该论文针对加密消息系统中虚假信息泛滥但用户隐私保护需求日益增长的矛盾，提出了一个名为FACTS（模糊匿名投诉计数系统）的新型解决方案。核心挑战在于如何在不牺牲端到端加密隐私的前提下，有效检测和阻止谣言、假新闻等误导性内容的病毒式传播。FACTS的核心思想是让用户对消息进行匿名投诉，但系统仅在单个消息收到的投诉数量超过预设高阈值时，才解密并公开该消息的具体内容及原始发送者。这种设计确保了未引起广泛怀疑的消息内容与发送者完全不被泄露，从而保护了多数用户的隐私。技术层面，作者提出了一种新颖的协作计数布隆过滤器（collaborative counting Bloom filter），这是一种概率性数据结构，能在分布式环境下以极小开销高效聚合匿名投诉计数，同时具备差分隐私性质。论文给出了该数据结构的详细概率分析、严格的安全性定义与证明，并通过实验验证了其在每天百万级投诉量下的实用性能。与先前工作相比，FACTS的主要创新在于引入了多投诉高阈值机制，有效防止了单次恶意举报导致的误报。该研究适合密码学、隐私保护、虚假信息检测以及安全消息系统领域的研究人员和工程师阅读。

这篇论文针对加密消息系统中滥用行为（如传播儿童色情、恐怖主义内容）的追溯问题，提出了一种新的可追溯性框架。现有方案通常依赖完全可信的第三方或中心化机构，但这样会引入隐私风险或单点故障。作者设计了一种基于密码学技术的方案，在最小化信任假设（即无需完全信任任何单一实体）的情况下，实现对特定消息的追溯，同时保证普通消息的端到端加密属性不被破坏。核心方法包括使用可链接群签名、秘密共享和多方计算等技术，使得只有符合预设政策（如法院命令）的合法请求才能追溯特定用户，且追溯过程不会泄露无关信息。实验分析表明，该方案在计算和通信开销上具有实用性，并提供了形式化的安全性证明。论文的贡献在于：首次在加密消息系统中实现了抗滥用的可追溯性与最小信任假设的平衡，为监管合规与隐私保护的冲突提供了一种可行的密码学解决方案。