在数据驱动应用中，属性驱动社区搜索（Attribute-driven Community Search）受到越来越多的关注，其目标是在属性图上帮助用户发现满足特定结构紧密性和属性相关性的高质量子图。然而，现有方法大多未考虑搜索过程中的数据隐私问题。其关键难点在于：真实图规模庞大，且属性驱动社区搜索需要在加密图上计算结构内聚性和属性相关性等复杂指标，传统加密方案开销极大，难以实用。本文提出了PACS（Privacy-preserving Attribute-driven Community Searches on the cloud），据称是首个面向云环境的实用隐私保护属性社区搜索方案。PACS使服务器能够在接近毫秒的时间内响应用户的社区搜索请求，同时不会获知属性图本身以及搜索结果的敏感信息。为了实现这一目标，作者设计了两种安全结构：安全社区索引（secure community index）和安全边表（secure edge table）。安全社区索引允许云服务器高效识别同时满足结构内聚性要求且属性得分最高的目标社区；其中，作者采用内积加密（inner product encryption）来基于加密的属性向量评估社区的属性驱动得分。安全边表利用BGN同态加密构建，使云服务器能够安全地获取目标社区的边信息而不了解其具体细节。作者进行了详尽的安全性分析，证明PACS达到CQA2安全性。在真实社交网络数据集上的实验表明，PACS在处理属性驱动社区搜索时实现了接近毫秒级的效率。该论文的主要贡献包括：首次提出实用的隐私保护属性社区搜索框架，设计两种安全索引结构，结合内积加密与同态加密实现高效且安全的计算，并提供严格的安全证明和实验验证。适合对隐私保护图数据查询、安全云外包计算及同态加密应用感兴趣的研究人员和工程师阅读。