在移动设备取证中，从应用数据库中发现个人身份信息（PII）是一项极具挑战性的任务，因为相关的表列区域未知，且分散在异构的SQLite模式中，值还可能嵌入自由文本或半结构化字段。本文提出了一种假设驱动的框架（Hypothesis-Driven Search），将PII定位问题转化为有界、自适应的不确定性搜索。该框架由智能代理对候选表列区域进行排序，对采样值进行探测，并维护先前证据、置信度分数和决策的记忆，以迭代优化后续搜索假设。同时，框架将轻量级的PII探索与针对已验证区域的定向提取、归一化和去重分离，从而将穷举检查限制在有采样证据支持的区域，大幅降低搜索空间。作者在Cellebrite CTF语料库中的25个SQLite数据库（来自10个Android和iOS应用）上进行了评估，目标是电子邮件地址、电话号码、域名、人名和邮政地址。针对包含3,751个实体的语料库级去重真值集，Gemini 2.5 Pro达到了94.5%的F1分数，同时平均减少了79.9%的有效提取搜索空间。对12个模型后端的对比实验显示，多个前沿模型表现出强性能，但整体结果对模型能力高度敏感。研究贡献包括：形式化PII发现为假设驱动搜索、设计了高效的探索-提取分离流程，以及提供了多模型基准结果。该工作适合数字取证分析师、隐私合规工程师以及移动安全研究人员阅读。

本文提出了一种名为MoLIFE（移动实时智能取证检查）的新型数字取证方法论，旨在解决移动设备取证中因数据保护机制增强（如Android和iOS的超级用户保护）而面临的挑战。当前移动取证面临物理获取或分析受保护目录时可能破坏证据、需提权或定制ROM导致设备状态改变等问题。同时，移动技术及其通信系统的需求激增带来了众多安全威胁。MoLIFE方法论基于NIST SP800-101数字取证流程，集成了人工智能、区块链、量子计算等新兴技术，以提高取证效率与可靠性。该方法不仅适用于事后取证分析，还可用于预防网络威胁和事件。论文通过一个基于移动取证工具（mDT）对Android设备数据获取的案例研究，验证了技术可行性。此外，文章探讨了MoLIFE面临的挑战，如技术局限性（例如新兴技术的成熟度），并展望了未来改进方向。读者群体包括数字取证研究人员、移动安全分析师、执法机构以及物联网安全从业者。