该文综述深度学习安全研究：真实应用中81.56%的模型可被成功攻击；黑盒攻击可通过查询推断模型架构与训练数据，替代模型结合主动学习能减少90%以上查询；SparseEvo等稀疏攻击效率更高；利用缓存漏洞结合AI可窃取隐私，准确率超98%，凸显模型防护的重要性。

该文综述多项深度学习安全研究，涵盖联邦学习虚假数据注入检测、深度伪造检测、对抗攻击鲁棒性、后门攻击、模型提取防御及工控系统网络攻击识别，涉及卷积网络、LSTM、图神经网络与对比学习等技术。