anonymeter

合成数据上线前，用 GDPR 视角量化隐私泄露风险

anonymeter 是一个专注于量化合成数据隐私风险的开源框架，依据欧盟 GDPR 法规设计。它解决的核心问题是：当使用合成数据替代真实数据时，如何评估数据泄露和身份重识别的风险。该框架提供统一的评估方法，涵盖三种主要隐私攻击场景：身份重识别（判断合成记录能否匹配到真实个体）、属性推断（通过合成数据推测真实个体的敏感属性）以及成员推断（判断某个体是否在训练数据中）。它通过模拟攻击者的视角，计算隐私风险指标，帮助数据科学家和合规人员在使用合成数据前进行风险评估。项目基于 Jupyter Notebook 开发，提供直观的示例和文档，适合数据隐私领域的研究者和工程师使用。

开源 free 评测安全

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 109

维护状态维护中

是否开源是

定价模式 free

项目数据

分类评测安全

开发团队statice

所属国家

官网地址

GitHubhttps://github.com/statice/anonymeter

定价模式free

价格说明开源项目，本地部署，完全免费

访问状态

是否开源是

开源协议NOASSERTION

主要语言Jupyter Notebook

技术栈/模型gdpr,privacy,synthetic-data

GitHub 星标★ 109

30天Star增速

HF 下载量

上线时间2022-11-17 00:00:00

最近更新2026-08-27 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-10

浏览次数5

使用教程

核心亮点

覆盖三类核心隐私攻击（重识别、属性推断、成员推断），评估维度全面
基于 GDPR 法规设计，直接对接合规需求，实用性强
提供 Jupyter Notebook 示例，上手门槛低，便于快速验证

不足之处

项目早期（星标108），文档和社区支持可能不够完善
依赖特定数据格式，集成到现有流程需要额外适配

适用场景

企业使用合成数据训练模型前，评估隐私合规风险
数据共享场景中，验证匿名化处理后的数据是否足够安全
研究机构发布合成数据集时，提供隐私风险评估报告

替代项目

PrivacyRaven、SynthGauge、Anonymeter (self)

项目介绍

anonymeter 是评测安全领域的开源项目，由 statice 开发，2022 年首次发布。

它收录于评测安全分类，该分类目前共有 466 个项目，GitHub 星标数为 109。

项目仍在小幅维护中，最近一次代码更新于 2026-08-27。本地部署，完全免费。

它主要面向的使用场景是：企业使用合成数据训练模型前，评估隐私合规风险。同类可对比的替代方案包括 PrivacyRaven、SynthGauge、Anonymeter (self)。

上一篇：ParseBench

下一篇：harbor