差分隐私已成为隐私保护数据发布的标准技术，但其与具体披露风险之间的关系并不直观。特别是在成员推理场景下，一个对手在观察到差分隐私保护后的发布数据时，其对某个目标个体是否被包含进数据集的信念（后验信念）相比先前信念（先验信念）会发生多大变化，一直是悬而未决的问题。本文针对这一核心问题展开了理论研究。作者在“有界差分隐私”（包括有界概率差分隐私和有界近似差分隐私）框架下，推导了包含信念后验-先验比率的严格上界和下界。他们假设了一类最坏情况的对手，即该对手掌握了除一个目标个体之外所有数据参与者的辅助信息（all-but-one知识），从而证明了由此获得的界限对任何对手均适用。由于这些概率性界限在机制随机性下可能以非零概率失效，论文进一步以高斯机制为研究对象，深入分析了其失效概率。作者推导了该失效概率的理论上限，并在广泛的参数设置范围内通过蒙特卡洛模拟估计了实际失效概率。实验结果表明，观测到的实际失效率比理论上的最坏情况上限小了好几个数量级，说明理论上限极为保守。这一发现意味着，在实际运行中，差分隐私机制提供的推断隐私保证可能远比理论上限所暗示的要强。论文为理解差分隐私与成员推断风险之间的量化关系提供了新视角，为隐私保护数据发布的安全性评估给出了更精细的工具。

该论文深入研究了移动设备在住宅代理网络中的角色及其安全影响。住宅代理服务通过大量受控的代理节点（即代理对等体）转发客户流量，近年来日益流行。作者发现其中许多代理节点实际上是移动设备，而这些设备通常对隐私和资源敏感，因此其参与可能带来严重的安全与隐私风险。然而，目前学术界对移动代理节点的参与程度、招募方式以及具体风险知之甚少。为此，论文提出了一套检测和分类移动代理网络的方法，包括识别代理流量特征、分析设备招募机制（如恶意应用或合法SDK授权）以及评估潜在风险（如隐私泄露、电池消耗、带宽滥用等）。通过大规模实验，作者首次量化了移动代理网络的规模、地理分布和运营模式，揭示了多个实际案例，并讨论了防御对策。该工作为网络运营商、移动安全研究人员和政策制定者提供了重要参考。