该论文针对差分隐私（Differential Privacy, DP）实现中一个长期被理论讨论但缺乏实证的问题展开研究：DP 的隐私保证建立在「噪声源足够随机」这一前提之上，但现实中随机数发生器（RNG）的熵退化究竟会对 DP 机制产生多大实际影响，此前并不清楚。作者基于 IBM 开源库 DiffPrivLib 搭建了一套系统性的实证评估框架，核心思路是构造一条「熵质量逐级下降」的噪声源链条：起点是高质量的量子真随机数发生器（TRNG）与密码学安全伪随机数发生器（CSPRNG），随后通过受控方式逐级注入熵退化，直至形成带有明确、可度量偏差的低质量随机源，并用成熟的随机性测试套件对这些源进行刻画，从而保证退化程度是可量化、可复现的。实验部分在一个参考数据库上重复执行了超过一百万次查询，并配合多组补充统计检验，直接对经验「隐私损失随机变量」（Privacy Loss Random Variable）的分布进行分析，而不是仅停留在理论界的上界推导。主要发现包括：当大约每 8 到 16 个比特中就有 1 个比特被系统性操纵时，DP 机制能够可靠地检测到分布偏差；检测灵敏度在两类退化模式之间存在显著差异——比特级偏置（bit-level bias）与时间相关性（temporal correlation）被察觉的难易程度并不相同。更具启示性的结论是：对分布异常的统计检测能力，并不等价于隐私保证已被实际破坏，即「可检测」与「已泄露」之间存在重要鸿沟。该工作为 DP 工程实现中的随机性质量评估、测试基线设定以及审计方法提供了可复现的实验依据，适合隐私工程、密码学实现审计及数据发布平台的研发与安全人员阅读。