本文对苹果公司的差分隐私框架（DifferentialPrivacy.framework）进行了系统性审计，重点考察其实现中的软件缺陷、配置错误以及由此带来的实际隐私风险。研究首先分析了苹果在iOS和macOS中部署的差分隐私机制，包括私有化数据分析、频数估计等核心组件，通过逆向工程和黑盒测试发现多处实现偏差：例如，随机化算法中的参数错误导致隐私预算实际值低于预期；初始化时的种子误用可能导致可预测的噪声序列；部分场景下配置参数未遵循官方协议，使得隐私保护强度退化。进一步地，作者构建了形式化验证模型，证明了这些缺陷足以使敌手在合理假设下恢复出用户数据的统计分布信息，显著削弱了差分隐私的理论保证。实验部分基于苹果公开的隐私数据集和模拟环境，量化了实际信息泄露风险，并对比了理想情况下应达到的隐私水平。该工作不仅揭示了工业级隐私系统实现中的常见陷阱，还提出了改进建议，包括更严格的单元测试、运行时验证机制以及配置审计工具。对于安全从业者，本文强调了即使理论基础坚实的隐私技术，在工程实现中也可能引入严重漏洞，需要持续监控与审计。

本文提出了一种名为“它是特性而非缺陷”的状态回滚机制，旨在解决机密云计算中应用状态一致性与安全审计的冲突。在机密计算环境中，应用运行于可信执行环境（TEE）内，但云提供商或恶意攻击者可能试图通过回滚状态（如日志、数据库快照）来破坏完整性或隐藏攻击痕迹。现有方案要么牺牲安全性（允许任意回滚），要么牺牲灵活性（禁止回滚）。本文设计了一种可审计的状态回滚协议，利用加密累加器（如Merkle树）记录所有状态变更的历史，并强制回滚操作必须经过多方共识和审计日志记录。核心创新在于将回滚视为一项显式功能，而非需要防止的漏洞：系统允许回滚，但每次回滚都会产生不可抵赖的证据，供事后审计。实现上，作者在Intel SGX和AMD SEV-SNP原型上进行了验证，实验表明性能开销在可接受范围内（约15%）。该工作适合云计算安全、可信执行环境、审计日志领域的研究人员和工程师阅读。

该论文提出了一种新的群体公平性度量方法——Privacy-Cost Equity Ratio (PCER)，用于评估差分隐私（DP）机器学习系统中的群体公平性。传统的公平性度量主要关注模型输出（如准确率）在不同群体间的差异，但忽略了隐私成本（即信息泄露风险）的分配不公。作者认为，隐私成本本身是一种伤害，那些非自愿承担更高隐私暴露的群体应该从系统中获得比例更高的收益。基于这一补偿性公平框架，PCER被定义为群体正预测率与群体过拟合差距的比值。过拟合差距上限由标准成员推理攻击的边界推导得出，因此PCER是一个保守的收益-暴露比度量。PCER仅需要每个群体的训练和测试准确率（无需影子模型），因此是一种实用的审计工具。作者在多个基准数据集（包括表格数据和NLP领域）上，在不同隐私预算下使用DP-SGD进行评估，并与标准公平性度量进行比较。结果表明PCER能发现基于纯输出度量无法察觉的不公平模式，例如在COMPAS数据集上，受保护群体同时承受了更大的隐私暴露和更差的预测结果，而人口统计平等差距完全掩盖了这一双重劣势。敏感性分析显示，当隐私保护非常强时，所有群体的过拟合差距都趋近于零，此时基于暴露的审计失效。总之，该研究强调了对隐私保护系统进行公平性审计时，不仅需考虑谁从结果中受益，还需考虑谁承担了保护的成本。适合机器学习公平性研究者、差分隐私从业者、系统审计员阅读。

本文提出ASSERT（自动化安全概念结构提取与反向拓扑检查）框架，旨在解决NIS-2指令下从遗留IT安全概念（IT-SCs）向机器可读合规制品迁移的验证问题。现有研究主要聚焦于生成新概念，但缺乏对遗留文档的提取、验证与导出机制。ASSERT框架通过以下步骤实现：首先，利用基于本体的提取方法将遗留文档转化为形式化的文档图；其次，构建一个独立的参考状态图（基于BSI的Grundschutz++标准），并通过五类图差（新增、缺失、修改、未变化、冲突）进行确定性比较；最后，导出符合OSCAL模式的系统描述与评估证据。实验使用BSI提供的RecPlast数据集，比较了本地开源模型与商业模型在三种不同参考本体暴露配置下的性能。结果表明，ASSERT能够量化文档与基础设施间的不一致性，但存在发现未记录实体与强制模式之间的矛盾。该研究为合规审计中的逆向工程提供了新方法，适合安全合规工程师、审计人员及标准化研究者关注。

该论文对2022年1月1日至2026年3月27日期间（四年零三个月）的Web3安全态势进行了实证分析。研究数据集包含来自22家独立安全公司的23,818份公开审计结果，以及rekt.news记录的218起真实世界漏洞利用事件，总损失约77.6亿美元。研究有三个核心发现：第一，审计结果的分布（按严重性、类别和技术栈）在整个观察窗口内基本稳定，严重和高级别漏洞占比每年保持在15%-17%的区间内。第二，实际漏洞利用损失的类别分布与审计结果的类别分布不一致：私钥泄露、钓鱼和社会工程攻击向量占累计损失的约49.6%，但在公开审计结果中占比极小。第三，实际损失呈现极端集中性：最大的8起事件占累计美元损失的50.6%，最大的20起事件占71.4%，这种分布形状不符合高斯假设。论文采用的分析惯例是审计输出和漏洞利用输出描述的是不同群体，因此将两个数据集并行展示，而非直接比较。该研究揭示了当前区块链安全审计实践与真实攻击损失之间的鸿沟，强调现有审计可能忽略了关键攻击向量（如私钥泄露、社会工程），为安全团队和审计机构提供了改进方向。

本文针对现有防篡改日志系统在高负载场景下开销高、数据丢失严重且仅提供粗粒度篡改检测的问题，提出了Nitro——一个高性能、支持细粒度篡改检测的审计日志系统。Nitro利用eBPF技术避免内核重编译，从而简化部署。为了正式证明其安全性，作者提出了一个新的日志系统定义框架，并给出了符合该目标的实用密码学构造。与以往仅关注密码学处理的工作不同，Nitro将密码学部分与日志的前后处理协同设计，充分利用系统级优化。实验表明，Nitro在高压力条件下性能提升10-25倍，在真实场景中提升2-10倍，且数据丢失近乎为零。此外，还提供了增强变体Nitro-R，通过引入内核内日志缩减技术进一步降低运行时开销。

本文聚焦于多租户检索增强生成（RAG）服务中的隐私审计问题。现有RAG系统通常声称每个账户满足差分隐私（DP），即每个账户的查询对索引满足（ε_acc, δ_acc）-DP。然而，作者发现同租户下多个账户合谋（即同一租户的多个账户协调攻击其租户的索引）会导致隐私边界失效：对于高斯噪声检索，已知DP组合理论表明，合谋者的联合泄漏以Θ(√k·ε_acc)的速率无条件恶化。跨租户和外部合谋只有在显式访问控制失败（M4）时才会达到相同速率，否则这些场景的设计泄漏为零，属于架构审计而非DP审计。作者展示了一种实现该速率的攻击，并推导出针对RAG的成员推理攻击（MIA）预测，并通过实验验证。为了能够审计这种每个账户与联合隐私之间的差距，作者设计了第一个审计协议，该协议运行在未修改的RAG部署上，针对检索-分数通道（即每个账户DP保证实际覆盖的噪声-选择步骤）输出定量的（PASS, ε_audit）判定，而无需索引披露、流水线重新设计或模型权重暴露。生成通道隐私（即基于所选文档的LLM输出）被视为独立的审计谓词，应与此协议组合，但本文明确将其排除在外。该协议组合了通用密码学原语（Merkle账本、ZK函数应用证明、高斯噪声证明）与六个RAG特定原语（嵌入承诺、索引内容向量承诺、每个账户查询账本、噪声-选择证明、跨租户包含证明、合谋规模估计器），并支持封闭形式的审计边界和Rényi-DP矩会计追踪。