该论文提出了一种名为 MIRAGE 的隐私保护消息系统，旨在解决审查环境下的抗阻塞通信问题。传统去中心化匿名网络如 Tor 依赖集中式互联网基础设施，容易遭受大规模封锁。MIRAGE 利用人群的高层移动模式，采用基于区域（district）的概率路由方案，将消息基于人口移动模式进行随机转发，从而避免依赖固定基础设施。为了防止个体移动行为泄露，MIRAGE 通过本地差分隐私技术保护用户的移动模式，确保参与网络不会因可观察到的路由决策暴露个人位置历史。作者在开源模拟器 Cadence 中实现了 MIRAGE，该模拟器提供了基于时间的节点间近似地理相遇的统一框架。实验使用两个真实轨迹数据集：城市行人移动模式和出租车 GPS 轨迹，评估了 MIRAGE 的隐私与效率权衡，并与传统流行病路由、随机游走路由以及最先进的隐私保护地理路由协议进行了对比。结果表明，MIRAGE 相比流行病路由显著降低了消息开销，在投递率上优于概率洪泛，同时提供了比现有技术更强的隐私保证。该研究为审查环境下的通信提供了一种新型去中心化方案，特别适合需要高隐私和抗阻塞能力的场景。

本文研究了网络审查与规避之间不断升级的对抗。当前审查方已从静态规则过滤演进到基于深度学习的流量分析，而现有的自动化规避工具虽然利用随机搜索和可编程启发式方法，但在多种审查机制下的鲁棒性不足，且配置复杂、需要手动调优或特定领域语言，可用性差。作者提出了一种范式转变，将审查规避重新定义为语义图像到图像的编辑任务，用户只需一个提示即可执行。具体地，提出了FlowPaint框架，利用大型扩散模型的“世界知识”自动将受审查流量重塑为良性模式。FlowPaint采用指令微调的扩散架构，对网络流进行语义编辑。评估使用工业级的规则型中间盒和学习型分类器，结果表明FlowPaint优于现有基线，用户仅通过改变自然语言指令就能应对不同审查范式。该方法显著简化了规避工具的配置，提高了可迁移性和鲁棒性，为网络审查规避领域引入了生成式AI的新视角。