本文提出了一种针对大型语言模型（LLM）后门攻击的新型防御方法DeCNIP（基于关键神经元隔离剪枝的防御）。现有防御通常分为推理时检测或训练时缓解，但存在两个关键局限：一是它们主要针对基于微调的后门（如PEFT模块），无法应对绕过训练管道的隐蔽模型编辑攻击；二是它们针对简单的分类设置，无法自然扩展到LLM的开放式生成特性。因此，这些方法仅关注表面行为模式，忽略了恶意激活的深层表征原因，导致防御依赖经验启发式，缺乏鲁棒性、通用性和实际应用性。为弥补这一空白，DeCNIP利用表征分析，在统一流程中识别和中和后门。具体地，DeCNIP通过优化有害提示（带有候选token）与良性输入之间的交叉熵损失来识别类似触发器的行为。这种表征发现通过揭示触发器劫持模型权重的机制来暴露潜在威胁。然后，它隔离出后门关键神经元（BCNs），并选择性剪枝以消除恶意影响，同时保持模型效用。在6个开源LLM和两个基准数据集上的广泛评估表明，DeCNIP实现了超过95%的攻击成功率（ASR）相对降低，优于七种最先进的防御方法，且仅需干预0.1%的神经元。同时，它在正常基准上保持了97%的模型性能，展示了其有效性、鲁棒性和可扩展性。本文适合LLM安全研究人员、防御工程师以及关注模型后门防护的从业者阅读。