幻觉
- 安全注入私有数据
主流开源向量数据库分析
数据库特点全球部署量主要云平台分布技术参数Milvus高扩展性，实时相似性搜索3500+阿里云(18%)、AWS(12%)、腾讯云(9%)维度上限32K，Go/C++开发Qdrant支持复杂过滤，分布式部署3700+AWS(18%)、谷歌云(7%)、Azure(4%)无维度限制，Rust开发Weaviate多模态支持，内置知识图谱8000+AWS(25%)、谷歌云(18%)、阿里云(7%)维度上限65K，Go开发Chroma轻量级嵌入式，开发者友好4700+AWS(32%)、谷歌云(10%)、Azure(8%)参数未公开，Python开发专用向量数据库：Milvus、Qdrant、Weaviate、Chroma与用ES存储有什么区别？
核心架构与设计目标
类别专用向量数据库Elasticsearch (ES)定位专为高维向量相似性搜索优化，支持大规模非结构化数据管理通用全文搜索引擎，通过插件扩展向量功能（如dense_vector）架构- Milvus：分布式微服务架构，计算与存储分离
- Qdrant：Rust编写，内存效率优先
- Chroma：轻量级嵌入式设计基于Lucene的倒排索引，向量搜索作为附加功能数据模型原生支持向量存储与相似性计算，内置向量索引算法（HNSW、IVF等）需通过字段类型dense_vector定义向量，依赖插件实现近似搜索性能对比
[table][tr]维度专用向量数据库Elasticsearch[/tr][tr][td]搜索速度[/td][td]- Milvus/Qdrant：亿级向量毫秒级响应（单查询 |
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
