本文研究差分隐私（DP）的精细变体——f-差分隐私（f-DP）的统计评估与审计方法。f-DP通过一个函数f描述隐私损失，相较于标准ε-DP具有更紧的组合性质，但实际验证机制的隐私保证仍具挑战，尤其在黑盒场景下。现有f-DP审计方法通常需要预知算法内部结构，限制了实用性。本文提出全新的黑盒方法，无需任何先验知识即可估计f-DP的完整权衡曲线，并给出理论收敛保证。该方法融合非参数估计与最优分类理论，可统计确定性地检测f-DP违规。作者在多种DP机制（如拉普拉斯、高斯、指数机制等）上验证了估计与审计程序的有效性。主要贡献包括：1）首个通用的黑盒f-DP估计器，输出完整曲线；2）高效的审计方法，以统计置信度检测违规；3）理论收敛证明与实验验证。该工作适用于隐私保护机器学习、联邦学习、数据发布等场景，对隐私工程师、算法审计师及DP研究者具有参考价值。文中未提供具体攻击代码或绕过方法，仅专注于隐私评估技术。