该论文研究了对等网络（P2P）分布式大语言模型（LLM）推理的完整性保证问题。在P2P分布式推理场景中，LLM的层被分散到多个节点上，每个请求依次经过由不同独立方拥有和控制的节点。任何恶意的节点都有可能篡改其负责的层的输出，从而破坏最终结果。已有的完整性检查方法，如已知答案陷阱和密码学承诺，只能检测精确的正确性，无法容忍良性节点间由硬件噪声引起的正常激活值波动。为此，作者提出了一种基于激活值漂移的完整性检测方法。其核心思想是：一个想要使用网络的用户选择一小批秘密的“金丝雀”输入（canary inputs），这些输入的正确激活值已知，并将它们混合在正常流量中。由于其他节点无法区分金丝雀查询和真实查询，任何篡改节点都会同样破坏金丝雀的输出。通过比较金丝雀的实际激活值与已知参考值的偏差，可以识别恶意节点：良性节点仅表现出由硬件噪声引起的微小漂移，而篡改节点的漂移显著更大。作者将恶意节点识别建模为一种概率测试，该测试区分两个漂移分布，而不依赖于固定阈值。在408种配置下进行了实验，所有指标和成功标准在实验前确定；检测器在所有配置下的每个金丝雀上都达到了AUROC 1.0，正确地将恶意分片排在所有良性分片之上。该工作首次在P2P分布式LLM推理中解决了对普通硬件噪声鲁棒的完整性验证问题。

本文针对结构化对等网络（如Chord）中查询隐私泄露问题，提出了一种名为IRIS的隐私保护方案。在传统Chord网络中，用户通过向中间节点逐跳询问来定位数据，每个节点会返回离目标地址最近的已知节点，直到找到负责该数据的节点。这一过程中间节点会获知所查询数据的地址，导致查询隐私泄露，使得Chord不适用于需要查询隐私的应用。IRIS方案在不修改现有Chord协议的前提下，实现了隐私保护的查询执行。其核心思想是让查询节点在每一跳中不直接暴露目标地址，而是通过动态选择多个候选节点并混淆真实目标，从而隐藏查询意图。为了准确刻画迭代搜索过程中隐私泄露的程度，作者受k-匿名性启发，提出了一种新的隐私概念——(θ, δ)-privacy。该定义允许形式化地量化对抗者在合谋并利用所有迭代中泄露的总信息量时的隐私保证。作者基于该隐私概念对IRIS算法进行了安全分析，证明其满足(θ, δ)-privacy。此外，他们用Matlab实现了原型系统并进行性能评估，结果表明IRIS引入了适度的性能开销，且开销可调，与所需隐私级别成正比：当不需要隐私时，开销为零。该工作为在保持与现有Chord兼容的前提下增强查询隐私提供了新思路，适用于对隐私敏感的对等网络应用场景。