随着深度学习在视觉、推荐系统、自然语言处理等诸多领域的不断发展，深度神经网络(DNNs)在生产系统中得到了广泛的应用。大数据集的可用性和高计算能力是这些进步的主要因素。这些数据集通常是众包的，可能包含敏感信息。这造成了严重的隐私问题，因为这些数据可能被滥用或通过各种漏洞泄露。即使云提供商和通信链路是可信的，仍然存在推理攻击的威胁，攻击者可以推测用于训练的数据的属性，或者找到底层的模型架构和参数。在这次调查中，我们回顾了深度学习带来的隐私问题，以及为解决这些问题而引入的缓解技术。我们还指出，在测试时间推断隐私方面的文献存在空白，并提出未来可能的研究方向。