该论文研究量子黑盒搜索在带有概率性“先验建议”（advice）时的精确加速幅度问题。经典情况下 Grover 算法提供最优的平方加速，但在密码分析中搜索常附带关于候选者的额外概率信息，尤其是乘积形式的信息（例如对相互独立密钥坐标的侧信道泄漏）。经典最优策略是按似然顺序猜测，Montanaro 已证明量子情形下可达到最优期望查询复杂度，在任意非均匀建议分布上优于朴素 Grover（相差常数因子）。然而此前缺少一种有限规模（finite-size）方法，用于针对给定建议分布定量评估“量子-经典猜测矩分离”所带来的加速指数。本文针对乘积分布建议填补该空白，并细化了 Bashiri 等人此前基于熵的估计。核心方法是将经典与量子猜测矩归约为“一维 surprisal（惊奇度）分布”的泛函；对乘积建议，该分布可由各坐标 surprisal 规律卷积得到。当 surprisal 落在公共算术网格上（可通约情形），对数矩乃至加速指数可用有限求和精确计算而无离散化误差，并借助指数倾斜（exponential tilting）保证数值稳定。对一般乘积建议，则将 surprisal 离散化到公共网格，并给出由此产生的分箱误差的后验界。作者将框架应用于：种子与分组密码密钥的冷启动（cold-boot）泄漏、模板攻击后验，以及按 ML-KEM 与 ML-DSA 上 Keccak 侧信道攻击所报告残差秩校准的合成独立同分布伯努利后验。结果显示在多种偏斜建议场景下加速指数显著超过 2，在这些合成模型中最高达 3.97；并且包含此前熵界无法确立指数高于 2 的情形。该工作为量化“泄漏结构如何放大量子搜索优势”提供了可认证的评估工具，适合量子密码分析、侧信道与后量子迁移安全评估方向的研究者与安全工程师阅读。

本文聚焦于JavaScript驱动的触发-动作平台（TAPs）的安全问题。TAPs（如IFTTT、Zapier和开源替代Node-RED）允许用户定义跨设备和服务的自动化规则（例如“如果检测到运动，则发送邮件”），但第三方应用（通常以JavaScript形式部署）可引入严重的安全与隐私风险。作者首先对主流TAP进行安全分析，发现IFTTT、Zapier和Node-RED均存在可被利用的漏洞，包括从用户处窃取数据乃至完全接管平台。他们向相关平台报告了问题，并针对Node-RED进行了实证研究以评估影响。为在保持灵活性的同时增强安全性，作者提出了SandTrap——一种新颖的JavaScript监控器。SandTrap结合Node.js的vm模块与基于全结构代理的双向膜（two-sided membranes），实现细粒度的访问控制策略。它还包含策略自动生成机制，辅助开发者配置。作者将SandTrap实例化应用于IFTTT、Zapier和Node-RED，并通过一组基准测试证明其能强制执行多种策略，且运行时开销在可接受范围内。该工作的核心贡献在于提供了一种安全、灵活的方式来集成第三方JavaScript应用，而非依赖平台本身的信任假设。