该论文研究的是如何在「量子设备不可信」的前提下，仅让诚实参与方使用经典计算，就实现具有设备无关性（device-independent, DI）的茫然传输（oblivious transfer, OT）与比特承诺。作者给出的构造只假设存在后量子单向函数，属于 MiniQCrypt 框架：诚实方不拥有可信量子计算机，只是经典地操作可能由对手提供的量子设备，而这些设备之间可以共享任意纠缠，并且其行为不必是独立同分布（non-IID），也不受限于逐坐标测量。安全定义采用基于模拟（simulation-based）的框架，针对量子多项式时间敌手，并可在顺序组合下保持安全且模拟器高效。论文的核心技术特点是「一套协议骨架同时服务 OT 与比特承诺」，并且支持两种工作体制：第一种假设两个实验室相互隔离、诚实接收方设备仅做坐标局域测量，可容忍常数比例的诚实设备故障率；第二种允许实验室之间存在多对数级别（polylog）的适应性泄漏，并允许任意联合测量，此时可容忍倒数多对数级别（inverse-polylog）的故障率。为保证安全性，每一次基本的 DI 调用都使用一批全新的、相互隔离的多对数规模设备坐标，最终编译出的 OT 协议中设备总使用量为多项式级别。承诺方案对双方都有高效模拟器，并可导出带中止的 DI 抛硬币协议。由于 OT 对于安全计算是完备的，该构造进一步给出：对固定参与方数量下任意高效可计算的经典功能，都存在带中止的 DI 协议，且能抵抗任意真子集的静态腐化。在证明技巧上，承诺的提取器通过经典模糊化（equivocation）改变一个公开奇偶关系，而不改动设备执行过程，因而泄漏量不变；作者借助「承诺—证明」功能、不相交审计与仿射一致性检验，把被认证的关联性连接到理想 OT。发送方安全性则依赖作者为魔方游戏（Magic Square game）推导的选择器感知并行重复界，该界源自 Kundu 与 Tan 的两轮阈值定理。整体而言，这是一项量子密码学理论工作，把 DI 安全从强隔离假设推广到可容忍泄漏的实用化方向。

本文研究“可信拍卖”(credible auction) 的设计问题：一个以最大化自身收益为目标的拍卖方，如何被机制本身约束而不偏离协议。当拍卖方可以控制影子出价者(shill bidders) 时，可信性面临根本性的密码学障碍。直观的解决思路是用安全多方计算 (MPC) 消除可信第三方拍卖方，但 Cleve (1986) 关于公平抛硬币的不可行性结论意味着：单体式 (monolithic) MPC 协议实际上给了拍卖方一个“免费期权”——它可以先学到拍卖结果，若收益不满意就单方面中止协议。采用带事前惩罚的密码学承诺可以缓解这种中止不对称性，但对重尾分布而言，任何有限惩罚都不足以形成约束。为绕开这一障碍，作者提出 MPC 分解原则 (MPC Decomposition Principle)：不把整个机制加密，而是把 MPC 严格当作“信息限制工具”使用。具体做法是把赢家判定问题隔离到一个极小的 MPC 组件 (gadget) 中，该组件只计算并公开赢家身份，而不泄露任何支付信息。这种定性限制使得一旦发生中止，被泄露的信息在数学上可被界定上界。将这一组件与顺序揭示机制和有限经济惩罚结合，作者设计了顺序揭示拍卖 (Sequential Revelation Auction, SRA)。论文证明：限制信息泄露即可严格限制“免费期权”的价值，惩罚额度 k ≥ Σ_{i=1}^{n} Rev(F_i) 足以保证可信性，且该界是紧的——对于等收入 (equal-revenue) 分布，任何更小的惩罚都存在可获利的偏离策略。借助常数轮 MPC，SRA 回答了 Akbarpour 与 Li (2020) 以及 Ferreira 与 Weinberg (2020) 提出的开放问题：对具有衰减收入尾部的乘积分布，给出了一个常数轮、激励相容、收入最优的可信拍卖机制。

本文由 Prerna Arote、Adrian Saiz、Oriol Saguillo、Lucianna Kiffer 撰写，聚焦去中心化暗池（dark pool）的安全属性。暗池的核心承诺有三项：交易前隐私（执行前隐藏订单流）、活性（系统能持续正常撮合）、以及交易后机密性（限制成交信息外泄）。以 Renegade 为代表的去中心化暗池试图在无托管风险的前提下复现这些属性，其技术基础是安全多方计算（MPC）用于隐私撮合，以及零知识证明用于可验证结算。作者指出，密码学层面的正确性保证并不等价于暗池业务属性的实现，并从多个层面给出反例。第一，协议采用的 MPC-with-abort 只能保证正确性，而不能保证公平性：参与方可以在获知撮合结果后无成本地中止，这直接破坏了交易前隐私（类似免费期权）。第二，协议的发现层（discovery layer）在 MPC 尚未开始前就泄露了交易意图。第三，攻击者可以通过持续的选择性中止探测，概率性地重建对手方的历史订单，从而威胁交易后机密性。第四，MPC 执行前缺乏输入一致性检查，使攻击者能用无效状态承诺发起 griefing，无需持有真实代币即可持续锁死诚实用户的钱包并浪费算力，在持续攻击下破坏活性。第五，作者对 Base 链上超过 70 万笔 Renegade 交易进行测量分析，并探测其 P2P 层，发现网络实际高度中心化：88% 流量经由少数中继节点，仅有四个节点支撑整个 P2P 层；而中继方以明文持有用户钱包状态，这意味着系统在实践中退化为中心化订单簿，在链下重新制造了暗池本应消除的信息不对称。整体结论是：密码学隐私不等于暗池安全，交易前隐私、活性与交易后机密性都需要在 MPC 正确性之外补充协议层保证。该工作适合区块链隐私、DeFi 协议设计与密码协议工程方向的研究者与审计人员阅读。

该论文开创性地提出并研究“时空多方安全计算”(spatiotemporal MPC), 把传统 MPC 的输入从纯数字数据扩展为同时依赖物理事实(如参与方所处位置、时间、运动轨迹)的功能。这类协议面临双重目标: 一方面必须隐藏时空信息(隐私性), 另一方面必须保证时空输入的物理一致性——恶意参与方不能迫使功能运行在与自身真实物理状态不符的时空输入上。核心概念难点在于: 如何在基于模拟(simulation-based)的安全框架内对时空信息进行“提取”。为此作者提出“时空知识论证”(arguments of spatiotemporal knowledge), 遵循“我证明故我在”的原则: 不直接用数学关系定义物理在场, 而是操作性地把物理在场定义为“能够完成一个健全(sound)的时空验证协议”的能力。据此, 提取器可从成功的证明者处恢复出一个时空点, 并通过驱动被提取出的证明者在辅助时空验证协议中成功, 来认证该时空点具有物理有效性。在此概念之上, 论文定义了时空 MPC 的通用可组合(UC)安全性, 同时刻画隐私性、物理一致性与可组合性, 并给出满足该新 MPC 概念的构造。作者首先构造 UC 安全的“时空知识提交-证明”协议: 在 CRS 模型下基于 LWE 假设, 可抵抗无预共享纠缠的量子证明者; 在 QROM(量子随机预言机模型)下, 可抵抗拥有无界预共享纠缠的量子证明者。随后利用这些构造, 从半诚实后量子 MPC 出发得到 UC 安全的时空 MPC。论文还把框架扩展到支持经典时空输入下的量子功能。适合密码学理论、量子安全协议与分布式系统方向的研究者阅读。

该论文研究 Massey 秘密共享方案在多秘密场景下经由线性精确修复方案 (LERS) 引发的泄露问题。背景是：在编码理论中，线性精确修复方案允许从少量其他符号信息中恢复某个码字符号，前提是码率足够低；此前有工作将其解释为：攻击者可从分片的子域符号等部分信息中恢复秘密，并提出了基于子域子码的随机化构造，用于为基于一般线性码的 Massey 秘密共享构造 LERS 派生泄露攻击，但该构造仅适用于 k ≤ n/m − 1 的码参数。本文将其推广到 N 个共享秘密、其中 K 个线性无关输入、其余 N−K 个由这些输入的线性计算确定的场景，并允许对计算结果也发生泄露。作者先分析加法关系，再推广到任意线性计算，给出一般线性码 (长度 n+1、维度 k，定义在 F_{q^m} 上) 在 k ≤ Nn/(Km) 条件下存在 LERS 派生泄露的判定，条件比原构造更宽。结论是：利用秘密之间的线性关系可以扩大易受此类泄露攻击的码参数范围；仿真还显示某些线性关系会产生相同的泄露函数，使攻击模型更贴近现实但仍具潜在威力。研究属于密码学与编码理论交叉的理论工作，适合秘密共享、MPC、分布式存储与编码理论方向的研究者阅读。

该论文研究如何在混合同态加密（HE）与多方安全计算（MPC）框架下高效执行私有深度神经网络（DNN）推理。此类方案能对用户数据提供形式化隐私保证，但代价是 HE 带来的显著延迟开销。已有工作提出了定制化 HE 加速器，并针对单个 HE 算子实现了数量级加速；然而作者发现，把商用 HE 加速器直接接入当前最先进的 HE-MPC 框架时，端到端性能提升却非常有限。其根因在于：HE-MPC 框架通常要求为每一个 HE 操作在无线网络上传输输入与输出密文，从而形成严重的网络通信瓶颈，单点算子加速无法抵消整体传输开销。为突破这一瓶颈，论文提出 OptiPrime——一个面向高效私有 DNN 推理的协议-硬件协同优化框架。其核心贡献包括三点：第一，设计了一种新的面向卷积的 HE 协议，大幅减少需要传输的输出密文数量，从而缓解网络通信瓶颈；第二，由于新协议以更少的输出密文换取了更复杂的计算，随之出现新的内存访问挑战，主要来自大量权重明文与中间密文导致的访存压力；第三，针对该挑战提出轻量级的权重明文压缩系统，将内存流量降低约 10 倍，并设计专门的数据流以最大化中间密文的片上数据复用。实验结果表明，该框架在 CPU 上相对 Cheetah 基线最高取得 5.7 倍加速，在配合加速器时最高取得 4.2 倍加速。论文整体属于体系结构与密码协议交叉方向，适合关注隐私保护机器学习、HE 加速器、安全推理系统以及协议-硬件协同设计的研究者与工程师阅读。

该论文关注分布式图分析中的隐私保护统计问题。三角形（triangle）与四边形（quadrangle）计数是图分析中的核心统计量，广泛用于社交网络分析、欺诈团伙识别、异常检测和网络结构刻画。然而现实中的图数据往往分散在多方手中，且边关系本身高度敏感（如通信关系、交易关系、亲属关系），直接汇聚数据在法律与商业上均不可行。安全多方计算（MPC）提供了原则性的替代方案，但作者指出其存在一个根本性张力：为了隐藏图拓扑，协议必须对所有潜在边执行数据无关（data-oblivious）的操作，而真实图往往极其稀疏，导致绝大多数计算被浪费在根本不存在的边上，性能瓶颈严重。为此论文提出 Trinqet 系统，核心是为隐私三角形与四边形检测设计了一组对 MPC 友好的新算法。Trinqet 通过一系列新技术在保证恶意威胁模型（malicious threat model）下强安全性的同时，安全地利用图的稀疏性，消除大量冗余操作。系统同时支持计数（counting）与枚举（enumeration）两种功能模式。实验评估显示，Trinqet 相比五个基线方案在运行时间上最高快 10^5 倍，说明其稀疏性利用策略在隐私保护图分析这类场景中带来了数量级的性能提升。该工作属于隐私增强技术（PET）与分布式图计算的交叉方向，适合关注联邦/多方数据分析、MPC 工程化落地以及跨机构图风控的读者。

该论文针对数字身份验证（eKYC）场景中隐私保护与效率难以兼顾的问题展开研究。作者指出，现有基于零知识证明（ZKP）的 eKYC 框架存在计算开销高、电路设计僵化、集成复杂以及链上验证成本昂贵等缺陷；同时，W3C 2021 提出的基于 BitString 的凭证状态机制在大规模部署下也存在更新效率低、可扩展性差的问题。为此，论文提出一种基于安全多方计算（MPC）的透明且低成本身份验证框架。其核心设计包括：支持私密的链下代码执行，并生成与区块链锚定的运行时证明，从而在不暴露敏感凭证数据的前提下实现可验证性；引入多维比特矩阵（multidimensional bit-matrix）模型并配合高效压缩算法，使用 ZSTD 将凭证数据压缩至 76 字节，相比 GZIP 的 140 字节显著降低存储与带宽成本；支持细粒度的凭证状态更新，并采用 Layer-2 区块链锚定实现防篡改且低成本的验证；采用可复用的可验证凭证呈现（VP）与唯一访问令牌，使验证过程无需链上费用并强化访问控制；通过选择性披露机制保障用户对个人信息的控制权与隐私。此外，系统集成 SHA3 哈希与 Falcon 后量子签名，以抵御量子计算攻击，兼顾透明性与可扩展性。论文通过实验与安全性分析验证了该框架的鲁棒性与适用性，并声称其可作为面向国家级规模身份验证的前瞻性解决方案。整体而言，该工作属于隐私增强身份验证与后量子安全交叉方向的架构型研究。

该论文提出 Mosformer，据称是首个支持大型 Transformer（如 BERT 和 GPT）的恶意安全三方计算（3PC）推理框架。基于 Transformer 的模型在众多 AI 任务中表现优异，但当以云推理服务形式部署时，用户输入和模型参数均面临隐私泄露风险。现有基于安全多方计算（MPC）的 Transformer 推理协议大多假设半诚实攻击者，而扩展到恶意安全模型面临极大开销，尤其是对复杂非线性函数的求值。Mosformer 的核心贡献在于：首先利用可验证分布式点函数（VDPFs）设计了恶意安全下的常数轮比较协议和查表协议；随后基于这些原语构建了一套高效且安全的 3PC 协议，用于求值 Transformer 中的复杂非线性函数（如 GELU、Softmax、LayerNorm 等）。结合优化的模数转换方法，Mosformer 在保持模型精度的同时显著降低了安全推理的开销。实验在 vanilla Transformer 模块上显示，与先前的恶意安全协议相比，Mosformer 实现了最高 5.3 倍的加速和 4.3 倍的通信量减少。在完整规模的 BERT 和 GPT-2 模型上，尽管提供了更强的安全保证，Mosformer 的在线性能仍可与当前最优的半诚实 2PC/3PC 框架（如 BOLT、BumbleBee、SHAFT、Ditto）相当甚至更优。该研究适合关注隐私保护机器学习、安全推理和密码学协议设计的蓝队研究人员阅读，其方法有望为隐私计算在实际部署中的安全性提升提供新思路。

本文提出 Spruce，一种可扩展的私有外包检索方案，针对检索增强生成（RAG）中大规模文档集合的密集检索场景。随着组织将向量索引外包给不可信云，专有语料库与用户查询面临泄露风险。密码学保护面临挑战：每次查询需搜索语料库规模的状态，导致计算、关联随机性和通信量随语料规模线性增长。在百万文档规模下，朴素安全实现每次查询需数分钟并产生约 90GB 通信，最先进的优化系统仍需 10-22 秒。Spruce 的核心思路是协同设计文档表示与密码学协议：学习紧凑的二元编码，保留用于全精度重排序的候选集，从而将语料库级别的嵌入评分替换为基于汉明距离的高效计算，并运行在两方多方计算（MPC）协议下。该方法采用语料库校准的固定半径协议，避免多轮候选选择同时保持检索质量。Spruce 还提供私有聚类剪枝，以轻微质量损失换取显著计算量减少；并引入单核所有者运行的 dealer 节点，消除云 OT 预处理瓶颈。在包含 383K 至 5.42M 文档的四个语料库上，Spruce 保持了原始搜索质量，中位候选集大小仅 382 至 1,952。在 10 Gbps 服务器间带宽下，全量扫描耗时 0.21-2.97 秒，比最接近的现有工作快 4.8-6.7 倍；私有剪枝耗时 0.06-1.09 秒，加速 13.1-22.9 倍，并保留全浮点 NDCG 的 93.9%-97.3%。在最大语料库上，剪枝与 dealer 结合使 1 Gbps 链路下的持续吞吐量提升 31.5 倍。本文适合对隐私保护检索、RAG 安全、MPC 与表示学习交叉领域感兴趣的研究人员与安全工程师阅读。

本文提出一种名为 Comet 的高效隐私推理系统，旨在加速基于云平台的大语言模型（LLM）推理服务，同时缓解用户对敏感信息泄露的担忧。当前主流方案采用安全多方计算（MPC）保护推理过程中的数据隐私，但 MPC 需要频繁的服务器间通信，导致显著性能开销。作者观察到 LLM 中普遍存在激活稀疏性——即经过非线性激活函数后，大多数神经元未被激活，其输出为零。基于此观察，Comet 设计了一种准确且快速的预测器，用于预测激活函数输出的稀疏分布；同时引入新的隐私推理协议，利用预测得到的稀疏分布空间局部性，高效且安全地跳过涉及零值的计算。由于这种计算回避策略会破坏 KV 缓存条目的时空连续性，作者提出一种低通信开销的缓存重填策略，合并未命中请求并引入预取机制予以解决。实验基于四种常见 LLM，并与六种最先进的隐私推理系统比较，Comet 实现了 1.87 倍至 2.63 倍的加速以及 1.94 倍至 2.64 倍的通信量减少。本文面向隐私计算、LLM 推理优化以及系统安全领域的研究者与工程师，重点展示了如何利用模型结构特性增强 MPC 方案的实用性。

本文提出 POSEIDON，一个隐私保护的联邦神经网络学习框架。研究背景是传统联邦学习通常依赖一个可信聚合方来协调各方梯度更新，但该可信方成为单点故障，一旦遭受数据泄露、黑客攻击或内部泄漏，可能同时危及训练数据隐私和模型隐私。为消除这一信任假设，密码学社区提出用一组计算服务器替代可信方，并采用安全多方计算（MPC）技术来实现神经网络的隐私保护训练。POSEIDON 延续这一思路，重点探讨如何在不同服务器数量（如两方、三方）下高效且安全地完成联合建模。由于仅提供摘要，具体算法细节、实验设置和性能数据未完全展开，但核心贡献应在于设计一种可在多方参与下不暴露原始梯度或模型参数的联邦训练协议，兼顾安全性、通信复杂度和计算开销。适合关注机器学习隐私、联邦学习、安全多方计算以及隐私增强技术的研究者和安全工程师阅读。

安全多方计算（MPC）允许多方在不暴露各自输入的情况下协同计算函数。传统上，MPC 编译通常将高级语言程序转化为布尔电路或算术电路，然后执行电路求值。然而，这种电路表示方法并不适应具有复杂控制流（如 if-else 分支、循环、动态跳转等）的程序，因为将这类控制流编译为电路往往会导致指数级增长的电路规模或需要展开所有可能的执行路径，造成极高的编译和运行成本。为缓解该问题，此前的研究提出了在 MPC 内部模拟完整 CPU 的方法，从而允许直接运行未做电路化转换的指令集程序。这种方式虽然能表达任意控制流，但是其代价同样高昂：每一轮求值都需要模拟 CPU 的完整指令周期，包括指令获取（fetch）、解码（decode）、执行（execute）、内存访问（RAM access）等操作，这些步骤本身都会产生额外的 MPC 计算与通信开销，导致整体性能大幅下降。针对这一困境，本文（根据标题）提出了一种基于可变指令集架构（VISA）的通用 MPC 编译器设计思路。VISA 的核心思想或许是通过设计一种可动态调整的指令集，使得编译器能够针对不同的程序特征选择或生成合适的指令表示，从而在电路编译和 CPU 模拟之间取得一种更灵活的折衷，以期减少不必要的 CPU 模拟开销，同时保留对复杂控制流的友好支持。本文的目标可能是提出一个通用的编译框架，使 MPC 能够更高效地处理真实世界中包含大量控制流的程序。鉴于目前仅公开了摘要，具体的架构设计、指令集定义、编译算法、安全证明以及实验评估结果尚未披露。

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。

本文研究安全多方计算（MPC）中基于 Shamir 秘密共享的洗牌（shuffle）协议。现有构造要么产生非均匀洗牌，要么通信和轮复杂度较高，甚至在某些情况下随参与方数量呈指数增长。作者提出两种新的洗牌协议，首次实现均匀洗牌，同时将通信复杂度降至 O((k+l)n^2m log m / log k)，其中 m×l 矩阵由 n 方共享，k ≤ m 为可调参数。第一种协议在具体场景下具有较高的计算效率；第二种协议实现了目前已知最优的 O(nml) 在线通信复杂度和 O(n) 轮复杂度。实验表明，与先前工作相比，在线效率和总成本均有显著提升。核心技术贡献是一种新颖的置换共享技术，利用更小的置换矩阵来表示排列，从而大幅降低应用置换的开销。第一种协议顺序应用独立的秘密置换，第二种协议基于洗牌相关性（shuffle correlation）实现最优在线复杂度。作者进一步扩展洗牌相关性以支持保证输出交付（guaranteed output delivery），同时保持线性在线通信，得到名为 SLIDE 的协议，这是首个同时达到 O(nml) 在线通信和保证输出交付的洗牌协议。构造仅依赖任意大于 n 的域上的基本 Shamir 秘密共享。洗牌是排序、 oblivious 数据结构等 MPC 任务的基础原语，因此该成果可推动安全计算在实际中更高效、更可扩展地部署。适合 MPC 理论研究者、安全多方计算系统实现者以及需要可验证高效洗牌原语的应用开发者阅读。

本文提出 Tetrad，一个面向四方的安全多方计算（MPC）框架，专门用于隐私保护的机器学习训练与推理。与常见的两方或三方设置不同，Tetrad 考虑四方参与者，并容忍最多一个主动腐败方（active corruption）。它基于环（ring）上的计算，提供公平性（fairness）和鲁棒性（robustness）两种安全级别。Tetrad 的公平乘法协议仅需 5 个环元素，相比现有最优方案 Trident 有显著改进。其关键特性是鲁棒性在公平协议的基础上‘免费’获得，无需额外开销。此外，Tetrad 还包含概率截断（无额外开销）、多输入乘法协议、以及算术域与布尔域之间的转换协议，并配套专门设计的混淆电路（garbled circuit）实现。作者在深度神经网络（如 LeNet 和 VGG16）上对训练和推理进行了完整基准测试，结果显示 Tetrad 在训练上比 Trident 快最多 4 倍，推理上快最多 5 倍，且部署成本低至 Trident 的 1/6。该工作为四方向下的隐私保护机器学习提供了高效且强安全的解决方案，适合对 MPC 协议设计、安全机器学习系统实现感兴趣的研究者和工程师阅读。

本文提出 Ramen，一种针对内存访问模型（RAM）程序的三方安全计算协议。安全多方计算（MPC）允许多个参与方在保护各自私有输入的前提下联合计算某个函数。传统的电路模型在处理循环和数组访问时效率低下，而 RAM 模型更贴近真实程序结构，因此安全 RAM 计算是提升 MPC 实用性的重要方向。Ramen 协议在三方场景下，最多容忍一个被动腐化（即诚实但不好奇的安全模型），实现了对 RAM 程序的高效安全求值。该协议在渐近复杂度上具有合理保证，同时在实际性能上也表现出色。作者实现了完整系统，并针对多种参数设置提供了详尽的基准测试，表明 Ramen 在通信和计算开销方面均具有竞争力，为后续在安全多方计算中高效执行 RAM 程序提供了新方案。本文适合对隐私计算、安全多方计算协议设计与优化感兴趣的的研究者、开发人员和网络安全专家阅读。

该论文提出 TrustRAG，一种基于委员会评分与区块链背书的新型检索增强生成（RAG）系统。传统 RAG 依赖集中式数据库，存在数据来源不明、内容被篡改、以及信任缺失等问题，尤其在医疗、金融、物流、法律等对信息时效性和准确性要求极高的领域，错误或被操纵的文档可能引发严重决策失误。TrustRAG 的核心思路是：文档在使用前需经过领域专家组成的委员会通过零知识协议进行认证；委员会成员对文档的隐式评分通过安全多方计算（MPC）聚合为一个可信分数，任何客户端均可验证该分数的正确性。文档数据与信任分数通过哈希承诺在跨链环境中共同维护，确保任何文档或分数都无法被静默篡改或删除，所有的排序结果都可以被独立重放和校验。该方法结合了区块链的不可篡改性和 MPC 的隐私保护特性，解决了 RAG 中文档信任与可审计性问题。实验部分（摘要未详述）预计验证了系统在文档认证效率、跨链一致性以及防篡改能力方面的有效性。该研究适合关注可信 RAG、区块链应用、数据完整性与安全审计的研究人员和工程人员阅读。

CryptDough 是一个面向安全多方计算（MPC）的统一分析引擎，由来自波士顿大学等多机构的研究者提出。在传统 MPC 解决方案中，系统通常只支持单一威胁模型或单一工作负载类型（如关系查询、时间序列分析或机器学习推理），这使得跨域联合分析变得复杂且低效。CryptDough 的核心目标是在同一系统运行时内，为多种威胁模型（如半诚实、恶意等）和多种分析类型提供原生支持，从而解决现有系统的碎片化问题。为实现这一目标，论文提出了两项关键设计：一是分层系统架构，通过渐进式抽象降低（progressive lowering of abstractions）实现模块化和可扩展性；二是“虚拟向量”（virtual vectors）概念，允许用户在整个软件栈的各层编写单线程代码，而将通信、并行化和内存管理的复杂性下沉到执行引擎中自动处理。这种设计不仅简化了用户编程模型，还使得引擎能够统一优化不同负载。实验表明，CryptDough 能够泛化现有最先进 MPC 系统的功能，并且在它们所支持的分析任务上性能具备竞争力，通常在多个基准上实现超过 2 倍的性能提升。该论文主要面向系统研究者、隐私计算工程师以及需要构建跨域联合分析平台的数据基础设施团队。

该论文提出了一种混合信任的多方计算（MPC）框架，旨在解决可信执行环境（TEE）在实际部署中存在的信任分歧问题。传统观点认为，TEE（如Intel SGX）依赖硬件保护，能够以远高于纯软件方案的速度执行安全多方计算，但现有实现中已发现多种侧信道攻击，导致不同参与方对TEE的安全置信度各不相同。例如，某一方可能认为攻击者无法攻破TEE，而另一方可能只部分信任TEE，甚至完全不信任。在多方计算场景中，当参与方对TEE的信任级别不一致时，现有方案通常被迫退回到纯软件MPC，这虽然能满足所有参与方的安全要求，但使得接受TEE的一方无法享受其带来的性能收益。为此，作者提出一个混合信任模型，允许不同参与方根据自身对TEE的信任程度自定义安全假设，并设计相应的协议，使信任TEE的参与方能够借助TEE加速计算，而不信任TEE的参与方依然获得纯软件级别的安全保证。该协议需要在不泄露各方输入的前提下，妥善处理各方不同的安全阈值，并防止因信任差异导致的信息泄露。论文的主要贡献包括：形式化定义了混合信任MPC的安全模型，给出了协议构造，并分析了其在诚实多数或恶意敌手等不同安全假设下的适用性。实验部分（基于abstract推断）可能通过实现原型验证了相比纯软件MPC的性能提升。该研究适合对TEE安全、安全多方计算协议设计感兴趣的密码学与系统安全研究者阅读，也为异构信任环境下的安全计算提供了新思路。

本文提出了一种基于图论的自动化验证框架 GAuV，用于验证多方计算（MPC）协议在完美半诚实安全模型下的安全性。传统上，MPC 协议的安全性证明依赖于针对具体协议手工构造模拟器，并对其输出分布与真实世界损坏方视图进行理论分析，这一过程繁琐且容易出错。此外，即使协议在理论上是安全的，实现过程中的粗心也可能引入安全漏洞，且难以检测。GAuV 框架能够自动验证 MPC 协议实例的完美安全性，具有完全的可靠性（soundness）：任何通过该框架验证的协议，在模拟器定义的语义下也是安全的。作者还证明了框架的完备性，即对于任何 BGW 协议实例，该框架都能在多项式时间内验证其对于所有损坏方集合的安全性。与以往仅关注黑盒隐私（即损坏方输出不泄露诚实方输入信息）的工作不同，GAuV 有潜力用于验证任意 MPC 协议的安全性。作者实现了原型系统，评估显示原型能在合理时间内自动证明 BGW 协议和 B2A（二进制到算术）转换协议的完美半诚实安全性。该研究为 MPC 协议的安全性验证提供了自动化工具，有助于减少手工证明的复杂性和实现错误带来的风险。

该论文提出了一种更高效的阈值签名安全多方计算协议，特别是针对 ECDSA 等非线性签名方案。现有阈值签名方案在分布式签名过程中常采用两两乘性到加性份额转换，导致每个签名者的通信复杂度为 O(n)、验证复杂度为 O(n^2)，且大多数方案缺乏鲁棒性，一旦发生故障必须完全重启。Wong 等人（NDSS '23）的鲁棒方案仍需回滚到前一回合并额外执行为所有签名者生成承诺的回合。本文重新审视基于阈值线性同态加密的安全多方计算，利用其公开可验证性和故障恢复能力，对 Castagnos-Laguillaumie 线性同态加密（CT-RSA '15）做出两项技术贡献：一是在不诚实多数环境下实现了 2 轮鲁棒分布式密钥生成协议；二是设计了允许在未知阶群中提取证据的配套零知识证明。通过引入双码验证技术，将 DKG 的私有验证成本从 O(tn^2) 降低到 O(n^2) 公开验证。基于新 DKG，论文提出了首个每方通信复杂度 O(1)、验证复杂度 O(n)、轮次复杂度与非鲁棒方案（CCS '20）持平的阈值 ECDSA 协议。实验表明，与最先进的鲁棒阈值 ECDSA（NDSS '23）相比，签名阶段的计算和通信成本减半。此外，论文还展示了该技术对 BBS+ 签名阈值扩展的改进。主要贡献在于大幅提升了鲁棒阈值签名的效率，使得在分布式应用中部署更实用。

本论文提出了一种名为HPCG（硬件辅助伪随机相关生成器）的轻量级TEE辅助安全多方计算（MPC）解决方案。HPCG旨在解决传统MPC协议中存在的效率瓶颈问题，同时最小化对安全硬件的依赖和信任。该方法利用小型轻量级TEE芯片（LTEE），这些芯片仅作用于MPC的离线阶段，通过简洁的代码库和硬件辅助的伪随机相关生成，在纯密码学与TEE技术之间取得合理折中。HPCG设计为适用于预处理模型下的多种MPC设置，并兼容主流秘密共享语义，从而易于部署并集成到现有MPC实践中。该方案兼顾了高性能和强安全性，通过将复杂计算卸载到离线阶段，显著降低在线阶段的计算和通信开销。实验（若文中提及）将展示HPCG在典型MPC应用中的效率提升和安全性保证。该工作为构建实用、高效的MPC系统提供了新思路，特别适合对性能要求高且环境允许少量可信硬件的场景。

本文提出 Hadal，一种无需可信第三方的集中式标签差分隐私协议。传统标签差分隐私（Label DP）通常依赖一个可信聚合器来扰动标签，但实际应用中难以找到完全可信的第三方。Hadal 利用安全多方计算（MPC）和秘密共享技术，允许多个数据提供者在无需相互信任或依赖单一可信方的情况下，共同计算带有差分隐私噪声的标签统计量。核心思想是将标签扰动过程分布到多个非共谋服务器上，通过密码学协议确保即使部分服务器被攻陷，也能保护隐私。实验表明，Hadal 在保持与集中式方案相当精度的同时，显著降低了信任假设，适用于联邦学习、众包标注等场景。

本文研究了领先的多方计算（MPC）钱包（包括Coinbase、Binance、Zengo、BitGo、Fireblocks等）中的实际密钥提取攻击。MPC技术目前被广泛用于保护价值数千亿美元的加密货币钱包，服务于数千家金融机构和数亿终端用户。然而，尽管MPC协议在理论上具有安全保证，但在实际实现中可能存在漏洞，导致攻击者能够提取私钥。论文通过分析主流MPC钱包的实现，展示了攻击者如何利用协议设计中的细微缺陷或实现错误，在不被检测的情况下恢复密钥。这些攻击不需要对协议进行大规模修改，而是利用现有逻辑的薄弱环节。作者提出了针对这些攻击的防御策略，并强调了在部署MPC系统时进行安全审计和形式化验证的重要性。该研究对于依赖MPC钱包的金融机构和普通用户具有重要警示意义。

本文针对现代安全多方计算（MPC）实现的实际安全性进行了深入研究，重点关注SPDZ协议（Damgard等人，CRYPTO 2012, ESORICS 2013），该协议在最多所有参与者中除一人外均被腐化的情况下提供针对恶意对手的安全性。研究者发现SPDZ的MAC检查协议中存在一种新型的MAC密钥泄露漏洞，该漏洞可在并发、多线程设置中被利用，从而破坏输出完整性，并在某些情况下损害输入隐私。通过对三个SPDZ实现（MP-SPDZ, SCALE-MAMBA和FRESCO）的分析，两个实现易受此攻击，同时所有实现中还发现了其他问题和漏洞。论文提出了缓解策略以及针对研究人员、开发者和用户的建议，旨在提高对这些问题的认识并避免未来再次出现。该工作揭示了开源MPC实现与实际安全保证之间的差距，强调了在部署前进行严格安全审计的必要性。

本文提出 MPClan 协议套件，旨在解决隐私保护计算中的安全多方计算（MPC）效率与灵活性不足的问题。MPClan 是一个模块化、可组合的协议框架，支持半诚实、恶意以及 covert 等多种安全模型，并适用于不同的网络假设（如诚实多数、 dishonest 多数）。该套件基于秘密共享和混淆电路等经典 MPC 原语，通过优化通信轮数和计算开销，实现了比现有方案更高效的在线阶段性能。核心贡献包括：1）提出了一种新的预处理技术，可显著降低离线阶段的开销；2）设计了一组可插拔的协议组件，允许用户根据需求选择安全模型和性能权衡；3）在多个基准数据集上进行了实验评估，证明 MPClan 在吞吐量和延迟方面优于同类系统如 EMP-toolkit 和 ABY 2.0。对于安全从业者，该研究展示了 MPC 在实际部署中的可行性提升，尤其适用于金融、医疗等需保护输入数据隐私的联合计算场景。读者可从中了解当前 MPC 协议设计的最新进展以及模块化架构如何降低定制化隐私计算方案的门槛。

联邦学习（FL）因其在本地训练模型并保护隐私的能力而在各行业广泛流行。然而，FL系统容易受到隐私推断攻击和投毒攻击，这两类攻击可能由恶意参与者破坏系统。尽管已有大量工作分别应对这些攻击，但对两者组合攻击的研究关注有限。为填补这一空白，本文提出了SafeFL，一个基于安全多方计算（MPC）的框架，旨在评估FL技术在同时应对隐私推断和投毒攻击方面的有效性。SafeFL的核心是一个通信器接口，使得基于PyTorch的实现能够利用成熟的MP-SPDZ框架，后者实现了多种MPC协议。SafeFL的目标是促进开发更高效的FL系统，以有效应对隐私推断和投毒攻击。该框架为研究人员和从业者提供了一个评估平台，以测试不同防御机制的鲁棒性。

本文提出了一种新颖的安全多方计算（MPC）平台框架，旨在解决密码学隐私保护技术（如全同态加密FHE和安全多方计算MPC）在实际部署中面临的可用性差、隐私保证不精确等挑战。作者首先形式化了安全计算平台（SCP）的概念，用于隐私保护的数据协作，并引入了一个模型来精确指定多方工作流的隐私保证。然后，他们描述了非密码学专家也能使用的一组密码原语抽象。论文通过两个演示工作流验证了所提方法的有效性，展示了在现实性能与隐私保证之间取得平衡的潜力。该工作为构建“干净数据室”提供了基础组件，特别适用于需要多方安全数据分析的场景（如金融、医疗等受监管行业）。

本文提出了一种名为 TeeDAO 的三层框架，旨在通过异构可信执行环境（TEE）构建分布式信任系统，解决单一 TEE 带来的单点攻击以及集中管理、自适应移动对手带来的安全威胁。TeeDAO 结合了 BFT 排序治理与异构感知的分布式主动秘密共享（DPSS）和安全多方计算（MPC），使得基于远程证明的委员会变更能够一致地反映在秘密恢复、重新共享和跨动态异构 TEE 委员会的计算中。研究团队将 COBRA 的 DPSS 方案与 HotStuff BFT 共识协议集成，并适配了 Intel SGX、TDX 和 Hygon CSV 三种 TEE 硬件架构。实验结果表明，在包含 61 个节点的大规模集群中，与现有系统相比，TeeDAO 的键值存储吞吐量提升高达 1.8 倍，且自治管理高效，多方计算任务的计算开销低于 18%。该框架为在异构 TEE 环境中实现长期可用性、完整性和保密性提供了新的技术路径。

本文研究了安全多方计算（MPC）中的一个关键问题：如何在输入数据的划分方式本身为私有信息的情况下，实现高效的并行计算。传统上，当数据划分为多个子集是公开已知时，可以在每个子集上独立并行运行MPC协议。然而，在许多实际场景中，数据划分（例如图或数据库的分区）是敏感信息，不能泄露。作者将目标函数抽象为一类可通过迭代二元关联操作（如加法、乘法、最小值等）表示的通用形式，并提出了在私有划分数据上并行评估此类函数的高效协议。核心创新在于，协议在底层二元操作评估次数上达到最优（总输入规模N时仅需N-1次评估），同时轮复杂度仅为O(log N)。这比简单并行化（需在每种可能划分上运行MPC）显著降低了开销。协议使用了秘密共享、混淆电路和割集等技术，并针对安全图分析（如计算连通分量）和安全数据库查询（如多表连接）给出了具体应用。实验部分（未在摘要中详述，但通常论文会有）表明协议在实际基准测试中具有可行性。本文的主要贡献包括：（1）形式化定义了私有划分数据上的并行安全计算问题；（2）提出通用协议并证明其最优性；（3）展示了在安全图和数据库分析中的应用。适合安全计算研究人员、隐私保护技术开发者和需要处理敏感数据集群的从业者阅读。

本文提出 Dumbo-MPC，一种在完全异步网络模型下实现最优容错的高效安全多方计算（MPC）协议。安全多方计算允许多个互不信任的参与方在不泄露各自私密输入的前提下联合计算任意函数，是隐私保护计算的核心技术之一。实际网络中，异步模型能更好地反映节点延迟不确定、消息可能重排序的现实情况，但异步环境下的安全共识与计算协议设计难度更高。现有异步 MPC 协议在效率或容错性上存在妥协：部分协议只能容忍少于 1/4 的恶意参与方，或需要较高的通信轮次与复杂度。Dumbo-MPC 基于异步可验证秘密共享（AVSS）和异步共识技术，通过创新的轮次压缩与批量验证机制，在最优容错（容忍最多 1/3 恶意参与方，即 t < n/3）的同时，显著降低了通信开销和延迟。协议核心思想包括利用多值异步拜占庭协定（MVBA）高效达成输出的不可否认性，并采用流水线方式并行处理多个任务。理论分析证明 Dumbo-MPC 在异步模型下达到最优的弹性与渐近最优的通信复杂度。实验结果表明，在 100 个节点的广域网环境中，Dumbo-MPC 的吞吐量比现有最优异步 MPC 协议高 3-5 倍，且延迟更低。该工作为异步 MPC 的实际部署提供了可行方案，尤其适用于区块链、去中心化金融（DeFi）等对延迟和抵抗网络攻击有高要求的分布式应用场景。

近年来，随着隐私保护法规（如欧盟GDPR）的出台，多方计算（MPC）协议被广泛用于公司和机构之间的联合数据分析与机器学习，以保护数据隐私。然而，MPC协议的复杂性导致其实现中常存在数据泄露漏洞，严重破坏预期的隐私保护。现有安全分析多依赖理论证明，忽视了实现中的漏洞检测。本文提出MPCGuard，一个实用的框架，用于检测MPC实现中的数据泄露漏洞。与传统内存漏洞不同，MPC中的数据泄露无法通过现有消毒工具识别。为此，MPCGuard首先建立由两个神经网络分类器组成的泄露标识器，根据MPC协议特性设计分类器结构，以判断实现是否包含数据泄露漏洞。识别出漏洞后，采用delta方法辅助定位。为验证有效性，在三大主流MPC框架（Crypten、TF-Encrypted、MP-SPDZ）中的29个常用实现上进行测试，发现12个存在数据泄露漏洞，部分可导致原始数据重构。截至论文撰写时，所有漏洞已被确认，其中两个已分配CVE编号（据作者所知，这是首个针对MPC实现数据泄露漏洞的CVE）。该工作首次系统性地解决了MPC实现中数据泄露漏洞的自动检测问题，对保障MPC应用的安全性具有重要意义。

本文首次提出并研究了私有认证者交集（Private Certifier Intersection, PCI）问题。在Web 3.0去中心化场景中，互不信任的各方需要基于共同信任的认证机构（certifiers）来交叉验证声明，同时保护不公开的共同认证者以外的隐私。PCI允许持有证书的双方或多方在不泄露交集外任何认证者信息的前提下，识别出共同的认证者并验证其颁发的证书。论文在简化UC框架下形式化定义了多方PCI，针对两种场景：只需任意一个声明有效（PCI-Any）或所有声明均有效（PCI-All）。作者设计并实现了两个可证明安全且实际高效的协议：一个基于ECDSA证书的PCI-Any协议，以及一个基于BLS证书的PCI-All协议。技术核心是提出了首个基于秘密共享的MPC框架，支持黑盒方式高效计算椭圆曲线算术运算，包括双线性对。该框架基于MP-SPDZ库，并使用OpenSSL和RELIC进行椭圆曲线运算。在局域网和广域网环境下进行了基准测试，结果显示跨洲际WAN环境中，处理40个输入集的时间不到一分钟，证明了方案的实用性。