该论文提出了 KNDB——一个以 PostgreSQL 18 表访问方法（Table Access Method, TAM）形式实现的「认知类型化」引擎，用于在数据库写入路径上直接完成对抗性冲突消解。研究背景是数据融合与众包真值发现（truth discovery）场景：当多个来源对同一数据槽位给出相互矛盾的值时，传统方法只能依赖写入方自报的置信度进行加权融合，而攻击者可以伪造高置信度、或通过 Sybil 协同（多个伪造身份一致投票）来操纵最终结果。KNDB 的核心思路是不再信任写入方声明的置信度，而是由引擎从独立元数据出发，为每一行赋予一个不可在写入时伪造的「认知种类」（MEASURED / INFERRED / DERIVED），并在每个写时 heapam 回调内部按槽位解析冲突。实现上，44 个 TAM 回调中仅覆写 7 个（tuple_insert、multi_insert、tuple_update、tuple_delete、tuple_insert_speculative、tuple_complete_speculative、relation_toast_am），其余 37 个委派给 heap，行仍以普通 heap tuple 落盘，论文并给出接口完备性论证作为论文制品。对抗评估方面，在「置信度伪造」负载下（攻击者以 [0.95,1.0] 的置信度发起 INFERRED 写入，对抗以 [0.5,0.9] 置信度写入的诚实 MEASURED 行），KNDB 在 Book-Author 融合数据集上比仅用置信度的基线高出 63 个百分点，在 Zheng 众包数据集上高出 92.7 个百分点；作者通过源码重建的「禁用并测试」实验（中和种类格后增益消失）证明该增益确实由种类轴承载。与从原始公式重实现、并在 0.3 个百分点内复现原文数值的四个真值发现基线（TruthFinder、CRH、CATD、ACCU）对比，KNDB 在低于每数据集密度饱和单元时表现相当，在达到或超过该单元后占据主导。作者将该饱和单元形式化为 k* ≈ rho_alg × h_top，其中 h_top 为每槽位最高诚实表层形式支持度，并在 Book-Author 上于 ±20%、Zheng 上于 ±30% 范围内验证预测；由于种类轴由引擎依据独立元数据赋值、写入时无法伪造，KNDB 的 k* 是无界的。论文也如实报告了失败面：在 Zheng 上低于饱和点时不敌 CRH 与 ACCU，且在三个以上一写入者胜出（last-writer-wins）为真值的时序知识编辑基准上得分为零。

细粒度访问控制（FGAC）机制（如行级安全 RLS 和文档级安全 DLS）被广泛用于多租户数据库或最小权限实现中，以限制对共享物理索引结构中数据的访问。实际部署中，FGAC 常采用“后过滤”方式：先让不受信任的查询在全部数据上执行，再对私人结果进行剔除。先前研究已表明这种模式存在侧信道，使攻击者能够判断某个选定值是否出现在不可见数据中，但无法高效恢复高熵数据（如完整记录或文本）。本文证明了这些侧信道的破坏力远超预期。通过利用丰富的查询接口（如范围、前缀和合取谓词），作者将成员泄露放大为重建攻击。研究在两种真实系统中进行验证：在 PostgreSQL 的 RLS 场景中，利用时序侧信道和可表达 SQL 查询（如范围、合取）来枚举未知属性值，并通过对大域进行二分搜索恢复完整记录；在 Elasticsearch/OpenSearch 的 DLS 场景中，利用评分和前缀扩展侧信道恢复文档中的索引词，有时还能提取语料库中的 n-gram 以近似还原文本。实验表明，FGAC 侧信道必须在丰富谓词存在的情况下进行评估，因为丰富谓词可以将简单的成员测试转化为可扩展的高熵记录重建。该工作首次系统性地展示了后过滤访问控制在面对复杂查询时严重的数据泄露风险，为数据库安全、云安全及隐私保护领域提供了重要警示。