该论文研究如何在混合同态加密（HE）与多方安全计算（MPC）框架下高效执行私有深度神经网络（DNN）推理。此类方案能对用户数据提供形式化隐私保证，但代价是 HE 带来的显著延迟开销。已有工作提出了定制化 HE 加速器，并针对单个 HE 算子实现了数量级加速；然而作者发现，把商用 HE 加速器直接接入当前最先进的 HE-MPC 框架时，端到端性能提升却非常有限。其根因在于：HE-MPC 框架通常要求为每一个 HE 操作在无线网络上传输输入与输出密文，从而形成严重的网络通信瓶颈，单点算子加速无法抵消整体传输开销。为突破这一瓶颈，论文提出 OptiPrime——一个面向高效私有 DNN 推理的协议-硬件协同优化框架。其核心贡献包括三点：第一，设计了一种新的面向卷积的 HE 协议，大幅减少需要传输的输出密文数量，从而缓解网络通信瓶颈；第二，由于新协议以更少的输出密文换取了更复杂的计算，随之出现新的内存访问挑战，主要来自大量权重明文与中间密文导致的访存压力；第三，针对该挑战提出轻量级的权重明文压缩系统，将内存流量降低约 10 倍，并设计专门的数据流以最大化中间密文的片上数据复用。实验结果表明，该框架在 CPU 上相对 Cheetah 基线最高取得 5.7 倍加速，在配合加速器时最高取得 4.2 倍加速。论文整体属于体系结构与密码协议交叉方向，适合关注隐私保护机器学习、HE 加速器、安全推理系统以及协议-硬件协同设计的研究者与工程师阅读。