该文综述机器学习中的数据中毒攻击，包括通过污染训练数据破坏模型可用性、窃取用户隐私或操控预测，涵盖可转移攻击、成员推断、属性推断、数据提取及PoisonedEncoder等，并提出基于离群值检测、数据清洗的防御机制，指出需开发更稳健的防御方法。

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。