本文研究 c-内点点态最大泄露（c-interior pointwise maximal leakage, PML）作为收缩性分析与披露控制工具的理论价值。传统局部差分隐私（LDP）要求对任意相邻输入，输出核满足有界似然比，这在实际系统中往往过于严格，且难以刻画确定性系统或仅对特定数据生成假设成立的场景。作者提出的 c-内点 PML 将 LDP 推广到密度一致地远离零（下界为 c>0）的数据生成分布族：只有落在该 c-内点集合内的输入分布才需要满足约束，因此可把 PML 视作作用在核（kernel）上的代数约束，而非逐点最坏情况约束。这一视角使收缩性分析比标准 LDP 更灵活，且在多数情形下给出更紧的界。论文给出的主要技术贡献包括：对 Dobrushin 系数的紧界；对 Hockeystick 散度收缩系数的界；以及在 c-内点 PML 约束、且散度输入分布被限制在 c-内点集合内时，针对 f-散度的强数据处理不等式。这些结果突破了纯 LDP 的范围，可覆盖包括任意随机矩阵在内的更大一类核。作者随后把结论应用于极小极大（minimax）理论，针对二元假设检验与均值估计给出在 c-内点 PML 约束下渐近最优的策略。分析中反复出现的一个有趣结论是：当隐私问题相对正则（即密度界 c 较大）时，私有推断可以在样本复杂度上不付出额外代价。整体上，该工作为分析者提供了更细粒度的披露控制推理框架，既能量化确定性系统的隐私泄露，也能在任意分布假设下给出精确的对抗性保证。

这篇论文针对 Tor 匿名网络性能研究的实验方法论提出批判与改进。以往研究在评估 Tor 性能改进方案时，通常只对标准 Tor 和每个研究变体各运行一次模拟，然后直接根据单次模拟的观测结果下结论。然而，由于模拟是在抽样生成的 Tor 网络中进行的，抽样误差本身就可能导致观测到的效果，因此未考虑统计显著性的结论在实践意义上值得怀疑。作者为此构建了改进 Tor 实验方法的基础。首先，他们提出一种新的 Tor 网络建模方法，能够生成更具代表性的 Tor 网络；同时开发了新的改进型实验工具，使 Tor 模拟运行速度更快、规模更大。作者展示的模拟实验包含 6,489 个中继和 79.2 万同时在线用户，这是目前已知最大规模的 Tor 网络模拟，也是首次达到 100% 网络规模的模拟。其次，他们提出了新的统计方法论，用于：（i）证明必须在独立抽样的多个网络中运行多次模拟，才能获得有信息量的结果；（ii）展示如何利用多次模拟的结果进行可靠的统计推断。论文通过一个包含 420 次模拟的案例研究，演示了如何将新方法应用于具体的 Tor 实验，并分析其结果。该研究对于 Tor 性能改进领域的实证研究具有重要的方法学指导意义，有助于提升 Tor 实验结论的可信度和可复现性。适合 Tor 开发者、匿名通信研究人员以及关注网络实验统计严谨性的安全工程师阅读。