梯度提升决策树（GBDT）是一种在欺诈检测、在线营销和风险管理等真实场景中表现出色且可解释性强的机器学习算法。在实际应用中，两个数据拥有者可能希望在不泄露各自私有数据集的前提下联合训练GBDT模型，这通常通过安全多方计算（MPC）协议来实现。然而，现有的隐私保护GBDT训练框架通常面临较高的通信与计算开销，难以扩展到大规模数据。本文提出了NodeGuard，一个用于大规模GBDT训练和推理的高效两方计算（2PC）框架。NodeGuard的核心贡献在于：1）提出了一种新颖的键控桶聚合协议（keyed bucket aggregation protocol），该协议在全局范围内优化了训练过程中的通信和计算复杂度，从而显著提升效率；2）引入了一种概率近似除法协议，并针对除数公开的情况进行了重新缩放优化，进一步降低了计算成本。NodeGuard严格保证训练和推理过程中不泄露任何敏感的中间结果，确保了隐私安全性。实验部分，作者将NodeGuard与当前最先进的隐私保护GBDT框架进行了对比，结果表明NodeGuard具有极高的效率：在局域网（LAN）环境中，隐私保护GBDT训练性能提升了5.0至131倍；在广域网（WAN）环境中，性能提升了2.7至457倍。该研究为隐私保护机器学习在真实大规模场景中的落地提供了可行的高效解决方案，特别适合对数据隐私要求高且计算资源受限的联合建模任务。