私有信息检索（PIR）允许用户在不泄露查询内容的情况下从数据库中检索数据，但传统PIR方案计算开销大、内存需求高，难以大规模部署。本文提出VIPIR，一个通用的GPU框架，通过联合设计PIR协议与GPU加速来解决这些瓶颈。首先，作者构建了一个统一分析模型，将现有最先进的PIR协议归类为两种类型，每种类型各有互补的局限性。基于此，他们提出了两种新协议，灵活组合两类技术的优势，克服了各自缺点。新协议引入了一种GPU友好的数据压缩方法——基于扩展的环打包（ExpPack），该技术具有高并行度和极低的通信开销。VIPIR进一步优化了核心运算，包括数论变换（NTT）和各种矩阵乘法（GEMM）。特别地，他们通过将数据库乘法解释为混合整数类型的GEMM，开发了基于张量核心的执行方法。此外，VIPIR设计了内存高效的调度方案，最小化中间缓冲区，并支持在内存容量限制下的多GPU扩展。实验表明，VIPIR相比现有PIR系统实现了数量级的吞吐量提升，同时降低了通信和内存开销，使大规模PIR变得实用。该工作对密码学、高性能计算和隐私保护领域具有重要参考价值。

本文提出REDsec框架，旨在解决机器学习即服务(MLaaS)中的隐私泄露问题。传统MLaaS需要用户将敏感数据明文发送给服务商，存在隐私风险。全同态加密(FHE)允许在加密数据上直接计算，但计算开销巨大。REDsec利用三元神经网络（权重约束为{-1,0,1}）的特殊性质，在FHE域中高效实现推理。核心创新包括：1）一种新的数据重用方案，首次实现FHE中整数域与二进制域的双向桥接，从而高效支持二进制运算（如乘法、激活）和整数域加法；2）配套的GPU加速库(RED)cuFHE，支持多GPU上的二进制和整数运算。REDsec支持用户自定义模型（Bring-Your-Own-Network）、自动明文训练以及基于TFHE的私有推理高效评估。在MNIST、CIFAR-10和ImageNet数据集上的实验表明，相比现有工作，REDsec在推理性能上取得显著提升。本文主要贡献在于提出了一个实用、高效的基于FHE的私有MLaaS推理框架，降低了延迟至秒级，为隐私保护机器学习应用铺平了道路。