本文提出 MESS，一个面向语义搜索的隐私保护系统，旨在同时满足隐私性、准确性和效率三个目标。语义搜索系统将数据映射到高维向量空间，并通过近似最近邻（ANN）检索实现相似数据查询；然而，当系统部署于可信云提供商时，数据与查询本身缺乏隐私保护。现有工作分别采用同态加密（HE）、不透明随机访问内存（ORAM）或差分隐私（DP）方法，但均未能同时实现三个目标。MESS 的核心方法是将原始向量转换为二进制码，应用局部敏感哈希（LSH）与随机响应（randomized response）技术，并在扰动后的编码上构建多图层次可导航小世界（HNSW）索引。该系统确保数据、查询和访问模式隐私，并通过两阶段查询扰动机制实现搜索模式隐私。多图索引设计缓解了扰动对结果质量的影响，从而维持准确性；由于直接在扰动编码上执行搜索，避免了 HE 或 ORAM 的开销，系统具有较高效率。作者给出了系统的正式隐私分析，并进行了广泛的性能评估，结果显示 MESS 相比最先进基线可降低高达 15.08 倍的延迟。该研究的贡献包括：首次将多图 HNSW 与 LSH 及随机响应结合用于隐私保护语义搜索；设计了两阶段查询扰动机制；通过实验证明其在隐私、精度和效率之间的良好权衡。适合对隐私增强型信息检索、向量数据库安全以及可信云环境下数据保护感兴趣的研究人员与安全架构师阅读。

本文研究了一种混合隐私保护的语义搜索方案，旨在解决稠密向量嵌入在向量数据库泄露时面临的嵌入-反演攻击（即从向量重构原始文本）问题。传统的防御手段存在两个极端：完全同态加密虽然安全性强，但在百万级文档规模下延迟过高；而添加隐私噪声会在保护效果显现之前就严重破坏排序质量。本文提出一种利用静态集合与动态查询之间不对称性的中间路线：集合端采用几何保护，每个向量通过SVD截断到低维子空间，并经过只有集合所有者知道的秘密正交变换旋转；查询端采用密码学保护，使用CKKS同态加密对查询进行重排序，使得诚实且好奇的服务器无法看到查询或分数。CKKS参数通过离线小规模基准测试确定。理论方面，论文证明了任何局限于所保护子空间的攻击者的重构误差下界。实验在百万文档和五种编码器上进行，方案在亚秒级延迟下保持了排序质量（对于强编码器甚至略有提升，起到了线性降噪器的作用），并且现成的反演攻击在保护空间内退化为噪声水平。进一步，论文测试了更强的攻击者：已知明文攻击者可以通过正交Procrustes方法从约等于保留维度的泄露对中恢复旋转；公开的乘积量化码保留了大部最近邻结构；随机投影、校准噪声和BEIR基线表明，截断是一个依赖于编码器的精度代价，而非免费的降噪器。最后，论文明确了限制：查询机密性由密码学保证，但文档保护是经验性的混淆层（SVD截断加秘密旋转），而非密码学原语，并对每项主张划定了威胁模型边界。