本文研究大规模应用中的高效秘密共享方案。秘密共享是一种基础密码学原语，允许将消息分配给 n 个参与方，使得任意少于 t 个参与方的子集无法获知消息，而任意至少 t 个参与方的子集可以恢复消息。尽管该原语应用广泛，但现有方案在隐私阈值 t 较大时，消息重建算法的计算开销很高，成为实际部署的严重瓶颈。论文针对这一缺陷，提出新的秘密共享方法，旨在降低重建阶段的计算复杂度，使其适用于大规模、高阈值场景。由于仅提供摘要，具体技术细节（如基于的数学假设、具体算法设计、复杂度分析、实验对比）尚未披露，但核心贡献指向解决大规模应用中秘密共享重建效率低下的问题。适合对密码学、安全多方计算、分布式系统感兴趣的 researchers 和安全工程师阅读。

本文研究二元扩展域上的加法快速傅里叶变换（AFFT）技术，用于高效地在二元扩展域上对仿射子空间上的多项式进行求值。受 Bailey 四步 FFT 算法（1989）启发，作者提出了一种基于泰勒展开与子空间消失多项式的框架，该框架在结构上与 Bailey 的矩阵公式对应，可将 AFFT 分解为与矩阵列和行相关的独立子 AFFT。作者首先提出了适用于任意有序基和任意维度划分的通用基 AFFT，为衡量专门化带来的增益提供了统一基线。随后，针对 Cantor 特殊基进行了专门化，得到两个 AFFT 算法：第一个算法支持任意分解，并利用 Cantor 特殊基结构在泰勒展开阶段避免有限域乘法；第二个算法采用保持相关子空间多项式二项式形式的分解，精确需要 1/2 n log2 n 次乘法，并给出了由 m 的二进制表示决定的封闭形式加法计数。实现结果表明，在 42 个跨两台硬件平台的测试配置中，该算法在 37 个配置中比基于 Cantor 特殊基的 LCH AFFT 更快。性能优势源于其完全递归结构，天然提供内存局部性，并避免单独的基转换和求值阶段。此外，作者还分析了部分 Cantor 特殊基，并确定了 von zur Gathen-Gerhard 算法和通用基 AFFT 在加法和乘法运算上均优于第一个 Gao-Mateer 算法的参数范围。本文为有限域上多项式求值提供了统一的算法框架和更高效的实现，对密码学、编码理论等领域有潜在应用价值。

该论文针对物联网(IoT)设备间通信中证书撤销(CR)检查资源开销大、状态同步延迟高的问题，提出了一种名为TinyCR的片上证书撤销检查系统。在IoT场景中，设备间相互验证数字证书是安全协议的关键环节，但传统CR检查（如CRL或OCSP）需要大量存储和计算资源，且撤销状态的同步存在较长延迟。TinyCR旨在实现100%的检查准确性、低内存占用、高计算效率、低同步延迟和低网络带宽，同时兼容现有证书标准。其核心创新是设计了一种紧凑且动态的数据结构DASS（Dynamic and compact data structure），用于在设备上存储并查询全局撤销状态。实验结果表明，TinyCR仅需每台设备1.7 MB内存即可跟踪1亿个IoT证书（撤销率1%），在Raspberry Pi 3上检查单个证书的撤销状态耗时不到1微秒。此外，当有新证书添加或撤销时，TinyCR可以即时更新。该研究为资源受限的IoT设备提供了一种高效、可扩展的证书撤销验证方案，对推动IoT安全协议的落地具有重要意义。适合关注物联网安全、嵌入式系统安全、PKI基础设施的研究人员和工程师阅读。

本文对视觉 Transformer（ViT）在输入自适应推理机制下的对抗性效率下降攻击进行了系统综述。近年来，ViT 为满足能源与延迟约束，广泛采用 token 剪枝、提前停止等输入自适应技术，但这些优化同时引入了新的攻击面。攻击者可通过精心构造的输入扰动，迫使模型保留更多计算开销，从而导致推理效率显著下降，而无需牺牲分类精度。该综述统一比较了两种代表性攻击：SlowFormer（通用对抗补丁）与 DeSparsify（逐图像扰动），并分别在三种主流 token 剪枝框架（A-ViT、ATS、AdaViT）下进行实验评估。为了标准化评估，作者采用 GFLOPs、准确率损失以及攻击成功率（AS）指标衡量攻击所移除的模型计算节省比例。通过回答三个核心问题，即输入自适应优化如何构成攻击面、攻击在实际中如何运作且哪些优化最脆弱、以及现有防御能否在攻击下有效恢复效率，本文梳理了攻击与防御的当前研究格局。结果表明，效率下降攻击对依赖动态计算的部署场景构成实际威胁，尤其对移动和嵌入式等低功耗设备影响显著。文章同时指出，设计轻量级且有效的防御策略是重要且亟待解决的研究方向，为后续工作提供了理论框架和建议。

本文针对随机平滑（Randomized Smoothing, RS）认证方法计算开销过大的问题，提出了一种基于元学习的早停框架。传统RS需要为每个输入进行数万次模型评估，且必须预先固定样本量，导致实际部署困难。作者设计了一个轻量级元学习器，为每张图像预测特定的先验分布，并将其注入到序列E过程中，从而在保持严格统计保证的前提下，将样本复杂度降低20倍。此外，该框架支持“随时有效性”（anytime-validity），可根据应用风险阈值动态调整计算资源分配，这是传统认证框架无法实现的资源分诊机制。实验表明，该方法在认证性能上与标准RS相当，同时大幅提升了效率，为实时安全关键部署提供了可行路径。

本文研究了在共享全局上限的解码时（decode-time）场景下，多种KV缓存逐出策略（LRU, H2O, SnapKV, StreamingLLM, Ada-KV, QUEST, Random）的表现。作者发现，这些策略存在一个共同的漏洞：缺乏结构保护（structural protection）时，在六个纯Transformer模型上性能几乎崩溃（F1≤0.064）。通过在每次边界保留10%的缓存，在7个LongBench模型上，缓存上限C=256（仅保留13%的缓存）时恢复了69-90%的参考上限（C=2048）质量；在十个模型面板上恢复68-98%。注意力质量实验（Qwen2.5-3B, N=30）揭示了原因：位置0的sink token持有约75%的prefix质量，而其他边界token接近均匀期望的0.41倍，因此注意力评分器会保留sink token，但仍会丢弃结构上关键的token。有了保护，简化的评分隔离变体在K=32时与LRU等效（Δ=0.02），在K=8时注意力策略彼此收敛但在C=256和C=512时仍比LRU高0.011-0.021 F1。忠实实现的Ada-KV/QUEST在Mistral-7B和Phi-3.5上比简化变体额外提升约0.03-0.04 F1。在NIAH-32K长上下文场景（Qwen3-4B, C∈{512,2048}）下，保护提升效果几乎相同（比率0.99-1.00）。在64K长度时，保护有帮助但恢复有限；仅在模型本身无需逐出即可支持强64K检索时，忠实每头评分才能在6.3%保留率下匹配全缓存上限（Gemma-3-4B）。总体结论：结构保护占主导地位；一旦边界得到保护，评分差异是次要的；每头分配带来额外的适度提升。该研究揭示了当前缓存逐出策略的脆弱性，并强调了保护prompt边界的重要性，对LLM推理效率与质量平衡有重要指导意义。