本文是一篇关于网络安全教育中引入技术增强型桌面演练（TTX）的创新实践论文。研究背景是：网络安全事件响应和IT治理要求团队具备复杂的协作解决问题能力，而传统课堂难以提供真实场景训练。尽管TTX在专业实践中已广泛使用，但在大学教学中尚未普及。作者提出了一个基于Web的INJECT Exercise Platform（IXP）平台，用于自动化交付TTX场景、促进团队讨论并收集交互数据，从而实现自动化评估。该方法增强了演练的真实性，减轻了教师负担，并为学生提供可操作的学习反馈。作者在2024至2026年间，在多门大学课程和课外活动中开展了25次演练，共743名参与者参与。实证观察显示，学生的参与度和协作能力显著提升，教师也能更清晰地了解团队在复杂场景中的决策过程。论文总结了24条实践经验和教训，为教育者和课程设计者提供了将数字TTX整合到网络安全课程中的具体指导。作者证明，数字TTX可为网络安全及其他需要团队问题解决能力的课程提供可扩展、可复制的教学模式。本文的主要贡献在于：提出了一个开源的自动化演练平台，并通过大规模实践验证了其可行性，填补了TTX在学术教育中应用研究的空白。适合网络安全教育者、课程设计者以及研究协作学习技术的学者阅读。

本文针对协作式神经网络训练中日益突出的数据隐私挑战展开研究。传统方法如联邦学习（FL）完全忽略模型隐私，而同态加密（HE）只能支持单一数据提供方，扩展性受限。现有的安全多方计算（MPC）框架虽能提供合理吞吐并同时保护数据与模型隐私，却严重依赖计算服务器之间的非串通假设（non-colluding assumption），放松该假设仍是开放问题。为此，论文提出Pencil，这是首个无需非串通假设、同时实现数据隐私、模型隐私以及支持多个数据提供方扩展的协作学习私有训练框架。其核心设计理念是基于高效的两方协议构建多方协作训练协议，并确保在模型训练过程中切换到不同数据提供方不会引入额外开销。作者引入了几种新颖的密码学协议来实现该设计，并进行了严格的安全与隐私分析。全面评估显示：(i) 明文训练模型与使用Pencil私有训练的模型测试准确率几乎相同；(ii) 训练开销大幅降低：吞吐量较现有技术提升10~260倍，通信量减少两个数量级；(iii) Pencil能抵御现有及自适应（白盒）攻击。该工作对隐私保护的机器学习领域具有重要推进意义。