本文针对 NIST 标准化的后量子签名方案 ML-DSA（基于格）的随机性泄露攻击展开研究。ML-DSA 的安全性依赖于签名随机性和拒绝采样机制，使得签名与私钥统计独立。然而，实际部署中可能因侧信道攻击等方式泄露部分随机性，导致签名泄漏转化为 ILWE（Inhomogeneous Learning With Errors）族问题，进而威胁私钥安全。现有工作主要关注不同泄露模型下构建ILWE实例，而对第二阶段求解器的系统性研究不足，通常采用特定模型的启发式求解器。本文提出统一框架，系统评估三族求解器（包括普通最小二乘OLS、信念传播BP、先验感知离散推断）在泄漏生成的ILWE、FS-ILWE（Fiat-Shamir ILWE）和CILWE（Concealed ILWE）实例上的恢复效率。实验表明，求解器选择对密钥恢复效率影响显著：在FS-ILWE上，先验感知离散推断相比基准方法将信息关系数量降低1-2个数量级；与OLS相比，BP在无噪声设置下减少因子15.4倍至64.9倍，在有噪声设置下减少10.5倍至73.9倍。本文首次对随机性泄露攻击中的求解器进行系统评估，为ML-DSA的安全性分析提供了新的基准。适合密码学家、安全分析师及后量子密码实现者阅读。

该论文提出了一种面向药物警戒系统的后量子安全数据管道教育原型。药物警戒系统处理包括不良事件报告和临床观察在内的敏感医疗数据。随着量子计算的发展，RSA和椭圆曲线密码等经典公钥系统可能变得脆弱，对需要长期保密的医疗数据构成威胁。该原型采用ML-KEM-768进行后量子密钥建立，HKDF-SHA-256派生AES密钥，AES-256-GCM进行文件加密，以及ML-DSA-65进行数字签名和防篡改。管道支持TXT、CSV、JSON、PDF等多种文件格式，通过将文件视为原始字节并保留元数据以供接收方重建。系统包含独立的医院、网关、制药接收方、攻击者、基准测试和仪表板组件。使用不同大小和格式的合成药物警戒数据集进行评估，结果表明ML-KEM增加了较小的恒定开销，而AES加密和ML-DSA签名随文件大小增加成为运行时的主导。本工作并非生产就绪的医疗系统，而是一次教育性的系统级探索，展示了后量子密码原语如何集成到医疗风格的数据管道中。