本文提出Kangaroo，一种针对广域网（WAN）环境下大规模决策树推断的隐私保护与摊销推理框架。随着机器学习即服务（MLaaS）的普及，客户端希望利用云服务器上的决策树模型进行推断，但同时需要保护输入数据和模型参数的隐私。现有方案（如安全多方计算或同态加密）在WAN中面临高延迟和计算开销，难以扩展到大模型。Kangaroo通过设计一种摊销式推理协议，将多个查询组合成批量处理，利用预计算和离线阶段降低在线阶段的开销。其核心贡献包括：1）基于不经意传输（OT）和秘密分享的混合协议，实现线性复杂度的决策树评估；2）网络感知的批处理机制，适配WAN的带宽和延迟特征；3）支持树深达20层、包含数万节点的大规模决策树。实验表明，Kangaroo在WAN环境下比现有方案快10-100倍，通信量降低一个数量级。该工作主要面向隐私保护机器学习、安全推理协议设计领域的研究者。

本文研究了隐私保护协作数据清洗问题。在协作数据清洗中，两方希望调和各自的数据集，以过滤掉分类错误的数据项。隐私保护版本增加了安全目标：各方仅能了解自己分类错误的数据项，而不能获知对方数据集的其他信息。该问题本质上是隐私集合交集（PSI）的变体，理论上可采用电路PSI技术实现。然而，作者针对私有数据清洗的特性，设计、分析并实现了三种新协议，性能优于电路PSI。第一种协议利用少量附加泄漏（数据项交集差分隐私大小）来降低复杂度；另外两种协议将数据分类不匹配问题转化为匹配问题，然后采用标准的不经意伪随机函数（OPRF）技术计算PSI。实验表明，根据数据类别数量的不同，协议相比电路PSI有具体的运行时间提升。本文主要贡献在于提出了适合私有数据清洗的高效协议，并通过理论分析和实验验证了其优势。适合研究安全多方计算、隐私保护数据清洗的研究者阅读。

本文研究安全两方计算在动态控制器执行中的应用。针对现有基于同态加密的加密控制方案需要周期性解密、重置或重新加密控制器状态的问题，作者采用安全两方计算协议，使得控制器可以在无限时间范围内持续运行而无需暴露明文状态。然而，两方设置引入了额外的在线通信开销，可能影响实时可行性。为了验证该协议的实际可行性，作者在商用云平台上搭建了倒立摆实验台，实现了该安全两方控制器计算协议。实验结果表明，尽管存在在线通信延迟，该协议仍能成功稳定倒立摆系统。该研究为实时控制系统的隐私保护提供了一种无需周期性解密的新途径。