本文提出Kangaroo，一种针对广域网（WAN）环境下大规模决策树推断的隐私保护与摊销推理框架。随着机器学习即服务（MLaaS）的普及，客户端希望利用云服务器上的决策树模型进行推断，但同时需要保护输入数据和模型参数的隐私。现有方案（如安全多方计算或同态加密）在WAN中面临高延迟和计算开销，难以扩展到大模型。Kangaroo通过设计一种摊销式推理协议，将多个查询组合成批量处理，利用预计算和离线阶段降低在线阶段的开销。其核心贡献包括：1）基于不经意传输（OT）和秘密分享的混合协议，实现线性复杂度的决策树评估；2）网络感知的批处理机制，适配WAN的带宽和延迟特征；3）支持树深达20层、包含数万节点的大规模决策树。实验表明，Kangaroo在WAN环境下比现有方案快10-100倍，通信量降低一个数量级。该工作主要面向隐私保护机器学习、安全推理协议设计领域的研究者。