本研究探讨了大语言模型（LLM）在提示攻击防御中的动态性及合法用户可用性影响。提出D-SEC模型，通过“甘道夫”平台生成自适应攻击数据，发现集成防御机制可能降低用户体验，同时限制应用领域，影响自适应防御策略在保障安全的同时保持LLM的实用性。

本文综述大语言模型提示攻击与防御研究，涵盖提示窃取攻击（通过参数提取与提示重构窃取优质提示）、提示注入防御（签名提示）、攻击框架与数据集SAP、PromptAttack对预训练模型安全的探究、RPO梯度优化降低攻击成功率、DrAttack分解重构恶意提示（GPT-4成功率78%）、BIPIA基准及黑盒白盒防御、PromptInject对GPT-3的评估，以及后门攻击POISONPROMPT。

该文综述大语言模型提示攻击与防御研究，提出ReNeLLM等框架提升攻击成功率并降低成本，揭示现有防御不足；通过竞赛构建60万对抗提示数据集并分类；开发PromptAttack、TrojPrompt等方法评估安全风险，并探索自动提示优化与Prompt2Model小模型训练。