差分隐私（Differential Privacy）为数据分析提供严格的隐私保证，但在回答大量线性查询时，必须在隐私预算、响应精度和随机位数之间权衡。经典机制（如 Hardt 与 Talwar 提出的 K-范数机制）虽能在给定隐私预算 ε 下将 l∞ 误差控制在较好水平，却往往需要消耗大量随机位；而在低功耗设备或分布式场景中，高熵随机源本身是稀缺资源。本文针对这一“随机性-效用权衡”问题，提出了一个随机性有效的 K-范数机制变体：只需 O(log d) 个随机位即可回答 d 个线性查询，同时达到 O(d/ε) 的 l∞ 误差。相比 Canonne 等人的现有算法，该方案的随机位消耗显著降低；当隐私参数 ε ≤ 1/d 时，该结果在误差与随机位数上均达到渐近最优。此外，作者还给出了计算上高效的版本，以 O(log d) 倍的误差增加为代价换取更低的计算复杂度。该工作属于理论计算机科学、随机化算法与隐私计算的交叉领域，其核心贡献是证明“少量随机位也能接近最优精度”这一可达成上界，揭示了随机位数与查询精度之间的基本关系。该结果对随机性受限环境（如边缘设备上的私有数据收集）中的差分隐私系统设计有指导价值，也为后续设计低熵需求的隐私机制提供了新思路。适合研究差分隐私理论、算法机制设计及隐私增强工程化的读者阅读。

本文提出了一种新的差分隐私（DP）机制——抖动高斯机制（Dithered Gaussian Mechanism），作为传统离散高斯机制的替代方案。与离散高斯机制直接离散化噪声分布不同，抖动高斯机制通过后处理高斯机制来离散化私有输出，从而直接继承标准高斯机制的隐私保证，同时避免了因有限精度浮点数输出带来的安全漏洞。论文证明了该机制在随机性上高效：通过直接采样离散输出值，用于隐私的关键高质量随机位数可以显著减少，并且与噪声水平无关。具体地，随机性被分为两个来源：高质量源用于隐私关键的采样步骤，而高性能公开源（可能被攻击者知晓）则提供随机离散化所需的额外随机性。这种分离使得可以在不显著损失性能的情况下使用密码学安全的随机数。作为应用，论文研究了DP-SGD模型训练，并展示使用密码学安全噪声生成以减少浮点漏洞暴露，仅带来适度的实践开销。该工作主要贡献在于：提出一种新颖的抖动高斯机制，兼具隐私保证和随机性效率；通过随机源分离实现密码学安全噪声生成的实际可行性；实验验证了在DP-SGD中的有效性。适合从事差分隐私、机器学习隐私保护的研究者和工程师阅读。