本文针对差分隐私（DP）的 shuffle 模型中存在的信任问题展开研究。在标准 shuffle 模型中，一个 shuffle 器随机排列用户数据以实现高精度和隐私保护。然而，近期研究表明大多数现有 shuffle 协议容易遭受数据收集者与用户之间的合谋攻击。为应对此问题，研究者提出了增强型 shuffle 模型，其中 shuffle 器引入随机采样和虚拟数据添加。但该模型仍面临一个关键开放问题：如何确保 shuffle 器严格遵循协议且不与数据收集者合谋？本文通过全面探索基于可信执行环境（TEE）的增强型 shuffle 模型来解决这一信任问题。首先，作者提出了一种新的隐私概念——全遗忘差分隐私（Fully Oblivious DP, FODP），它强化了 DP 以防止基于外部/内部内存访问模式和控制流的各种 TEE 侧信道攻击。接着，他们提出了一个基于内存大小混淆（memory-size obfuscation）的通用 FODP 算法框架，并在此框架内设计了三种具体算法。通过使用 count-min sketch 并优化哈希次数，进一步提升了算法效率。他们在 Intel SGX 平台上评估了所提算法，并与九种基线方法进行了比较，实验结果证明了其有效性。该工作为在增强型 shuffle 模型中实现可验证的、抗侧信道的隐私保护频率估计提供了理论支撑和实践方案。

该论文提出了一种名为FME（Filtering-with-Multiple-Encryption）的增强型洗牌差分隐私协议，用于解决大规模分类数据和键值数据统计估计中的隐私保护问题。传统的洗牌差分隐私协议虽然能提供高精度和隐私保护，但容易受到数据收集者与用户合谋攻击以及数据投毒攻击。近期研究通过引入用户不添加噪声、由洗牌器执行随机采样和虚拟数据添加的增强协议来抵御这些攻击，但该方法仅适用于小域分类数据，在大域场景下通信和计算成本过高。本文提出的FME协议通过哈希函数过滤掉非流行项，然后对流行项进行精确频率估计。为了实现用户与洗牌器单轮交互，协议采用多重加密方法进行系统内通信。此外，论文将FME协议扩展到更高级的键值统计估计，并引入偏差减少技术。对于分类数据和键值数据，论文证明该协议能提供计算差分隐私、对上述两种攻击具有高鲁棒性、准确性和效率。通过与十二种现有协议的比较，实验验证了所提方法的有效性。该研究适合对差分隐私、统计估计、安全多方计算等方向感兴趣的安全研究人员和隐私保护从业者。

本文提出了一种针对本地差分隐私（LDP）框架下频率估计与未知项发现问题的优化方法。首先，作者提出了广义计数均值草图（GCMS）协议，该协议统一了多种现有频率估计协议，并显著改进了通信、隐私和准确性之间的三方权衡。在此基础上，基于通用效用分析框架，进一步提出了最优计数均值草图（OCMS）协议，专门为目标频率项收集场景最小化方差。针对未知数据域（即数据项的集合未知）的问题，作者提出了一种新协议，结合稳定性直方图技术和加密-洗牌-分析（ESA）框架，利用辅助服务器在不访问原始数据消息的情况下构建直方图。该协议在实现类似中心化DP模型的精度的同时，提供了本地化的隐私保证，并大幅降低了计算成本。实验表明，所提方法在通信效率、隐私保护强度和估计准确性上均优于现有方案。