本文提出了一种基于 Crypto Dark Matter 假设的恶意安全后量子不经意伪随机函数（OPRF）。OPRF 允许客户端在服务器帮助下计算 PRF 值，同时服务器无法获知客户端输入。现有 OPRF 构造或仅满足半诚实安全，或依赖量子不安全假设。本文首次同时实现恶意安全（即抵抗主动攻击）与后量子安全，且通信复杂度与半诚实构造相当。核心技术包括：基于 Crypto Dark Matter 的 PRF 构造、利用 MPC-in-the-Head 范式实现恶意安全编译、以及针对性的零知识证明优化。实验表明，在局域网环境下，构造的在线阶段仅需几毫秒，适合密码协议中的隐私集合求交（PSI）等应用。该工作为后量子安全密码协议的实用化迈出重要一步。

本文首次提出并研究了隐私保护的协作数据清理问题。在协作数据清理场景中，两方希望协调各自的数据集，以过滤掉错误分类或误分类的数据项。隐私保护版本的目标是：各方仅能了解自己数据中被误分类的项，而无法获知对方数据集的任何其他信息。私有数据清理本质上是私有集合交集（PSI）的一种变体，可以利用现有的电路PSI技术来私密地计算误分类。然而，作者针对私有数据清理的特殊性设计、分析并实现了三种新协议，性能优于基于电路PSI的方法。第一种协议利用一个小的额外泄漏（数据项交集差异隐私大小）来降低复杂度；另外两种协议将寻找数据分类不匹配的问题转化为寻找匹配，然后采用标准的不经意伪随机函数（OPRF）技术来计算PSI，根据数据类别的数量，相比电路PSI实现了具体的运行时改进。

本文研究了隐私保护协作数据清洗问题。在协作数据清洗中，两方希望调和各自的数据集，以过滤掉分类错误的数据项。隐私保护版本增加了安全目标：各方仅能了解自己分类错误的数据项，而不能获知对方数据集的其他信息。该问题本质上是隐私集合交集（PSI）的变体，理论上可采用电路PSI技术实现。然而，作者针对私有数据清洗的特性，设计、分析并实现了三种新协议，性能优于电路PSI。第一种协议利用少量附加泄漏（数据项交集差分隐私大小）来降低复杂度；另外两种协议将数据分类不匹配问题转化为匹配问题，然后采用标准的不经意伪随机函数（OPRF）技术计算PSI。实验表明，根据数据类别数量的不同，协议相比电路PSI有具体的运行时间提升。本文主要贡献在于提出了适合私有数据清洗的高效协议，并通过理论分析和实验验证了其优势。适合研究安全多方计算、隐私保护数据清洗的研究者阅读。