该论文提出了一种用于对称密钥原语密码分析的新原语——掩码自相关（masked auto-correlation, MAC），并构建了基于它的量子攻击管线。对于置换 f、输出掩码 α、β 和输入差分 w，MAC 度量掩码输出 α·f(x) 与 β·f(x⊕w) 之间的相关性。作者引入的掩码差分-线性（MDL）近似严格推广了经典技术，普通线性密码分析、差分-线性密码分析以及差分-线性连接表均是其特例。研究的核心问题是寻找具有大掩码互相关的掩码对（即能产生强区分器的掩码对），称为 MAC Fishing。论文给出了一个常数查询的量子算法，可按平方相关度采样此类掩码对，并通过改编 Fourier Fishing 的困难性证明了 Ω(N/log N) 查询的指数级经典下界。据作者所知，这是首个将量子上界与经典下界配对用于识别高相关近似核心任务的结果，表明量子算法在此问题上具有绝对必要性。在此基础上，论文分析了随机置换的掩码自相关分布，并构造了基于容量的区分器和密钥恢复攻击，经典和量子版本均获得二次量子加速（使用振幅估计）。最后，作者在缩减轮数的 mini-AES 上进行了实验验证。适合对称密码分析研究者、量子算法设计者以及关注后量子密码安全评估的人员阅读。