本论文标题为《Distributed & Scalable Oblivious Sorting and Shuffling》，研究分布式环境下可扩展的不经意排序（Oblivious Sorting）与洗牌（Oblivious Shuffling）问题。不经意排序和洗牌是隐私保护计算中的基础原语，其目标是在不暴露数据内容及访问模式的前提下完成排序或随机置换操作。此类原语广泛应用于安全多方计算、隐私保护数据库查询、匿名通信等场景，是抵御侧信道攻击和访问模式泄露的关键技术。传统不经意排序算法（如排序网络）虽然能严格隐藏访问模式，但通信复杂度和计算开销较高，在分布式部署时面临可扩展性瓶颈。该论文提出面向分布式和可扩展性的解决方案，可能通过新的协议架构、并行化策略或底层硬件加速来提升效率。由于论文摘要未在输入中提供，无法获取其具体算法设计、安全性证明或实验结果；以下内容基于标题和该领域的通用背景进行概述。该研究对于构建大规模隐私增强数据基础设施具有重要意义，预期可为安全多方计算、机密计算等系统提供更高效的隐私保护原语。

网络功能虚拟化（NFV）使得以低成本将多种网络功能作为云服务提供成为可能，其中网络测量任务（如重流检测和流量分布估计）是许多核心网络功能的基础，能够提升企业网络的性能与安全性。然而，将网络测量服务部署在第三方多租户云服务提供商中引发了严重的隐私与安全问题。最近研究表明，泄露和滥用流统计信息可能导致严重的网络攻击，如分布式拒绝服务（DDoS）、网络拓扑操纵和投毒等。为此，本文提出 OblivSketch，一种作为云服务的 oblivious 网络测量框架。OblivSketch 利用不经意随机访问机（ORAM）和安全飞地（如 Intel SGX）来保护流统计信息的隐私，确保云服务提供商无法窥探或篡改测量数据。该框架支持多种测量任务，包括重流检测、流量分布估计和熵估计等，并能在保持隐私的同时提供可接受的性能开销。实验结果表明，OblivSketch 在真实网络流量数据集上能够高效运行，与现有非隐私保护方法相比，性能损失在可接受范围内。主要贡献包括：设计了第一个支持多种 oblivious 网络测量任务的原型系统；提出了针对重流检测和分布估计的 oblivious 算法；实验验证了隐私保护下的实用性能。本文适合云安全研究人员、网络管理员以及对隐私计算感兴趣的读者。