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。