本文针对本地差分隐私（LDP）中广泛使用的优化局部哈希（OLH）协议，提出两种基于二项分布建模的快速仿真算法（2-Binom 和 3-Binom）。现有 OLH 仿真通常需遍历所有用户和整个域，计算复杂度为 O(nd)，其中 n 为用户规模，d 为域大小，导致大规模场景下仿真耗时严重。作者的核心洞察是：对于任意域值 v，其扰动报告支持 v 的用户总数可分解为两个或三个二项随机变量之和。基于此，所提算法将仿真复杂度降至 O(n+d)，同时保持统计等价性。理论上，作者证明两种算法均能产生无偏的频率估计，且方差与原始 OLH 仿真完全一致。在真实数据集上的实验表明，两种算法能将执行时间从数分钟缩短至毫秒级，在保证效用不变的前提下实现显著加速。该工作适用于需要大量重复实验的 LDP 研究与应用评估场景，尤其对隐私保护机器学习、数据采集系统的性能调优具有参考价值。适合关注 LDP 协议效率、仿真工具优化以及隐私计算实验方法的研究人员和工程师阅读。