在移动设备取证中，从应用数据库中发现个人身份信息（PII）是一项极具挑战性的任务，因为相关的表列区域未知，且分散在异构的SQLite模式中，值还可能嵌入自由文本或半结构化字段。本文提出了一种假设驱动的框架（Hypothesis-Driven Search），将PII定位问题转化为有界、自适应的不确定性搜索。该框架由智能代理对候选表列区域进行排序，对采样值进行探测，并维护先前证据、置信度分数和决策的记忆，以迭代优化后续搜索假设。同时，框架将轻量级的PII探索与针对已验证区域的定向提取、归一化和去重分离，从而将穷举检查限制在有采样证据支持的区域，大幅降低搜索空间。作者在Cellebrite CTF语料库中的25个SQLite数据库（来自10个Android和iOS应用）上进行了评估，目标是电子邮件地址、电话号码、域名、人名和邮政地址。针对包含3,751个实体的语料库级去重真值集，Gemini 2.5 Pro达到了94.5%的F1分数，同时平均减少了79.9%的有效提取搜索空间。对12个模型后端的对比实验显示，多个前沿模型表现出强性能，但整体结果对模型能力高度敏感。研究贡献包括：形式化PII发现为假设驱动搜索、设计了高效的探索-提取分离流程，以及提供了多模型基准结果。该工作适合数字取证分析师、隐私合规工程师以及移动安全研究人员阅读。

该论文展示了一种针对 SQLite 数据库的缓存侧信道攻击，能够从噪声体积数据中重建数据库内容。攻击采用 Flush+Reload 方法，通过监控缓存命中与缺失，推断出数据库上范围查询的近似体积（即查询返回的记录数）。这些体积数据带有噪声，但论文提出了若干算法来克服噪声并精确重建数据库。核心算法包括：一种噪声容忍的团查找算法，用于从部分噪声体积中识别一致的查询集合；一种“匹配与扩展”算法，用于推断团中缺失的体积；以及一个利用最近向量问题（CVP）求解器的噪声减少步骤，进一步提升重建准确性。实验在个人笔记本电脑上进行，针对规模达 100,000 条记录、属性范围大小为 12 的数据库，重建误差低至 0.11%，耗时不到 12 小时。攻击的时间复杂度随查询属性范围大小快速增长，但能很好地扩展到大数据库。研究揭示了侧信道泄漏在数据库安全中的严重威胁，并提供了实际可行的重建方法。