行为隐私泄露：用随机策略堵住智能体谈判中的推断攻击

谈判智能体正在被部署到保险、采购这些高风险的商业场景里。表面上看，加密技术已经保护了交换的数值。但真正致命的漏洞不在传输通道里，而在行为模式上。对手不需要破解你的数据包，只需要观察你的出价轨迹、让步节奏和收敛行为，就能反向推算出你的底线和预算。这本质上是一种行为侧信道攻击。传统的差分隐私假设数据是静态的，而多轮谈判是动态博弈，对手可以收集序列信号来持续缩小猜测范围。这篇文章把这个问题形式化了，给出的结论很明确：如果你只看协议的加密强度，你的隐私可能早就从动作模式里漏光了。

核心解法是用一个随机化谈判策略来同时保证差分隐私、收敛性和谈判收益。具体做法不是简单地给你最终的出价加噪声——那样会导致协议破裂。作者设计了一个自适应随机过程，在每一轮根据当前的谈判状态和隐私预算，动态注入可控的随机扰动。这个机制的关键在于它保留了几乎必然收敛的数学性质：只要对方的底价允许达成协议，双方最终一定会成交，只是路径变得不可预测。在3000组模拟实验中，这个策略把对手的推理准确率压低了43%到50%，同时谈判成功率和收益都维持在90%以上。这说明隐私和安全不是零和博弈，关键是要在行动层面注入混淆，而不是在结果层面加锁。

从一个系统设计者的角度来看，这件事的启发可能比论文本身更大。我们一直在用大量算力去保护静态数据，但忽略了动态行为本身就是高带宽的信息通道。推荐系统、竞价平台、自动谈判，只要是智能体在跟人或其他智能体交互，行为泄露就是普遍存在的威胁。这篇文章提供了一个很好的工程样板：用带理论保证的随机化策略来混淆观察者，而不牺牲任务成功率。未来AI系统的安全架构里，我们可能需要把行为差分隐私当成一个基础模块，就像今天我们用vLLM做推理加速、用Cloud Run做弹性部署一样自然。这是从加密通信走向加密行为的关键一步。