该论文来自 MIT 林肯实验室与 IEEE、Amazon 联合发起的「匿名网络感知图挑战赛（Anonymized Network Sensing Graph Challenge）」背景，聚焦一个规模化网络分析的核心工程问题：当网络成为现代社会关键基础设施、规模持续膨胀时，如何在严格保护隐私的前提下对其流量与拓扑数据进行分析。论文指出，随着被分析的网络层次不同，通信的源和目的可能是物理端点、逻辑端点或人格/代理（persona/agentic）端点，因此分析框架必须能处理高度异构的数据类型。作者主张，实现这类分析的关键在于一套数学工具，它要能简洁表达复杂的数学算法，同时在三个维度上具备可扩展性：垂直方向（单计算节点内）、水平方向（跨计算节点）以及时间方向（跨不同代际硬件保持性能可移植）。 论文选择「关联数组 / 令牌数组（associative / token array）数学」及其配套库作为满足上述要求的技术路线，并认为用 GPU 加速这些库才能分析最大规模的网络。文中以 MIT/IEEE/Amazon 的 Anonymized Network Sensing Graph Challenge 作为检验该类方法适用性的公开基准场景，并以已存在多种语言实现的 D4M 关联数组库为具体载体。 实验部分：作者对一个 Matlab 版 D4M 的 GPU 加速原型实现进行了系统性基准测试，覆盖范围广泛的 CPU 与 GPU 硬件组合，考察其在挑战赛任务上的表现。结果表明该实现具备良好的可扩展性：在单机多 CPU 核内、跨 CPU 节点以及跨 GPU 节点上均能线性扩展；跨多节点的水平扩展呈线性；在同时使用数百个 GPU 节点运行时，达到了足以（potentially）分析 10 Petabit/s 量级网络的持续处理速率。 贡献可归纳为三点：一是论证关联数组数学 + GPU 加速是应对超大规模、多类型网络数据分析的可行范式；二是给出跨 CPU/GPU、跨节点的可扩展性实证，强调水平扩展的线性特征；三是提供了一个可与公开挑战赛基准对齐的性能参照，说明 10 Pbps 量级的分析在工程上已接近可行。适合网络测量与流量分析研究者、高性能计算/GPU 加速数据系统工程师、以及关注大规模网络遥测与隐私保护分析的从业者阅读。需要注意，论文强调「potentially」可达该速率，属能力演示而非生产部署结论。

本论文研究的是在加密二进制嵌入（binary embeddings）场景下，如何高效完成汉明距离（Hamming distance）计算的问题。背景是：加法同态加密（此处采用 Paillier 体制）允许把计算外包给不可信的服务器，从而在隐私保护前提下进行向量相似度比较；但 Paillier 依赖大整数运算与频繁的数据搬运，导致吞吐量成为瓶颈，尤其在需要对海量二进制嵌入做批量比对时更为明显。 作者提出的方案是一个 Paillier 客户端实现，集成了多项工程与算法优化：(1) 进位分离的二进制编码（carry-separated binary encoding），用于在加密域中正确处理位运算产生的进位，作者给出了该编码的正确性证明；(2) 基于查表（table-based）的加密方式，用预计算表替代重复的模幂运算；(3) 缩减指数的解密（reduced-exponent decryption），降低解密侧的大整数运算量；(4) 基于 CUDA 与 CGBN 大整数库的 GPU 算术实现；(5) 持久化设备状态（persistent device state），避免在批量请求间反复做上下文初始化；(6) 与批量检索流程的集成。作者刻画并对比了四种 CPU 与 GPU 客户端配置，其中查表配置使用 280 比特的指数规模参数。 实验部分对 512 比特随机嵌入、每批 10,000 条、共 3 次预热状态（warm-state）的试验进行测量：查表 GPU 配置的中位批次吞吐达到 43,091 次加密/秒与 28,983 次汉明距离解码/秒；均摊到单向量为 0.0232 毫秒（加密）与 0.0345 毫秒（解码），相对实测 CPU 基线分别提升约 453.8 倍与 200.9 倍。 论文的核心贡献在于验证了一条工程路径：把密码学预计算、批量化的加速器执行与持久化运行时状态结合起来，可以显著提升同态加密检索的吞吐。作者同时明确区分了“预热批量吞吐”与“单次请求延迟”两种指标，并指出初始化、数据传输与检索集成仍是尚未消除的剩余开销——这一点对真实部署评估尤为关键，因为实际系统往往受限于冷启动延迟与网络搬运，而非峰值批量吞吐。

该论文提出了LibFHE，一个基于CUDA-Python的高性能GPU加速同态加密框架，专注于实现非RNS（非剩余数系统）版本的CKKS-BGV全同态加密方案。自第四代FHE框架CKKS提出已有十年，但尚未出现第五代方案；近年来大量研究通过GPU加速来提升同态计算效率。大多数现有实现采用RNS-CKKS变体，而本文则重新审视原始的非RNS CKKS-BGV框架，并开发了对应的GPU实现及优化。实验结果表明，优化的CUDA-Python实现可以达到与高度优化的CPU端C++同态加密库（如SEAL、HElib）相当的性能，同时显著降低了实现复杂度并提高了编程可及性。该工作主要贡献为：1) 提供了首个非RNS CKKS-BGV的GPU加速实现；2) 证明了CUDA-Python结合Numba编译在保持高性能的同时能简化开发；3) 为密码学从业者探索替代加速路径提供了参考。

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。