该论文研究隐私保护加密货币交易所（如屏蔽自动做市商、批量交换拍卖、密封订单流拍卖）中，做市商观察到被高斯噪声扰动的订单流时的市场微观结构均衡。作者在 Kyle（1985）连续拍卖模型的基础上，引入一个承诺型贝叶斯做市商，其观察到的订单流被独立同分布的高斯隐私噪声扰动。推导出唯一的线性均衡：价格影响系数和知情交易者策略均按隐私参数的单一因子重新缩放，且两者的乘积保持不变。福利分解进一步识别出每期从协议流动性池向交易者的转移——即“隐私补贴”（privacy subsidy），它是任何隐私聚合交易所必须收取的盈亏平衡费用。该结果类似于 Loss-Versus-Rebalancing（Milionis et al. 2022）在单期闭式隐私噪声下的类比。主要应用是通过显式加噪注入（如差分隐私）的屏蔽自动做市商；相关设计（批量交换、密封投标、预言机锚定交叉）需要单独的框架，留待未来工作。该论文为隐私保护 DEX 的经济设计提供了理论基础。

该论文提出了一种新的区块链不可追踪性概念——可否认的隐蔽资产转移（DCAT），旨在实现比传统混币器或隐私币更强的隐私保护。传统方案通过将交易置于匿名集中来隐藏发送方与接收方的关系，但交易事件本身仍可被观测到。DCAT的目标是使转移事件本身不可观测，通过将转移伪装成常见的去中心化金融（DeFi）活动（如三明治攻击和套利交易），使得发送方看似遭受普通损失，而接收方看似从中获利。论文设计了两种DCAT实例：基于以太坊的三明治攻击转移和基于Arbitrum的套利转移。实验表明，在评估设置下，DCAT转移在两条链上经验上不可观测；它们在语法上与相应的最大提取价值（MEV）活动完全相同，被标准MEV检测工具归类为普通提取行为，且在代表性取证工具下发送方和接收方不会被关联。由于语法检查无法区分DCAT与普通MEV活动，论文进一步考察经济语义是否提供有用的取证信号。通过对以太坊和Arbitrum上MEV损失的大规模研究，发现关键语义特征遵循幂律分布。极端损失和反复被利用的地址在真实世界中存在，因此它们本身并非共谋的决定性证据。这为伪装转移提供了可否认性，并使固定阈值的检测容易产生误报。为此，论文开发了一种多元统计方法用于取证分类，根据经济足迹的联合罕见性对事件进行排序。应用于真实DeFi活动时，该方法将大搜索空间缩小到可疑案例以供人工调查，并展示了三个案例以说明优先级排序。该研究主要面向区块链安全研究人员、隐私技术开发者以及DeFi领域的安全分析师，提供了新的隐私增强思路和取证分析工具。