Goldwasser 等人此前证明，在随机傅里叶特征（RFF）算法训练的机器学习模型中，可以植入一类不可检测后门，其安全性建立在与连续学习带误差问题（CLWE）相关的困难假设之上；在标准密码学假设下，即使对模型权重做完全白盒审计也无法发现该后门。但原始论文仅以密码学归约和概率引理的形式给出构造，没有参考实现，且依赖 Sparse Gaussian Pancakes 分布、齐次 CLWE 条件密度等辅助机制，仅凭论文难以判断其能否在普通数值代码中落地。本文的工作正是填补这一空白：作者仅使用 numpy 与 scipy，端到端实现了白盒 CLWE-RFF 后门构造，用以检验该威胁是可用通用科学计算工具复现，还是必须依赖专门的密码学基础设施。论文为构造核心所需的 GP_d(b_k) 分布提供了两种采样器：一是基于拒绝采样的近似方案，二是由齐次 CLWE 条件密度推导出的精确闭式采样器，并用其自身解析形式进行了验证。在此基础上，作者开展统计不可区分性测试，同时覆盖权重空间审计与黑盒功能对比两类视角，在多个稀疏比 ρ = d_sparse/D 下均未发现后门模型与干净模型之间存在可检测差异。论文还具体报告了构造中哪些部分易于实现、哪些需要论文未给出的额外推导，并明确列出未尝试复现的部分，包括底层的格困难性归约。作者将本工作定位为对 Goldwasser 白盒 CLWE 核心实务可实现性的贡献，而非新的理论结果。适合机器学习安全、模型供应链与可信 AI、密码学工程方向的研究者与防御方阅读。