本篇论文提出了 HawkEye，一个用于静态分析多方学习（MPL）模型中通信成本的框架。MPL 基于安全多方计算（MPC），能够在不泄露原始数据的前提下联合多个参与方训练机器学习模型，但带来了巨大的通信开销。近年来出现了多种 MPC-friendly 模型以降低通信开销，而优化这些模型的关键在于准确分析其通信成本。然而现有方法通常依赖手动建立分析模板，过程繁琐且易出错。HawkEye 的创新在于无需动态运行安全训练或推理过程即可获得精确的通信成本分析。其核心方法包括：1）基于前缀结构的静态分析方法，通过记录函数调用链来处理复杂模型结构的通信成本；2）结合自动微分库，使模型设计者能在 PyTorch 框架下直接分析。实验部分将 HawkEye 的静态分析结果与在五个主流 MPL 框架（CryptFlow2、CrypTen、Delphi、Cheetah、SecretFlow-SEMI2K）上动态运行安全训练/推理得到的实际通信成本进行对比，结果表明 HawkEye 能够准确预测通信成本。该工具对 MPC-friendly 模型的设计与优化具有重要参考价值，适用于隐私保护机器学习领域的系统设计师与安全研究员。