用途：系统评估已训练机器学习模型是否泄露训练数据信息，量化隐私泄露程度，为部署前与运行期审计提供依据，并支撑 AI DPIA 风险评估与缓解措施选择。
主要能力：覆盖四类攻击。训练数据提取（提示式、金丝雀、梯度、生成式重建）；成员推断（影子模型、基于度量、仅标签、LiRA 似然比攻击）；模型反演（置信度、梯度、GAN 反演）；属性推断（相关性利用、部分知识、群体推断）。提供可接受阈值：成员推断 TPR@1%FPR <5%，提取率 <0.1%，反演 SSIM <0.3，属性推断准确率不超过随机基线 +10%。
使用方式：分五阶段。1）审计范围界定（1-3 天）：定义模型、部署场景、威胁模型（黑盒/灰盒/白盒）、成功标准并获授权。2）环境搭建（4-7 天）：隔离环境，安装 ML Privacy Meter、ART、Foolbox 等工具，准备成员/非成员数据集与金丝雀数据，记录审计查询。3）攻击执行（8-18 天）：配置并执行攻击，收集成功率与置信区间，寻找最坏情况泄露。4）分析与报告（19-25 天）：汇总结果、计算风险评分、识别高风险数据子集、对齐 DPIA 风险登记并输出报告。5）缓解验证（26-30 天）：应用缓解后重跑关键攻击，记录残余泄露并出具审计结论。
适用场景：AI 模型部署前隐私审计、运行期定期审计、DPIA 风险评估、数据删除有效性验证、联邦学习分布式隐私审计。
限制：GDPR 与 AI Act 未明确强制要求模型隐私审计，但通过 Art.35 DPIA、Art.32 安全、AI Act Art.9/15 及 EDPB 04/2025 指南间接要求。审计需模型所有者与法律授权；白盒攻击需模型权重；部分攻击计算成本高；缓解措施（如差分隐私）可能降低模型精度。具体工具安装命令与代码示例资料未提供。