该论文提出了一种名为 Dory 的流式伪随机相关生成器（PCG），旨在解决安全多方计算（MPC）和零知识证明（ZKP）等密码学协议中伪随机相关生成的内存效率问题。传统的 PCG 方案需要预先生成并存储大量相关随机数（如不经意传输扩展、乘法三元组等），导致内存开销巨大，限制了其在资源受限设备或大规模场景中的应用。Dory 通过创新的流式生成架构，支持按需生成任意长度的相关随机数序列，而无需一次性将全部数据加载到内存中。其核心思想是将伪随机生成过程分解为可增量计算的子过程，并利用轻量级对称密码原语（如 AES-NI 或低复杂度伪随机函数）实现低延迟的在线生成。论文通过形式化安全性证明（基于随机预言机假设或标准模型）和实验评估展示了 Dory 在隐私保护机器学习、多方数据库查询等典型 MPC 协议中的性能优势：与现有方案相比，内存占用降低可达 10-100 倍，同时保持可比的通信和计算开销。该工作为密码学实际部署提供了重要的工程优化思路，特别适用于移动设备、IoT 节点等内存受限环境下的安全计算任务。主要贡献包括：（1）定义了流式 PCG 的安全模型；（2）给出高效构造并分析复杂度；（3）开源实现并测试了多个应用场景。