一种基于知识蒸馏与混合神经网络的成员推断攻击方法、系统、设备及存储介质

本发明涉及隐私安全技术领域，特别是一种基于知识蒸馏与混合神经网络的成员推断攻击方法、系统、设备及存储介质。通过构建影子模型训练框架，利用知识蒸馏机制获取目标模型输出特征，建立融合均方误差损失、KL散度损失和交叉熵损失的多目标优化策略；构建CNN‑BiLSTM混合神经网络攻击架构，结合卷积神经网络的局部特征提取能力和双向长短期记忆网络的序列建模优势；通过特征分析提取成员样本与非成员样本的判别特征，构建高精度成员推断分类器实现样本成员属性的精准识别。本发明解决传统成员推断攻击方法中影子模型与目标模型输出分布对齐度低、特征提取能力不足的问题，提升攻击准确性，为机器学习模型的隐私风险评估提供技术支撑。