本文是一篇关于分布式点函数（DPF）与函数秘密共享（FSS）的综述性论文。DPF是一种密码学原语，能够在两方或多方之间实现对秘密权重为1的向量（等价于点函数）的压缩加性共享。其核心优势在于构造轻量、通信高效，因此被广泛应用于各类安全计算场景，包括私有信息检索（PIR）、匿名消息传递、带预计算的安全计算，以及伪随机相关生成器（用于将小的相关种子扩展为大规模密码学相关性的伪随机实例）。文章系统性地梳理了DPF的定义、构造方法和典型应用，并进一步扩展到函数秘密共享（FSS），该扩展将点函数推广至支持更丰富的函数类。高效的FSS方案能够将DPF的大部分应用推广到更一般的场景。本文的主要贡献在于提供一个统一的视角，帮助读者理解DPF/FSS的底层构造逻辑、设计权衡及其在密码学协议中的关键角色。适合对安全计算、私有信息检索、匿名通信以及相关密码学原语感兴趣的研究人员和高级开发人员阅读。由于本文为综述性质，且仅基于摘要进行分析，未涉及具体实验数据，因此归类为纯研究性文献。

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。