Day 19｜Unbounded Consumption 的攻擊方式

上一篇提到，LLM 的 Token、Context、Reasoning 以及多模態輸入，都可能讓一次請求消耗大量資源。

那麼攻擊者可以怎麼利用這些特性？

1. 大量請求

最直接的方法，就是持續送出大量請求。

如果 Application 沒有限制單一使用者的請求數量，攻擊者就可以持續消耗 CPU、GPU、Token 或 API 額度，讓服務速度變慢，甚至影響其他正常使用者。

2. Denial of Wallet

LLM 很多服務都是按照 Token 或運算量計費。

因此攻擊者不一定要把系統打到當機，也可以想辦法讓系統一直花錢。

例如持續產生高成本請求，最後可能讓雲端 AI API 的費用快速增加。這類攻擊就被稱為 Denial of Wallet（DoW）。

3. 利用 Reasoning 消耗大量資源

有些模型會進行較長的推理。

攻擊者可能使用看起來很普通的 Prompt，卻讓模型進入非常長的推理過程，持續消耗 Thinking Token。

這種攻擊的麻煩之處在於：

輸入本身看起來不大，但背後的計算成本可能非常高。

4. 利用 Agent 不斷呼叫工具

如果 LLM Application 是 Agent，還可以呼叫其他 Tool。

攻擊者可能讓 Agent 進入反覆呼叫工具的流程，甚至形成類似迴圈的行為。

原本一個請求，最後卻可能變成大量 Tool Call，讓 Token 與運算成本快速增加。

5. 模型竊取

Unbounded Consumption 還有一個比較特別的風險：Model Extraction。

攻擊者可以大量呼叫模型 API，蒐集模型輸出，再利用這些結果建立另一個功能相近的模型。

因此，這個問題不只是「服務被用太多」，也可能涉及模型本身的智慧財產。

可以看到，Unbounded Consumption 並不只是傳統的「一直發 Request」。

從 大量請求、Denial of Wallet、Reasoning 消耗，到 Agent Tool Loop 與 Model Extraction，攻擊者都可能利用 LLM 的高成本特性造成影響。