该论文提出了一种面向多层级差分隐私查询发布的全新框架。在现实场景中，同一统计查询可能被多个分析师发起，但由于信任等级或支付意愿不同，每个分析师获得的答案需在差异化的隐私预算下生成。现有方法要么导致过高的累积隐私损失，要么在效用上表现欠佳。为此，作者设计了一个通用框架，能够同时控制累积隐私损失不超过所有查询中的最大隐私预算，并实现与单层机制相当的最优效用。该框架适用于不同类别的差分隐私机制：对于噪声添加机制（如策展人模型下的双侧几何机制计数查询），作者基于噪声分布的特征函数提出了通用解决方案；对于其他机制（如本地差分隐私模型下使用子集机制的计数查询），设计了机制专用的预算转换原语，并引入了一种基于模板的策略，在不同隐私制度下均能达到最优效用。实验结果表明了该框架的有效性。该研究为多层级差分隐私查询问题提供了理论保障和实用方法，适合数据安全与隐私保护领域的研究者和工程师阅读。