本文提出了DP-Sniper，一种实用的黑盒方法，能够自动发现差分隐私（Differential Privacy, DP）违反。该方法基于两个核心思想：（1）训练一个分类器来预测观察到的输出是否可能来自两个候选输入之一；（2）将该分类器转化为一个近似最优的差分隐私攻击。实验评估表明，DP-Sniper相比现有技术，在保证相同置信度的情况下，能够提供高达12.4倍更强的保证（即发现更微小的隐私泄露），同时运行速度快15.5倍。此外，DP-Sniper还能有效利用朴素实现算法中的浮点漏洞：它检测到一个声称满足0.1-差分隐私的拉普拉斯机制实现实际上连0.25-差分隐私都无法满足。该方法为差分隐私实现的正确性验证提供了高效、自动化的工具，适用于安全分析师评估差分隐私系统的真实隐私保障水平。