本文研究触发-动作平台（Trigger-Action Platforms, TAPs）中的数据隐私问题。TAPs（如IFTTT、Zapier）允许用户将独立的Web服务或物联网设备连接起来，通过简单的“触发-计算-动作”规则实现自动化，例如“当温度传感器超过阈值时发送邮件通知”。这类平台在带来便利的同时，也引入了大规模安全风险：一旦TAP服务器被攻破，攻击者将获取数百万用户的敏感数据（如智能门锁状态、位置信息、健康数据等）。针对这一风险，作者提出了eTAP，一个隐私增强的触发-动作平台。eTAP的核心思路是：在不以明文访问用户私有数据、也不学习计算结果的任何信息的前提下，执行触发-计算-动作规则。技术实现上，eTAP以混淆电路（garbled circuits）为原语，并利用了触发-计算-动作规则的特殊结构来提升实用性。作者正式阐述了协议的安全保证并给出了证明。他们实现了eTAP原型，支持主流商业TAP（IFTTT和Zapier）上最常用的操作类型，包括对私有触发数据的布尔运算、算术运算和字符串运算。实验表明，eTAP能够运行IFTTT前500条规则中的100%，以及Zapier所有公开规则中的93.4%。基于十个覆盖多种操作的现有规则进行性能评估，eTAP的性能开销在可接受范围内：平均规则执行延迟增加约70毫秒（增加55%），吞吐量降低约59%。本文的主要贡献在于首次提出了一种实用的、基于混淆电路的隐私保护TAP方案，在保持与现有规则高度兼容的同时，提供了可证明的安全隐私保障。适合关注IoT安全、隐私计算、安全协议设计的蓝队研究人员、SOC分析人员及安全架构师阅读。

该论文提出首个可扩展的多方乱码协议，解决了现有常数轮安全多方计算（MPC）协议在处理大量参与方时的可扩展性问题。传统多方乱码方案在参与方数量增多时，通信复杂度会显著增加，无法实际应用于大规模场景。本文提出的协议首次实现了每方通信复杂度随参与方数量增加而降低，达到了与非常数轮MPC协议相同的渐进通信复杂度。协议在诚实多数设置下实现恶意安全性，其安全性基于带噪声学习（LPN）假设。核心创新在于设计了新的乱码电路构造和通信模式，使得参与方之间的交互开销随规模增长而减少。实验分析表明，该协议在参与方数量较大时具有显著的性能优势，为大规模安全多方计算的实用化提供了理论基础。适合密码学和分布式安全计算领域的研究人员阅读。