该论文提出 DP4SQL，一个支持灵活隐私策略的差分隐私 SQL 系统。现有差分隐私 SQL 系统仅支持固定的隐私策略，例如所有表都必须保护记录存在性或内容，无法处理混合隐私需求（如部分公开列、不同字段不同保护级别）。DP4SQL 允许数据管理者自定义每张表、每个字段的可否认性要求，避免“一刀切”策略导致的过度保护或噪声注入不足。系统通过引入声明式隐私策略语言和新的查询稳定性计算规则，自动适配不同隐私需求下的噪声量。实验表明，在真实数据集上，DP4SQL 相比现有系统可在满足差异化隐私要求的同时，显著降低查询答案的噪声。该工作适用于需要精细隐私控制的数据库场景，如医疗、金融等多表关联数据发布。

本文提出 PROTECT-DB，一种基于拜占庭容错（BFT）复制状态机的方法，用于保护数据库免受破坏，特别是针对攻击者篡改数据库状态的情况。研究背景是组织数据的安全至关重要，而传统备份和审计方法存在检测延迟和恢复效率低的问题。PROTECT-DB 建立在确定性扩展的 PostgreSQL 之上，每个副本独立地执行记录在共享日志（或区块链）中的事务，从而确保所有副本状态一致。系统设计强调高效快速的破坏检测，并支持在事务执行的同时进行快速修复。作者通过性能实验证明了该方法的效率与实用性，显示其在实际数据库环境中的可行性。本文的主要贡献在于将 BFT 复制状态机方法实用化，为数据库提供了一种可抵御拜占庭故障（包括恶意攻击）的保护机制。适合数据库管理员、安全架构师及对高可用和数据完整性感兴趣的读者阅读。

本文研究在线差分隐私（DP）线性查询流回答问题，针对数据库工作负载中查询流高度可预测的特点（即重复任务和模板主导，即使到达顺序未知），提出了一种学习增强型差分隐私算法LAPRAS。核心思想是利用预测来指导隐私预算分配：假设存在一个预言机，输出可能出现在流中的查询预测集，然后对预测查询使用离线最优的矩阵机制（Matrix Mechanism）在其对应的全局敏感度下进行回答，而对未预测到的查询则从剩余预算中在线回答。为了在未知数量的未预测查询之间合理分配隐私支出，论文提出了一种平滑分配（Smooth Allocation）方法，该方法通过前T=Θ(log²S)个未预测查询形成无偏停止时间估计，并持续重新校准每个查询的支出。实验结果显示，在两个真实数据集上，LAPRAS实现了预期的一致性与鲁棒性平衡：当预测与实际查询重叠度高时，达到接近离线最优的效用；重叠度低时，性能优雅地退化为基线水平。本文主要贡献在于将预测引入在线DP查询回答，同时保证了鲁棒性，并提出了理论保证的新分配机制。适合对差分隐私、数据库安全和学习增强算法感兴趣的研究人员阅读。