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。