2020年美国人口普查局采用了差分隐私技术，通过向公布的人口普查表格中添加整数高斯噪声来保护个人隐私。精确评估这些数据发布的隐私保证，可以使普查局确定在给定隐私预算下所需的最小噪声量，避免注入不必要的过程噪声，从而显著提高数据在下游应用（如联邦资金分配和政治选区重划）中的统计效用。本文提出了一种计算高效且数学严格的求积方法，用于评估在异构离散高斯机制组合下实际大规模普查发布的精确隐私轮廓。数学上，该问题归结为评估从异构离散高斯分布中采样的整数值随机变量的高维卷积的尾概率，且需满足极其严格的数值误差容限（例如10^{-35}）。通过离散傅里叶变换将精确隐私核算重新表述为数值积分问题，作者明确利用了梯形规则对于复解析、周期特征函数的指数收敛性。此外，为了克服高维高度振荡被积函数评估的计算瓶颈，开发了一种筛子算法，用于识别并修剪可忽略的求积节点，从而将计算加速了三个数量级。这些数值创新使得首次实现对2020年人口普查家庭和住房特征文件的精确、无假设的隐私核算，相比现有方法实现了1824倍的加速，同时保持了普查要求的误差容限。