该论文关注基于混合同态加密(HE)与多方安全计算(MPC)的私有深度神经网络推理。此类方案能为用户数据提供形式化隐私保证，但HE运算带来的延迟开销极大。已有的定制HE加速器虽能对单个HE算子实现数量级加速，作者却发现将其直接用于当前主流HE-MPC框架时端到端收益十分有限：这些框架在每次HE操作后都需要通过无线网络传输输入与输出密文，形成严重的网络通信瓶颈。为此，作者提出OptiPrime，一个协议与硬件协同优化的私有DNN推理框架。其核心是设计了一种面向卷积的新型HE协议，大幅减少需传输的输出密文数量，从而缓解带宽瓶颈；但新协议以更少的输出密文换取更复杂的计算，导致大量权重明文与中间密文带来新的访存挑战。针对这点，作者进一步提出轻量级权重明文压缩系统(将内存流量降低约10倍)，以及专用数据流以最大化中间密文的片上复用。实验显示，该框架在CPU上相对Cheetah基线最高提速5.7倍，配合加速器时提速4.2倍。论文完整给出了协议层与硬件层协同设计的方法论，适合隐私计算、同态加密加速器与安全推理系统方向的研究者与工程师阅读。

本文探讨了密码学原语硬件实现的部署现状与挑战，指出尽管硬件加速在理论上能显著提升密码运算性能，但实际高影响力部署案例较少。作者分析了硬件加速复杂密码原语（如全同态加密、多方安全计算等）和协议的优势——包括计算效率提升、能耗降低、安全隔离增强等，同时也指出了主要障碍：硬件开发成本高、迭代周期长、与软件生态的兼容性差、以及针对硬件侧信道攻击的防护难度大。文章以作者团队近期工作为例，展示了针对特定密码协议（如隐私保护机器学习推理）的定制硬件加速器设计，并论证了密码学与硬件协同设计（co-design）的巨大潜力：即从设计初期就考虑硬件特性来定制密码协议，同时硬件架构也针对密码算法的需求优化，从而突破传统“先软件后硬件”模式的性能瓶颈。本文适合密码学研究者和硬件安全架构师阅读，可作为密码硬件加速领域的综述与方向指引。

该论文采用共同设计方法，为约旦智能家居环境中的旁观者隐私保护开发一款移动应用。研究背景是智能家居设备（如智能音箱、摄像头）在家庭中的普及，导致非用户（即旁观者，如家庭成员或访客）的隐私可能被无意侵犯。传统隐私保护方案多聚焦于设备用户本身，忽视了旁观者的权益。为此，研究团队与约旦当地参与者合作，通过一系列共同设计研讨会，识别了旁观者的隐私关切、使用场景以及功能需求。最终设计出一款移动应用原型，允许旁观者通过手机界面控制智能家居设备的隐私相关设置（如临时禁用麦克风/摄像头、查看设备状态）。该应用通过用户中心的设计流程，考虑了文化和社会规范，如性别角色和家庭权力动态。实验评估表明，该应用在提升旁观者隐私意识和控制感方面具有积极效果。主要贡献包括：1）提出并验证了面向旁观者的隐私保护框架；2）提供了在阿拉伯文化背景下实施隐私技术的见解；3）为智能家居隐私设计提供了可迁移的参与式方法。