该论文题为《Private Blocklist Lookups with Checklist》，聚焦于隐私保护的黑名单查询问题。在现实应用（如恶意URL拦截、广告阻断、账号安全检测、威胁情报比对）中，客户端通常需要向服务器查询某个条目（例如域名、IP、哈希值）是否命中黑名单。传统实现若直接提交查询条件，会暴露用户的具体访问目标，构成严重隐私风险。现有替代方案包括让客户端下载完整黑名单进行本地匹配，但会带来巨大的带宽和存储开销，难以适应频繁更新的海量黑名单。论文针对这一核心矛盾，提出了一种名为Checklist的新型协议或系统，旨在使客户端能够在不向服务器泄露查询内容的前提下高效完成黑名单匹配。由于本次输入仅提供论文标题与作者，未包含完整摘要，无法确切描述其加密原语（如是否基于私有信息检索PIR、不经意传输OT、同态加密等）或具体性能指标。不过根据该研究领域的常见方法判断，Checklist很可能引入新的通信复杂度优化或并发查询结构，以兼顾隐私保护与现实可用性。该研究适合关注隐私增强技术、安全系统设计、密码学协议的研究人员和工程师，尤其对需要向用户提供检测能力但又不愿收集用户浏览数据的服务商具有参考意义。

本文提出 DOITRUST，一种基于图学习的链上受损域名检测方法。传统的域名黑/白名单通常不完整且具有被动性，为此作者首先构建了扩展图（expansion graph），通过爬取超链接并基于信任传递性有机生成互联网域名白名单。然而，在这种扩展图中，恶意节点可能沿着受损网站的路径深埋其中，形成所谓的“链上受损”（on-chain compromise），其隐蔽性和大规模特性使得现有恶意分析难以适用。为了揭示链上受损，DOITRUST 采用两阶段集成方案：第一阶段，开发半监督的怀疑预测方案，利用节点特征和图拓扑信息预测节点成为受损目标（即拒绝域名）的概率，包括一种新颖的节点排名方法作为高效全局传播机制，以及可扩展的图学习方案将全局传播与局部预测模型训练分离；第二阶段，基于怀疑预测结果提出高效剪枝策略，进一步从爬取的图中移除高度可疑节点，并分析底层受损指标。实验表明，DOITRUST 在使用不到 1% 的标记节点进行怀疑预测时即可达到 90% 的准确率，其学习能力优于现有的基于节点和基于结构的方法。此外，该模型具有可移植性和实用性。人工审查发现至少 94.55% 的检测节点含有可疑内容，并调查了链上受损的底层指标。