该论文研究多租户（multi-tenant）量子云计算场景下的跨租户隐私泄漏问题。商业量子云厂商通常把同一台量子处理器上互不相交的比特扇区分别租给不同用户，并在设备数据表中报告平均门错误率（average gate error）作为质量指标。作者指出，这一被广泛采信的指标并不能决定一个租户能从相邻租户那里推断出多少信息。为此，论文提出了一种基于量子态可区分性（quantum state distinguishability）的信息论泄漏度量，用来量化跨越共租（co-tenancy）边界的信息泄漏量。作者在商用设备上进行了测量：IBM Kingston（156 比特）与 IQM Garnet（20 比特）。实验的核心发现是：即使两个租户边界在基准测试中报出完全相同的错误率，其实际信息泄漏量也可能存在显著差异。原因在于标准错误率指标对错误的“相干性（coherent）与随机性（stochastic）”本质是盲的——相干误差会系统性地保留可被邻租户利用的相关性，而平均错误率把两类误差混为一谈；论文提出的泄漏度量则能够区分二者。作为防御手段，作者采用在受害方整个寄存器上施加均匀 Pauli 随机化（uniform Pauli randomisation）的方法，理论上可将信息泄漏降至零且不带来保真度损失，但实验表明由于误差累积，实际会造成不可忽略的保真度下降，说明该防御在真实硬件上存在代价。论文最后向量子云计算提供商发出明确倡议：应在设备数据表中除标准错误率之外，额外报告信息泄漏指标，使租户在租用设备前就能评估隐私与安全风险。该工作把量子硬件的物理噪声特性与多租户云安全模型直接联系起来，适合量子计算、云安全与隐私工程方向的研究者与工程师阅读。

该论文聚焦于以存储为中心的计算（storage-centric computing）场景下固态硬盘（SSD）固件——闪存转换层（FTL）——的安全与正确性问题。研究背景是：数据密集型应用需要把大量数据从存储搬运到计算单元，产生显著的数据移动开销；把计算下沉到 SSD 内部或近端可以缓解该开销，但这要求修改 FTL 中的地址转换、垃圾回收等策略。作者指出，FTL 属于设备固件，其逻辑直接访问安全关键的设备组件，因此即便功能上完全正确的 FTL，也可能在租户之间泄漏数据、丢弃完整性标签，或把闪存块错误地分配给其他租户。论文首先证明一个有缺陷的 FTL 可以在 SSD 内部的五个“表面”（surfaces）上破坏设备状态，并在 DaisyPlus OpenSSD 平台上进行了演示。作者进一步指出现有 FTL 验证工作的两大局限：(1) 只验证功能正确性，被修改的 FTL 即使违反隔离性、完整性与归属（ownership）约束仍能通过验证；(2) 验证与某一具体 FTL 设计绑定，任何改动都要重做全部证明，代价高昂。为此作者提出 CertiFlash：一个在 Rocq（Coq）证明助理中机械化的 FTL 形式化验证框架。CertiFlash 把 FTL 建模为确定性状态机，并在映射、隔离、完整性、归属和分配五个维度上建立单一全局不变式；在该通用 FTL 模型上一次性证明两件事：(i) 每个 FTL 操作都保持该不变式，(ii) 该模型细化了理想化的块设备语义。对新设计，开发者只需为其自身操作消解五条假设（hypotheses），而无需重做上述两个证明。在四个案例研究中，设计者只需在 16,489 行的框架之上新增 27 至 3,231 行代码，验证工作量显著降低。框架已开源。适合关注存储安全、SSD 固件、多租户隔离以及形式化验证的研究者与工程人员阅读。

本文研究多租户大语言模型（LLM）推理场景中 KV 缓存引发的时序侧信道泄露问题。KV 缓存是现代 LLM 推理的关键吞吐优化手段，通过跨请求复用前缀来加速生成；但在多租户部署中，该缓存被多个租户共享，攻击者可以利用缓存命中延迟差异，重建其他租户的私有提示词。已有三种攻击（PROMPTPEEK、EarlyBird、InputSnatch）利用了这一通道，在未防护的 vLLM 和 SGLang 上最高可达 100% 的攻击成功率，具体成功率取决于缓存架构和提示词结构。作者提出 KVGov，一个统一的治理层，专门应对这三类攻击的前缀缓存路径。其核心机制是为每个主体（租户）引入独立的盐值 sigma_p = HMAC_K(secret, principal_id)，并以此作为块哈希链的种子，使不同主体之间的缓存键在密码学意义上互不相交。消融实验（N=1000 次试验，固定随机种子，确定性评估）证明该盐值是阻断攻击的必要且充分条件。KVGov 还包含 ORIGAMI，一种基于 Stackelberg 博弈的水填充审计调度器，在现实租户异质性（基尼系数 0.63）下将攻击者的期望效用降低 12.6%；演化稳定性分析给出 31.6% 的攻击者流行度临界点，低于该阈值时全局缓存保持稳定。在真实硬件（Qwen2.5-7B-Instruct、vLLM 0.26.0、NVIDIA A100）上，作者测量得到经过门控验证的冷/热 TTFT 比例为 0.22，确认了生产规模下该通道的可利用性；防御效果在与测量校准的模拟环境中评估。作者还在独立技术栈（Apple Metal 上的 llama.cpp）复现了该通道，比例为 0.093。最后，文章指出隔离与缓存效率并不必然冲突：识别信息只存在于提示词分叉处，因此在分叉边界注入盐值而非在链根处注入，可以在不产生跨主体信号的前提下保留约 93% 的前缀缓存收益。