推理攻击-Python案例

news2024/10/7 4:30:56

1、本文通过推理攻击的方式来估计训练集中每个类别的样本数量、某样本是否在训练集中。
2、一种简单的实现方法：用模型对训练数据标签进行拟合，拟合结果即推理为训练集中的情况。
3、了解这些案例可以帮助我们更好的保护数据隐私。

推理攻击（Inference Attack）是针对机器学习模型的一种攻击方式，攻击者通过查询模型获取关于其训练数据的敏感信息。尽管模型本身不直接暴露训练数据，但通过分析模型的输出，攻击者可以推测出有关训练数据的属性，例如样本分布、类别信息或甚至具体的训练样本。

请添加图片描述

主要特点：

  1. 数据泄露：攻击者能够获取训练集中的隐私信息，可能涉及个人身份信息等敏感数据。

  2. 模型查询：攻击者通过向模型发送输入并观察输出，推测与训练数据相关的特征。

  3. 风险：这种攻击可能导致数据隐私的泄露，影响数据保护合规性。

  4. 防御措施：常用的防御方法包括差分隐私、模型蒸馏和限制模型查询等。

推理攻击的研究对于保护机器学习系统中的数据隐私至关重要。

1. 背景

推理攻击的目的是通过观察模型的输出，获取关于训练数据的敏感信息。在这个示例中，我们将使用模型的预测结果来推测CIFAR-10数据集中每个类别的样本数量。

2. 代码实现

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import numpy as np

# 检查CUDA是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 下载并加载 CIFAR-10 数据集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 将模型移动到CUDA设备
net = Net().to(device)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(2):  # 迭代次数
    for inputs, labels in trainloader:
        inputs, labels = inputs.to(device), labels.to(device)  # 移动到CUDA设备
        
        optimizer.zero_grad()   # 清零梯度
        outputs = net(inputs)   # 前向传播
        loss = criterion(outputs, labels)  # 计算损失
        loss.backward()         # 反向传播
        optimizer.step()        # 更新参数

# 推理攻击
def inference_attack(model, data_loader):
    model.eval()  # 设置为评估模式
    class_counts = {i: 0 for i in range(10)}  # CIFAR-10有10个类
    true_counts = {i: 0 for i in range(10)}  # 用于真实标签计数

    with torch.no_grad():
        for inputs, labels in data_loader:
            inputs = inputs.to(device)  # 移动到CUDA设备
            outputs = model(inputs)
            _, predicted = torch.max(outputs, 1)  # 获取预测的类别
            
            # 统计每个类别的预测次数
            for label in predicted:
                class_counts[label.item()] += 1

            # 统计每个类别的真实标签次数
            for label in labels:
                true_counts[label.item()] += 1

    return class_counts, true_counts

# 执行推理攻击
predicted_counts, true_counts = inference_attack(net, trainloader)

# 输出结果
print("Predicted class counts from inference attack:", predicted_counts)
print("True class counts from training data:", true_counts)

# 计算和输出每个类的比例
total_predicted = sum(predicted_counts.values())
total_true = sum(true_counts.values())

print("\nTotal samples predicted:", total_predicted)
print("Total samples true:", total_true)

for class_id in range(10):
    predicted_count = predicted_counts[class_id]
    true_count = true_counts[class_id]
    print(f"Class {class_id}: Predicted {predicted_count} samples, True {true_count} samples, "
          f"Predicted proportion: {predicted_count / total_predicted:.2%}, "
          f"True proportion: {true_count / total_true:.2%}")

输出

Files already downloaded and verified
Predicted class counts from inference attack: {0: 5465, 1: 5794, 2: 5200, 3: 3754, 4: 5434, 5: 6335, 6: 4841, 7: 4568, 8: 5093, 9: 3516}
True class counts from training data: {0: 5000, 1: 5000, 2: 5000, 3: 5000, 4: 5000, 5: 5000, 6: 5000, 7: 5000, 8: 5000, 9: 5000}

Total samples predicted: 50000
Total samples true: 50000
Class 0: Predicted 5465 samples, True 5000 samples, Predicted proportion: 10.93%, True proportion: 10.00%
Class 1: Predicted 5794 samples, True 5000 samples, Predicted proportion: 11.59%, True proportion: 10.00%
Class 2: Predicted 5200 samples, True 5000 samples, Predicted proportion: 10.40%, True proportion: 10.00%
Class 3: Predicted 3754 samples, True 5000 samples, Predicted proportion: 7.51%, True proportion: 10.00%
Class 4: Predicted 5434 samples, True 5000 samples, Predicted proportion: 10.87%, True proportion: 10.00%
Class 5: Predicted 6335 samples, True 5000 samples, Predicted proportion: 12.67%, True proportion: 10.00%
Class 6: Predicted 4841 samples, True 5000 samples, Predicted proportion: 9.68%, True proportion: 10.00%
Class 7: Predicted 4568 samples, True 5000 samples, Predicted proportion: 9.14%, True proportion: 10.00%
Class 8: Predicted 5093 samples, True 5000 samples, Predicted proportion: 10.19%, True proportion: 10.00%
Class 9: Predicted 3516 samples, True 5000 samples, Predicted proportion: 7.03%, True proportion: 10.00%
训练阶段

  • 模型定义：首先定义了一个简单的卷积神经网络（CNN），用于分类CIFAR-10图像。

  • 数据加载：使用PyTorch的DataLoader加载CIFAR-10数据集，并进行必要的预处理。

  • 训练过程：

    • 模型在训练过程中计算损失，并通过反向传播更新权重。
    • 在每个训练步骤中，输入和标签都被移动到CUDA设备以加速计算。
推理攻击阶段

  • 设置评估模式：在推理攻击中，使用model.eval()将模型设置为评估模式，这样可以禁用dropout等训练时特有的操作。

  • 无梯度计算：使用torch.no_grad()来禁用梯度计算，减少内存使用并加快推理速度。

  • 预测类别：

    • 遍历训练数据集中的每个样本，输入到模型中进行前向传播，得到输出。
    • 使用torch.max(outputs, 1)获取每个样本的预测类别。

  • 统计预测次数：

    • 创建一个字典class_counts来记录每个类别的预测次数。
    • 对每个预测结果进行迭代，更新class_counts字典中对应类别的计数。

3. 结果分析

  • 输出类别计数：在推理攻击完成后，打印每个类别的预测次数。这表示模型认为训练集中每个类别的样本数量。

  • 比例计算：计算并输出每个类别在总样本中的比例，以帮助攻击者理解各类别在训练集中的分布。

4. 具体推理过程

推理攻击的核心在于，通过观察模型对训练数据的输出，攻击者可以获取有关训练集的信息。尽管模型并不直接透露训练数据的样本，但通过分析模型的预测分布，攻击者能够推测出某些类的样本数量。
请添加图片描述

另一个示例

在CIFAR-10数据集上实现更复杂的推理攻击可以包括多种策略，比如利用模型输出的概率分布、对抗性样本生成或者训练集样本的重构等。以下是利用模型的输出概率分布来推测训练样本的存在性，同理。

在这个示例中，我们将利用模型的预测概率来分析某些特定样本是否存在于训练集中。

1. 设置

我们将训练一个CNN模型，并使用模型输出的概率来推测某些特定类别样本的存在。

2. 完整代码
import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import numpy as np

# 检查CUDA是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])

# 下载并加载 CIFAR-10 数据集
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True, num_workers=2)

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 将模型移动到CUDA设备
net = Net().to(device)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练模型
for epoch in range(2):  # 迭代次数
    for inputs, labels in trainloader:
        inputs, labels = inputs.to(device), labels.to(device)  # 移动到CUDA设备
        
        optimizer.zero_grad()   # 清零梯度
        outputs = net(inputs)   # 前向传播
        loss = criterion(outputs, labels)  # 计算损失
        loss.backward()         # 反向传播
        optimizer.step()        # 更新参数

# 推理攻击：检查某些样本是否在训练集中
def inference_attack(model, data_loader, sample_images):
    model.eval()  # 设置为评估模式
    existence_scores = []

    with torch.no_grad():
        for image in sample_images:
            image = image.to(device).unsqueeze(0)  # 增加batch维度
            output = model(image)
            probabilities = F.softmax(output, dim=1)
            existence_scores.append(probabilities.cpu().numpy())

    return existence_scores

# 选择一些样本进行推理攻击
sample_indices = [0, 1, 2, 3, 4]  # 假设你想检查前五个训练样本
sample_images = [trainset[i][0] for i in sample_indices]

# 执行推理攻击
scores = inference_attack(net, trainloader, sample_images)

# 输出结果
for i, score in enumerate(scores):
    print(f"Sample {i} existence scores: {score}")

输出

Files already downloaded and verified
Sample 0 existence scores: [[1.4911070e-03 7.6075867e-03 2.7023258e-02 1.3261433e-01 1.9510817e-02
  5.9721380e-02 7.2566289e-01 1.8510185e-02 5.5387925e-04 7.3045860e-03]]
Sample 1 existence scores: [[1.1406993e-03 2.6581092e-02 5.5561360e-04 7.9178403e-04 2.6659523e-05
  3.2436097e-04 9.5068201e-05 4.9321837e-04 4.1092065e-04 9.6958053e-01]]
Sample 2 existence scores: [[0.09460393 0.03179372 0.10372082 0.18358988 0.06053074 0.11510303
  0.04988525 0.0965076  0.14990555 0.11435943]]
Sample 3 existence scores: [[3.7419258e-03 3.7223320e-03 2.3206087e-02 9.1478322e-03 1.6883773e-01
  6.7729452e-03 7.8114969e-01 1.5515537e-03 7.0034160e-04 1.1696027e-03]]
Sample 4 existence scores: [[3.3676695e-02 8.6378354e-01 1.4160476e-03 8.6853321e-04 1.3602857e-03
  2.0280134e-04 5.6550006e-04 1.4694600e-04 5.3967834e-03 9.2582904e-02]]

这些结果表示模型对每个特定样本的“存在性得分”，即模型对于这些图像属于各个类别的预测概率。每个样本的输出是一个概率分布，表示模型对其归属不同类别的信心。以下是如何解读这些结果：

3.结果解释

  1. 概率分布：每个样本的输出都是一个包含10个元素的数组，表示它属于CIFAR-10中每个类别的概率。数组的每个元素对应一个类别（例如，飞机、汽车等）。

  2. 具体样本分析：

    • Sample 0：
      • 模型认为该样本最可能属于“类别 6”（可能是鸟），其概率为约 72.57%。
      • 其他类别的概率相对较低，模型对该样本的分类比较自信。
    • Sample 1：
      • 模型认为该样本最可能属于“类别 9”（可能是汽车），概率接近 96.96%。
      • 这是一个非常高的置信度，表明该样本几乎确定属于该类别。
    • Sample 2：
      • 概率分布相对均匀，最大值为 18.36%，表明模型对该样本的分类不太自信。
    • Sample 3：
      • 模型认为该样本最可能属于“类别 6”（可能是鸟），概率为约 78.11%。
    • Sample 4：
      • 对于该样本，模型认为最可能的类别是“类别 1”（可能是汽车），概率为约 86.38%。

这些“存在性得分”可以用来分析模型的分类信心。较高的概率表明模型对某个类别的强烈信心，而较低的概率可能意味着模型不确定，甚至可能表示该样本在训练集中并不存在或被错误分类。

4.应用场景

  1. 模型性能分析：通过分析这些得分，可以评估模型对特定类别的识别能力。

  2. 数据集覆盖性：如果某些类别的得分普遍较低，可能表示这些类别在训练集中样本较少或质量较差。

  3. 攻击策略：在推理攻击中，攻击者可以利用这些信息确定哪些样本可能存在于训练集中，从而进行针对性的数据挖掘。

如果您有其他问题或者想深入探讨的内容，请告诉我！

5.代码说明

  1. 模型训练：与之前一样，首先训练一个CNN模型用于图像分类。

  2. 推理攻击函数：

    • inference_attack函数接收模型、数据加载器和待检查的样本图像。
    • 使用softmax计算每个样本的预测概率分布。
    • 将每个样本的概率分布作为“存在性得分”返回。

  3. 选择样本进行推理：

    • 在示例中，选择训练集的前五个样本进行推理攻击。

  4. 输出存在性得分：显示每个样本的存在性得分，这可以反映模型对这些样本的信心。

6.进一步扩展

可以通过以下方式进一步复杂化推理攻击：

  • 对抗样本生成：创建与原始样本相似但经过修改的对抗样本，观察模型如何反应。
  • 基于输出的聚类分析：使用模型输出的概率分布进行聚类分析，推测训练集的样本分布。
  • 针对特定类别的查询：设计查询来特定地测试模型对某些类别的敏感性。

总结

通过这种方法，攻击者能够对训练数据集中的类别分布进行合理推测，尽管这一过程并不保证百分之百准确，但足以展示模型在某些方面可能泄漏的信息。这种类型的攻击强调了在设计和部署机器学习模型时，保护训练数据隐私的重要性。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2193524.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

华为最新业绩出炉！上半年营收4175亿元，同比增长34%！

华为最新业绩出炉！上半年营收4175亿元，同比增长34%！

华为2024年上半年经营业绩分析：稳健发展，符合预期 [中国，深圳，2024年8月29日] 今日，华为发布了其2024年上半年的经营业绩，整体表现稳健，结果符合预期。在复杂多变的全球市场环境下，华为凭借强大的创新能力和市场洞察力，实现了销售收入和净利润的显著增长。 上半年，华…
阅读更多...
ubunut声卡配置 播放视频没有声音的解决方法 蓝牙问题

ubunut声卡配置 播放视频没有声音的解决方法 蓝牙问题

文章目录 🌕ubuntu22.04网页没有声音，声卡提示Dummy Output🌙方法一：（亲测可行）切换内核🌙方法二：（推荐）ubuntu22.04用pipewire替代pulseaudio⭐下载安装pipe…
阅读更多...
Operational Concept（OpsCon）与Concept of Operations（ConOps）概念区分

Operational Concept（OpsCon）与Concept of Operations（ConOps）概念区分

Operational Concept(OpsCon)与Concept of Operations（ConOps）概念区分 在系统工程相关资料中会看到两个概念，一个是Operational Concept（OpsCon），另一个是Concept of Operations（ConOps&#x…
阅读更多...
车载诊断协议DoIP系列 —— DoIP APP 应用层(AL)

车载诊断协议DoIP系列 —— DoIP APP 应用层(AL)

车载诊断协议DoIP系列 —— DoIP APP 应用层(AL) 我是穿拖鞋的汉子，魔都中坚持长期主义的汽车电子工程师（Wechat：gongkenan2013）。 老规矩，分享一段喜欢的文字，避免自己成为高知识低文化的工程师： 本就是小人物，输了就是输了，不要在意别人怎么看自己。江湖一碗茶，喝…
阅读更多...
十四、深入理解Mysql索引底层数据结构与算法

十四、深入理解Mysql索引底层数据结构与算法

文章目录 一、索引的本质1、索引是帮助MySQL高效获取数据的排好序的数据结构2、索引的数据结构3、数据结构可视化网站 二、常见数据结构介绍1、B-Tree2、BTree（B-Tree变种）3、Hash结构 三、存储引擎的索引实现1、MyISAM存储引擎索引实现MyISAM索引文件和…
阅读更多...
数理统计（第1章第2节：一些常用的抽样分布）

数理统计（第1章第2节：一些常用的抽样分布）

目录 统计量的概率分布称为“抽样分布” 1. 正态母体的子样平均数的抽样分布 正态分布 2. 卡方分布 3. t分布 4. F分布 5. 例题 6. 总结 统计量的概率分布称为“抽样分布” 1. 正态母体的子样平均数的抽样分布 正态分布 若随机变量X的概率密度为： 则称X服…
阅读更多...
[C#]winform部署官方yolov11-obb旋转框检测的onnx模型

[C#]winform部署官方yolov11-obb旋转框检测的onnx模型

【官方框架地址】 https://github.com/ultralytics/ultralytics 【算法介绍】 Yolov11-obb（You Only Look Once version 8 with Oriented Bounding Boxes）是一种先进的对象检测算法，它在传统的Yolov3和Yolov4基础上进行了优化，加…
阅读更多...
Python 如何使用 scikit-learn 进行模型训练

Python 如何使用 scikit-learn 进行模型训练

如何使用 scikit-learn 进行模型训练 一、简介 在现代的数据科学和机器学习领域，Python 已经成为最流行的编程语言之一。而其中最流行的机器学习库之一就是 scikit-learn。scikit-learn 提供了许多方便的工具和函数来实现常见的机器学习任务，包括数据预…
阅读更多...
spi hal库 正点原子版

spi hal库 正点原子版

这个图 是了解一下 spi就是cs片选，clk时钟，miso主机输入从机输出，mosi主机输出从机输入，这四根线 spi最主要就是极性和相位的选择，spi是边沿采集，和iic的电平采集不一样，所以需要通过极性和相位…
阅读更多...
SpringBoot 多元化配置（正则表达式，配置文件优先级）

SpringBoot 多元化配置（正则表达式，配置文件优先级）

1.配置绑定 所谓“配置绑定”就是把配置文件中的值与 JavaBean 中对应的属性进行绑定。通常，我们会把一些配置信息（例如，数据库配置）放在配置文件中，然后通过 Java 代码去读取该配置文件，并且把配置文件中…
阅读更多...
【持续更新中】MMDetection3训练自己的数据集常见报错解决

【持续更新中】MMDetection3训练自己的数据集常见报错解决

博主近来跑自己数据集需要对比试验，故选择了MMDetection3这一算法整合详细的框架，遇到了较多问题在此处留作记录，若你也有相应的问题可以在评论区提出与解决方法。会持续更新，同时欢迎批评指正。 0.ModuleNotFoundError: No modu…
阅读更多...
从博士到院士，国家级人才荣誉称号一览

从博士到院士，国家级人才荣誉称号一览

在中国的科技界，两院院士代表着学术成就的巅峰荣誉，享有终身荣耀，并且是科研人员梦寐以求的最高职业荣誉。除了院士头衔之外，国家和各部委还设立了一系列针对不同年龄段学术人才的国家级荣誉称号体系，旨在表彰各类优秀…
阅读更多...
8.9K Star，开源自托管离线翻译引擎

8.9K Star，开源自托管离线翻译引擎

Hi，骚年，我是大 G，公众号「GitHub 指北」会推荐 GitHub 上有趣有用的项目，一分钟 get 一个优秀的开源项目，挖掘开源的价值，欢迎关注。 在全球化的今天，跨语言交流已成为日常需求，然…
阅读更多...
U3D游戏开发之中剧情系统的制作

U3D游戏开发之中剧情系统的制作

今天我们来揭秘带有人物选项的剧情系统该如何制作。 半年前我接到了一个剧情系统的需求，本着能抄代码绝不自己动手的想法在B站上面找现成系统，大概看了一些内容，发现比较繁琐就直接自己动手写了。 目录 1 需求分析 2 梳理代码逻辑 3 代码书…
阅读更多...
k8s 中存储之 NFS 卷

k8s 中存储之 NFS 卷

目录 1 NFS 卷的介绍 2 NFS 卷的实践操作 2.1 部署一台 NFS 共享主机 2.2 在所有k8s节点中安装nfs-utils 2.3 部署nfs卷 2.3.1 生成 pod 清单文件 2.3.2 修改 pod 清单文件增加 实现 NFS卷 挂载的 参数 2.3.3 声明签单文件并查看是否创建成功 2.3.4 在 NFS 服务器 创建默认发布…
阅读更多...
[c语言]一句话讲清循环中break和continue的作用与区别

[c语言]一句话讲清循环中break和continue的作用与区别

1.两者的作用 break和contuinue都只能在循环中使用，都用来停止循环。 2.两者的区别 break 在循环中只要遇到break，就直接永久终止当前循环，开始执行当前循环之外的代码。 continue 在循环中只要遇到continue，就结束本次循环&…
阅读更多...
免费送源码：Java+ssm+JSP+Ajax SSM棕榈校园论坛的开发 计算机毕业设计原创定制

免费送源码：Java+ssm+JSP+Ajax SSM棕榈校园论坛的开发 计算机毕业设计原创定制

摘要 随着计算机科学技术的高速发展,计算机成了人们日常生活的必需品，从而也带动了一系列与此相关产业，是人们的生活发生了翻天覆地的变化，而网络化的出现也在改变着人们传统的生活方式，包括工作，学习，社交…
阅读更多...
数据库软题6.1-关系模式-关系模式的各种键

数据库软题6.1-关系模式-关系模式的各种键

关系模式的各种键 题1-由关系模式求候选键 1. 候选键唯一不冗余 对选项进行闭包运算，如果得到全部属性U，则为候选码 A:AC-ABC-ABCD B:AB-ABC-ABCD C:AE-ABE-ABCE -ABCDE-ABCDEH D:DE2. R的候选码可以从A1,A2,A3,A1A2,A1A3,A2A3,A1A2A3中选择&#xff…
阅读更多...
Flutter String 按 ，。分割

Flutter String 按 ，。分割

在 Flutter 中，如果你想将一个字符串按特定的字符（例如中文逗号 ， 和英文句号 .）进行分割，可以使用 Dart 语言的字符串处理功能。具体来说，你可以使用 split 方法，并传入一个正则表达式来匹配这…
阅读更多...
CSS基础-常见属性（二）

CSS基础-常见属性（二）

6、CSS三大特性 6.1 层叠性 如果样式发生冲突，则按照优先级进行覆盖。 6.2 继承性 元素自动继承其父元素、祖先元素所设置的某些元素，优先继承较近的元素。 6.3 优先级 6.3.1 简单分级 1、内联样式2、ID选择器3、类选择器/属性选择器4、标签名选择器/…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023