本文研究了洗牌模型（Shuffle Model）下的Rényi差分隐私（Rényi Differential Privacy, RDP）保证。在本地差分隐私（Local Differential Privacy, LDP）中，用户通过随机化机制扰动数据后发送给服务器，但通常需要较大噪声来保护隐私。洗牌模型通过引入一个可信的洗牌器（shuffler）在用户和服务器之间，匿名化用户数据，从而在相同隐私预算下提高效用。已有研究分析了洗牌模型的传统ε-差分隐私（ε-DP） guarantee，但关于其Rényi差分隐私特性的分析尚不充分。本文首次系统性地给出了在洗牌模型下实现RDP的隐私放大（privacy amplification）界限，具体针对两类随机化机制：一类是满足局部差分隐私（Local DP）的机制，另一类是满足集中式差分隐私（Central DP）的机制。作者推导了在洗牌处理后，原始局部随机化机制的RDP参数如何被放大。特别地，对于满足局部RDP的机制，本文证明了经过洗牌后，隐私参数以用户数量n的平方根速率衰减；对于满足集中式RDP的机制，则衰减速率更快。文中还讨论了如何通过组合定理将洗牌模型的RDP界限应用于迭代算法（如随机梯度下降SGD）。实验部分通过数值计算验证了理论界限的 tightness，并展示了洗牌模型在机器学习任务（如逻辑回归和深度神经网络）中的效用提升。该工作为理解洗牌模型下的隐私泄露提供了更精细的刻画，有助于设计更高效的隐私保护算法。