本发明涉及机器学习技术领域，公开了集群联邦学习中的分簇效果验证方法、终端及存储介质。该方法将参与集群联邦学习的客户作为攻击者，与良性客户即受害者分配至同一个簇中；选定攻击者所要攻击的受害者的训练数据目标类，在集群联邦学习的每一轮训练中，攻击者利用全局模型参数训练判别器；再由生成器生成接近训练数据目标类的样本数据，并输入判别器判别，计算损失后训练生成器。攻击者注入恶意数据，再利用注入恶意数据后的本地数据进行训练，向参数服务器上传训练后的梯度。最后经过迭代完成数据重构，并与原始数据作相似性计算以验证分簇效果。本发明在集群联邦学习场景进行客户(56)对比文件刘俊旭;孟小峰.机器学习的隐私保护研究综述.计算机研究与发展.2020,(第02期),第108-124页.