本文是一篇系统化知识（SoK）论文，旨在系统梳理全球互联网隐私法规的技术实现与人类影响。研究背景是：随着个人数据被滥用的风险日益凸显，各国陆续出台多项隐私保护法规，其中欧盟的《通用数据保护条例》（GDPR）和加州《消费者隐私法案》（CCPA）受到计算机科学界的广泛研究，而其他许多法规则关注不足。为填补这一空白，作者分析了来自全球的24部隐私法与数据保护法规，涵盖已获大量研究的和相对冷门的法律，并构建了一套关于法律赋予权利和施加义务的分类法。基于该分类法，作者系统化整理了计算机科学领域270篇技术研究论文，这些论文探讨了上述法规的影响以及技术方案如何补充法律保护。最后，作者通过跨学科视角分析研究现状，并提出了计算机科学与法律隐私交叉领域的未来工作建议。本文的核心贡献在于：1）建立了全面的隐私法规权利-义务分类体系；2）系统化梳理了大量相关技术文献，揭示了研究趋势与空白；3）为技术从业者和法律研究者提供了跨学科合作的方向。适合安全工程师、隐私合规人员、政策研究者以及关注隐私技术的计算机科学家阅读。

该论文提出了一种针对大型语言模型（LLM）的实例级指纹识别方法FLIPS。当前LLM的指纹识别技术主要服务于知识产权保护，其设计偏向于对实例级参数（如指令提示、采样配置、量化方式等）变化的鲁棒性，然而这导致无法区分同一模型的不同配置。但AI监管要求合规评估针对的是模型实际部署后的行为，而非模型出处。因此，本文提出监管者导向的实例级指纹识别范式，旨在区分同一LLM的不同配置。FLIPS方法利用生成二进制随机序列中的偏差（pseudo-random sequences），通过分析模型对特定伪随机序列的输出分布，构建唯一的指纹。实验在237个模型实例上进行，封闭集（closed-set）识别准确率达96%，开放集（open-set，部分目标未知）准确率达90%，而适配的LLMmap基线仅为35%。结果表明实例级指纹识别对监管既必要又可行。代码已开源。该研究适合AI安全研究者、模型审计人员及政策制定者阅读。