该论文关注分布式图分析中的隐私保护统计问题。三角形（triangle）与四边形（quadrangle）计数是图分析中的核心统计量，广泛用于社交网络分析、欺诈团伙识别、异常检测和网络结构刻画。然而现实中的图数据往往分散在多方手中，且边关系本身高度敏感（如通信关系、交易关系、亲属关系），直接汇聚数据在法律与商业上均不可行。安全多方计算（MPC）提供了原则性的替代方案，但作者指出其存在一个根本性张力：为了隐藏图拓扑，协议必须对所有潜在边执行数据无关（data-oblivious）的操作，而真实图往往极其稀疏，导致绝大多数计算被浪费在根本不存在的边上，性能瓶颈严重。为此论文提出 Trinqet 系统，核心是为隐私三角形与四边形检测设计了一组对 MPC 友好的新算法。Trinqet 通过一系列新技术在保证恶意威胁模型（malicious threat model）下强安全性的同时，安全地利用图的稀疏性，消除大量冗余操作。系统同时支持计数（counting）与枚举（enumeration）两种功能模式。实验评估显示，Trinqet 相比五个基线方案在运行时间上最高快 10^5 倍，说明其稀疏性利用策略在隐私保护图分析这类场景中带来了数量级的性能提升。该工作属于隐私增强技术（PET）与分布式图计算的交叉方向，适合关注联邦/多方数据分析、MPC 工程化落地以及跨机构图风控的读者。