函数秘密共享（FSS）是安全推理、私有信息检索（PIR）等隐私保护系统中的核心构建模块，但其在密钥生成、通信和数据移动方面开销显著。本文提出分布式函数加速器（DFA），一种针对FSS中主导原语——分布式点函数（DPF）生成与评估的硬件加速方案。DFA结合了基于AES的高吞吐固定功能伪随机数生成引擎，以及用于协议特定逻辑的轻量可编程单元。在非可信模式下，DFA作为DPF评估的纯加速器，在不改变协议的前提下提升吞吐量和能量效率；在可信模式下，DFA支持本地即时密钥生成，消除了密钥分发，并降低了存储和数据移动开销。针对代表性工作负载，DFA实现了安全推理端到端延迟降低10倍、通信量降低最多20倍、能耗降低超过5倍；对于PIR，吞吐量提升5倍、能耗降低10倍，而硬件成本适中。本文的核心贡献在于设计了一种兼顾固定功能引擎和可编程单元的混合架构，以低开销突破FSS系统性能瓶颈，适用于对隐私计算性能敏感的场景。适合硬件安全、隐私计算、系统架构以及安全推理和PIR应用的研究人员阅读。

本文是一篇关于分布式点函数（Distributed Point Function, DPF）及其推广形式——函数秘密共享（Function Secret Sharing, FSS）的综述性论文。DPF 是一种密码学原语，它允许两方或多方对一个秘密的权重为 1 的向量（等价于一个点函数）进行压缩形式的加性秘密共享。其核心价值在于：相比于直接共享整个向量，DPF 的共享体积非常小，同时仍能支持高效的求值操作。这种轻量级结构使得 DPF 在多个领域得到广泛应用，包括：私有信息检索（PIR）、匿名消息传递（如匿名投票或电子投票）、具有预处理阶段的安全计算协议，以及伪随机相关生成器——即利用小规模的随机种子扩展出大量伪随机的密码学相关实例，用于加速安全多方计算等任务。论文进一步讨论了从 DPF 到 FSS 的自然扩展，FSS 不再局限于点函数，而是支持更丰富的函数类别（如比较函数、区间函数等），同时保持类似的效率优势。高效的 FSS 构造能够将 DPF 的许多应用推广到更通用的场景，从而提升这些隐私保护协议的表达能力和实用性。文中系统梳理了 DPF 和 FSS 的定义、已知构造方法以及典型应用，并展望了开放问题。对于密码学研究者、隐私计算工程师以及关注数据安全与隐私保护的从业者而言，本文是一份重要的参考资料，也为后续在安全协议设计中选用合适的秘密共享工具提供了理论指导。

该论文提出SHARK系统，旨在解决主动安全（active security）下的两方机器学习推理问题。传统方法（如Escudero et al., Crypto 2020）在预处理模型下需要大量关联随机性、多次通信轮次和高计算开销，导致性能不佳。SHARK基于函数秘密共享（FSS）技术，通过创新性地允许在协议中混合布尔值和算术值（此前工作未实现），并引入“交互式FSS”概念（FSS的推广），显著降低了所需关联随机性、通信轮次、通信量和计算开销。实验表明，SHARK在主动安全推理任务上比现有最优方案快达2300倍。该研究为隐私计算中的安全推理提供了更高效的解决方案，特别适用于需要在预处理模型下实现主动安全的应用场景。