随着互联网流量广泛加密以保护通信隐私，攻击者也常常滥用加密技术来隐藏恶意行为。由于加密后的恶意流量与正常流量的特征极其相似，传统的检测方法（如基于签名或监督学习）难以有效识别，尤其是面对未知攻击时，因为它们依赖于已知攻击的标签数据集。本文提出 HyperVision，一种基于实时无监督机器学习的加密恶意流量检测系统。核心创新在于构建一个紧凑的内存图（Flow Interaction Graph），该图通过捕获流之间的交互模式（而非特定攻击特征）来表示网络流量的结构特征。HyperVision 采用无监督图学习方法，通过分析图的连通性、稀疏性和统计特征来检测异常交互模式，从而无需任何已知攻击的标记数据即可识别各类加密攻击流量。此外，作者建立了信息论模型，证明该图所保留的信息接近理想的理论上限。实验使用了包含 48 种攻击的 92 个数据集，结果表明 HyperVision 的 AUC 不低于 0.92，F1 分数不低于 0.86，显著优于现有方法；值得注意的是，超过 50% 的攻击可以逃避所有对比方法。系统还实现了 80.6 Gb/s 的检测吞吐量和平均 0.83 秒的检测延迟，满足实时性要求。

本文提出了一种相关感知的安全排序与排列方法，旨在提升迭代式两方图分析中安全多方计算的效率。在联合图分析场景中，双方需要在不泄露原始数据的情况下处理包含丰富拓扑和属性信息的图数据。现有方法存在冗余的安全排序或高开销的安全洗牌操作，导致效率低下。部分工作通过放松安全假设（如引入差分隐私或辅助方）来改进，但可能牺牲隐私保护强度。本文提出的方法利用图分析中数据相关性特征，优化了安全排序和排列协议，减少了不必要的计算和通信开销。实验表明，该方法在保持同等安全级别的前提下，显著提升了迭代图分析任务（如PageRank、连通分量等）的执行效率。该研究适合安全计算和图分析领域的研究人员阅读。