本文提出了一种名为MoLIFE（移动实时智能取证检查）的新型数字取证方法论，旨在解决移动设备取证中因数据保护机制增强（如Android和iOS的超级用户保护）而面临的挑战。当前移动取证面临物理获取或分析受保护目录时可能破坏证据、需提权或定制ROM导致设备状态改变等问题。同时，移动技术及其通信系统的需求激增带来了众多安全威胁。MoLIFE方法论基于NIST SP800-101数字取证流程，集成了人工智能、区块链、量子计算等新兴技术，以提高取证效率与可靠性。该方法不仅适用于事后取证分析，还可用于预防网络威胁和事件。论文通过一个基于移动取证工具（mDT）对Android设备数据获取的案例研究，验证了技术可行性。此外，文章探讨了MoLIFE面临的挑战，如技术局限性（例如新兴技术的成熟度），并展望了未来改进方向。读者群体包括数字取证研究人员、移动安全分析师、执法机构以及物联网安全从业者。

本文是首篇对合成表格数据的重建攻击（即属性推断攻击）进行系统化研究的论文。研究背景是合成数据被广泛宣传为一种隐私保护替代方案，用于发布敏感表格记录，但对其核心对抗威胁——重建攻击（通过合成数据和少量已知准标识符恢复个体隐藏属性值）的研究此前零散且难以比较。作者构建了攻击分类体系，按攻击利用的结构（如分布、关联、记忆）组织攻击；进行了迄今最系统的实证评估，在五个基准数据集上评估了九种合成数据生成（SDG）方法对十四种攻击的抵抗能力；并提出了一组填补分类空白的新攻击，其中CoBP-RA是测得的最强攻击。关键贡献在于引入了解释攻击成功含义的方法论：一个记忆测试，区分重建攻击是利用了总体分布还是对训练记录的记忆；以及一个约化方法，将重建攻击和成员推断攻击置于同一可比尺度。主要发现包括：SDG方法的选择对风险的影响远大于攻击选择；差分隐私（DP）仅在很小的预算（ε≲1）下有效，超过后保护效果趋于平稳，受限于合成器的容量而非噪声；去标识化方法暴露风险最高；大多数重建攻击反映的是分布结构而非记忆，个体风险集中在异常记录上。该攻击和基础设施在2025年美国国家标准与技术研究院（NIST）合作研究周期中，在所有红队中获得第一名，从而得到外部验证。