基于生成对抗网络的成员推理攻击研究

陈希; 雷培迪; 李耀鸿; 刘英豪; 于少中

doi:10.13992/j.cnki.tetas.2025.12.003

Chinese

您当前的位置：

首页 >

文章列表页 >

基于生成对抗网络的成员推理攻击研究

中国移动网络与信息安全专题 | 更新时间：2026-04-20

- 基于生成对抗网络的成员推理攻击研究
- 基于生成对抗网络的成员推理攻击研究
- 电信工程技术与标准化 2025年38卷第12期页码：31-36
- 作者机构：
  
  1. 中国移动通信集团福建有限公司
  2. 中国移动通信集团设计院有限公司
- 作者简介：
- 基金信息：
- DOI：10.13992/j.cnki.tetas.2025.12.003
  中图分类号： TP18;TP309
- 纸质出版：2025
- 稿件说明：
移动端阅览
陈希, 雷培迪, 李耀鸿, 等. 基于生成对抗网络的成员推理攻击研究[J]. 电信工程技术与标准化, 2025,38(12):31-36.

陈希, 雷培迪, 李耀鸿, et al. 基于生成对抗网络的成员推理攻击研究[J]. 2025, 38(12): 31-36.
陈希, 雷培迪, 李耀鸿, 等. 基于生成对抗网络的成员推理攻击研究[J]. 电信工程技术与标准化, 2025,38(12):31-36. DOI： 10.13992/j.cnki.tetas.2025.12.003.

陈希, 雷培迪, 李耀鸿, et al. 基于生成对抗网络的成员推理攻击研究[J]. 2025, 38(12): 31-36. DOI： 10.13992/j.cnki.tetas.2025.12.003.

摘要

隐私泄露风险加剧，成员推理攻击可推断特定样本是否属于模型训练集，威胁用户隐私。本文提出一种适用多种生成模型的通用成员推理攻击框架，以重构误差为核心度量，结合Parzen窗密度估计方法，在全黑盒、部分黑盒和白盒等不同知识假设下，对DCGAN、PGGAN、WGAN-GP等GAN模型进行评估。在CelebA人脸数据集上的实验表明，训练集规模越小，模型越易受攻击，当样本数低于500个时，攻击AUC-ROC接近1。此外，白盒攻击性能优于黑盒攻击，差分隐私防御可有效缓解攻击。本文为生成模型隐私风险评估提供了系统实验基准，揭示了GAN在隐私保护方面的脆弱性。

Abstract

关键词

Keywords

references

Zhang Y.,Jia R.,Pei H.,Wang W.,Li B.,Song D..The secret revealer: Generative model-inversion attacks against deep neural networks[J].Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2020.

Alec Radford,Luke Metz,Soumith Chintala.Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks.[J].CoRR,2015.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据