这篇论文重新审视了多方差分隐私（DP）中连续噪声采样的协议。在多方计算（MPC）与差分隐私结合的场景下，各方需要在不依赖可信中心的情况下发布聚合统计，其核心原语是在有限精度算术下从连续分布中采样噪声。作者首先识别了广泛使用的“采样-缩放”（sample-and-scale）构造中的一个漏洞：算术电路中的缩放操作会将噪声限制在一个稀疏、公开可数的值集合内，使得攻击者通过观察发布的带噪声查询结果，能够推断出哪个数据集产生了这些结果。具体地，作者对两个采用此类有缺陷采样协议的系统发起了攻击：Orchard（OSDI'20，用于DP安全聚合）和DP-BREM$^+$（USENIX Sec'25，用于DP联邦学习），在实践使用的任意噪声缩放因子$s\geq 2$下，两个系统的攻击成功率都接近100%。作者指出，该泄露源于缩放操作本身，直接修复要么大幅牺牲效用，要么显著增加精度位数导致采样代价更高。为了解决安全和效率问题，作者转向在单个偏置比特粒度上进行离散采样，对采样器进行了多项优化并证明了其安全性。实现结果表明，与现有安全离散采样器相比，实现了4倍到612倍的加速；与不安全的“采样-缩放”范式相比，实现了数量级的加速，同时与理想连续机制相比，效用损失可忽略不计。该研究适合关注隐私计算、差分隐私、多方计算和安全协议设计的学者与工程师阅读。