本篇论文提出了 HawkEye，一个用于静态分析多方学习（MPL）模型中通信成本的框架。MPL 基于安全多方计算（MPC），能够在不泄露原始数据的前提下联合多个参与方训练机器学习模型，但带来了巨大的通信开销。近年来出现了多种 MPC-friendly 模型以降低通信开销，而优化这些模型的关键在于准确分析其通信成本。然而现有方法通常依赖手动建立分析模板，过程繁琐且易出错。HawkEye 的创新在于无需动态运行安全训练或推理过程即可获得精确的通信成本分析。其核心方法包括：1）基于前缀结构的静态分析方法，通过记录函数调用链来处理复杂模型结构的通信成本；2）结合自动微分库，使模型设计者能在 PyTorch 框架下直接分析。实验部分将 HawkEye 的静态分析结果与在五个主流 MPL 框架（CryptFlow2、CrypTen、Delphi、Cheetah、SecretFlow-SEMI2K）上动态运行安全训练/推理得到的实际通信成本进行对比，结果表明 HawkEye 能够准确预测通信成本。该工具对 MPC-friendly 模型的设计与优化具有重要参考价值，适用于隐私保护机器学习领域的系统设计师与安全研究员。

本文针对传统基于安全多方计算的隐私保护机器学习（MPL）通常采用点对点架构，各方平等且都能揭示输出结果，但实际业务场景往往需要层次化架构，其中存在一个特权方领导机器学习任务，只有特权方才能揭示最终模型，即使其他辅助方合谋也无法获取模型。此外，部分辅助方掉线时，学习过程应能继续以避免计算资源浪费和确保截止时间。针对这些需求，本文提出了一种鲁棒的多方学习框架pMPL（privileged Multi-Party Learning）。pMPL在秘密共享和混淆电路等密码学原语基础上，引入特权方概念，设计新的协议使得辅助方在掉线时不影响学习进程，且辅助方之间无法串通获取模型。实验表明，pMPL在保持隐私保护性能的同时，显著提升了系统对节点故障的鲁棒性，并降低了计算和通信开销。该工作为实际部署隐私保护机器学习提供了更贴近业务需求的架构方案。