本论文标题为《Distributed & Scalable Oblivious Sorting and Shuffling》，研究分布式环境下可扩展的不经意排序（Oblivious Sorting）与洗牌（Oblivious Shuffling）问题。不经意排序和洗牌是隐私保护计算中的基础原语，其目标是在不暴露数据内容及访问模式的前提下完成排序或随机置换操作。此类原语广泛应用于安全多方计算、隐私保护数据库查询、匿名通信等场景，是抵御侧信道攻击和访问模式泄露的关键技术。传统不经意排序算法（如排序网络）虽然能严格隐藏访问模式，但通信复杂度和计算开销较高，在分布式部署时面临可扩展性瓶颈。该论文提出面向分布式和可扩展性的解决方案，可能通过新的协议架构、并行化策略或底层硬件加速来提升效率。由于论文摘要未在输入中提供，无法获取其具体算法设计、安全性证明或实验结果；以下内容基于标题和该领域的通用背景进行概述。该研究对于构建大规模隐私增强数据基础设施具有重要意义，预期可为安全多方计算、机密计算等系统提供更高效的隐私保护原语。

本文研究差分隐私随机梯度下降（DP-SGD）中，使用数据打乱（shuffling）替代传统泊松子采样（Poisson subsampling）时隐私保证的准确性。传统DP-SGD通过泊松子采样随机选择每轮训练批次，但打乱因计算开销低、兼容性好而被广泛采用，然而其理论隐私保证的紧致性仍是开放问题。现有实践常直接用泊松子采样的隐私分析来评估打乱下的模型，可能导致隐私保证被高估。为此，作者提出了面向打乱DP-SGD的新型审计程序，以量化理论隐私界限与实际泄露之间的差距。实验设置包括不同批次大小、隐私预算和威胁模型。结果表明，使用打乱的DP模型隐私保证被高估达4倍，且这种差距在不同参数和威胁模型下并不均匀。进一步研究发现，打乱过程的两种常见变体导致隐私泄露增加至多10倍。本文强调了在缺乏严格分析方法时，使用打乱替代泊松子采样存在的隐私风险。适合研究差分隐私、机器学习隐私保护的研究者和工程师阅读。