本文研究了针对键值数据本地差分隐私（LDP）协议的投毒攻击问题。在LDP协议中，不可信的服务器通过收集用户扰动后的数据来执行隐私保护的联邦分析，而无需信任用户。已有的LDP协议覆盖分类、数值和键值等数据类型，但由于分布式设置，攻击者可以通过伪造用户并发送精心构造的虚假数据来操纵服务器的聚合结果，即投毒攻击。以往的研究主要针对简单数据类型的LDP协议，对键值数据LDP协议的安全性尚未深入探索。本文首次系统性地提出了针对键值数据LDP协议的投毒攻击。在此类协议中，服务器同时估计每个键的频率和均值，每个用户持有一组键值对。攻击者的目标是同时最大化攻击者选定目标键的频率和均值。由于涉及两个优化目标，作者将攻击建模为双目标优化问题，并提出一种近似求解方法，从而确定伪造用户应向服务器发送的最优虚假数据。作者从理论和实验两方面验证了攻击对三种代表性的键值数据LDP协议的有效性，并探讨了两种防御方法。实验表明，这些防御在某些场景下有效，但在其他场景下效果有限。研究结果强调了针对此类投毒攻击的新型防御机制的迫切需求。本文适合关注隐私计算、联邦学习安全性以及对抗性机器学习的研究人员和蓝队安全工程师阅读。

键值（key-value）数据是一种自然存在的数据类型，例如用户对Web服务、商品或特征的评分，但在本地信任模型下尚未得到深入研究。现有的本地差分隐私（LDP）方案在计算键值统计数据时，由于每个用户独立添加噪声，导致最终统计结果的精度受到严重限制。多此计算（MPC）虽然能够保持比LDP更高的准确度，并且同样不需要可信的中央参与方，但如果直接将MPC应用于键值数据，其计算开销通常令人望而却步。为了解决这一矛盾，本文提出了一种新颖的分布式计算范式——选择性多方计算（Selective MPC）。核心思路是：为每个参与方提供一个随机数据子集的视图，凭借差分隐私的泄漏特性，巧妙地捕获“减法噪声”（subtractive noise），从而在保持隐私的同时显著提升统计精度和计算效率。作者严格证明了该协议满足纯差分隐私，并在差分隐私与MPC的组合模型下具备可证明的安全性。在实验评估中，该协议能够在20秒内计算包含10000个键的统计数据，并可扩展到30个服务器，对于单个键的查询响应时间不足1秒。这项工作突破了传统LDP与MPC在键值统计场景中的性能瓶颈，为分布式环境下高精度隐私统计提供了可行的技术路线，尤其适用于数据分散在多个机构且彼此不信任、却又需要联合统计分析的场景。