差分隐私(DP)的形式化隐私保证依赖从噪声分布中精确采样：一旦采样器偏离理论分布，实际提供的隐私预算与所宣称的 ε/δ 就会脱节。本文报告在 OpenDP 的离散拉普拉斯(Discrete Laplace)采样器中发现的系统性伪影(artifact)：在系统化测试下，采样输出分布出现周期性失真，表现为随取值周期性重复的概率偏差，而非可归因于随机波动的统计噪声。作者通过分层排查定位根因——底层 bernoulli_exp1 原语(用于实现从 Bernoulli(e^(-x)) 分布的采样)所依赖的有理数运算库存在实现缺陷，使该原语在特定输入下返回错误概率，误差沿嵌套采样层级被逐级放大，最终在输出分布上形成可见的周期性结构。论文提出了一套可复用的诊断方法论：自顶向下逐层隔离采样调用链中的组件，对每一层执行分布级统计检验，从而把故障精确锁定到最小可复现单元。修复方案是用精确有理数算术重新实现该原语，以消除近似/浮点运算引入的偏差。统计验证使用 10^6 个样本，通过拟合优度检验确认修正后的采样器在测试精度水平下与理论分布不可区分。论文的主要贡献有三：一是公开了一个影响差分隐私实现正确性的具体缺陷及其可复现的失效模式；二是给出了可迁移到其他采样器/数值库的诊断流程；三是提供了消除该类伪影的实现路径。适合 DP 库维护者、隐私工程与合规审计人员，以及依赖噪声采样正确性做统计推断的研究者阅读。

该论文研究的是侧信道评估中一个长期被忽视的统计方法论问题：评估人员通常在数据采集仍在进行时就反复查看泄漏检测结果（peeking），并据此决定延长或提前终止采集。这类“边采边看”的监控式决策规则，使经典的固定样本量检验（如阈值 |t|>4.5 的 Welch t 检验）失去错误率保证——因为在多个时间点重复检验会显著抬高假阳性。作者引入基于“下注检验”（testing by betting）的 anytime-valid（任意时刻有效）泄漏检测框架，采用 SKIT 型 swap-pair e-process，在明确的条件对称性零假设下，将虚警概率在时间上做一致控制（uniformly over time），从而允许评估者在任意时刻查看结果并安全地决定继续或停止，而不会破坏统计有效性。实验部分以 ML-KEM（后量子密钥封装）电磁泄漏轨迹为对象。在共享冻结 witness、行与收益的匹配比较中，欲达到 80% 检测率、α=0.05，基于首次穿越（first-crossing）的 anytime-valid 检测在合成流上需要固定时域随机化检验的 1.68–2.00 倍轨迹数，在来自公开 ML-KEM 电磁数据集、经退化的录制数据上需要 1.68–2.38 倍，说明 anytime-valid 的“随时可看”能力以一定样本效率为代价。但在未退化的参考与 pqm4 录制上，同一 witness 与显著性水平下，监控式过程能够提前停止：中位停止点分别为 62–72 条和 146–316 条评估轨迹，仅相当于保守 4096 条预算的 2%–8%。作者还量化了“偷看”的代价：在精心设计的精确零假设下，对全部 13000–20000 个样本反复使用 |t|>4.5 检验，假阳性出现在 2.7%–12.9% 的重复实验中，而仅在终点检验时为 0.0%–4.7%，样本级 e-Bonferroni 过程则完全不拒绝；在预先指定的后续分析中，该过程在 840–3288 条轨迹后于 4/4 种背景中检出自然标签关联。论文明确声明所有录制均来自单一设备，自然标签结果为描述性的，并逐条列出每个结论所依赖的假设。