本文研究安全多方计算（Secure Multiparty Computation, MPC）背景下如何高效实现经典算法“二分查找”。传统二分查找依赖数据访问模式（比较结果决定后续访问区间），在安全计算中会泄露隐私信息，因此需要数据无关（data-oblivious）的执行方式。以往这类问题只能借助混淆RAM（ORAM）技术解决，但ORAM开销极大。本文是首个使用基于秘密分享（secret sharing）的传统安全计算技术来研究该问题的系统性工作，不依赖ORAM。作者设计了一套协议族，针对“对包含m个元素的私有数据集按私有数值键进行搜索”的问题，分别在不同结构下实现了O(m)和O(m)（此处疑似O(√m)或O(log m)，但摘要原文如此）通信复杂度，仅使用标准且可直接实现的秘密分享操作。协议进一步被扩展以支持写操作，即能够对命中元素进行混淆更新，包含两种变体：更新非键字段和更新键字段。实现结果显示，即使对最快的ORAM构造应用已知及作者自有的优化，在数据集规模不超过2^30个元素时，本文方案仍比优化后的ORAM快最多两个数量级。该工作展示了不使用ORAM也能高效实现安全二分搜索，为安全计算中的数据结构与算法设计提供了新路径，并有望激发后续研究。

本文研究城市感知场景下的隐私保护问题。共享出行、电商物流和食品配送等公司愿意为其车辆安装传感器，以大规模采集交通拥堵、行程时间、路面质量、空气质量等数据。然而，细粒度的传感器数据会暴露车队中车辆的位置和数量，这对同行业竞争对手（如 Uber vs Ola、Uber vs Lyft、Amazon vs Alibaba）具有极高的商业价值，因此需要在不泄露敏感信息的前提下实现数据共享与分析。论文提出了一种结合高斯过程回归（GPR）插值、差分隐私（DP）和安全两方计算（2PC）的隐私保护框架。具体而言，利用 GPR 对传感器测量值进行空间插值，减少精确点位暴露；通过 DP 机制为聚合查询添加噪声，防止个体车辆位置或车队规模的精确推断；并借助 2PC 协议使得客户端能够在不直接访问原始数据的情况下获得有用的查询结果（如污染物浓度），同时保护服务端数据隐私。系统在延迟和带宽开销上表现高效，即使对于资源受限的移动客户端也能满足需求。为验证端到端可行性，作者构建了一个示例 Android 应用，该应用可在保护隐私的前提下，为用户提供给定起终点之间污染最少的路由选择。论文的主要贡献在于提出了一个面向车队级城市感知的隐私保护架构，兼顾数据效用、客户端隐私和车队隐私，并通过实际应用展示了其可用性。适合对智慧城市、隐私增强技术、差分隐私及安全多方计算感兴趣的研究人员和蓝队安全工程师阅读。

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。

该论文提出SecureCROWN，首个用于隐私保护神经网络鲁棒性验证的框架。神经网络验证与数据隐私存在固有矛盾：验证需要完全访问模型参数和输入数据，但这受到隐私法规和知识产权限制。SecureCROWN基于安全两方计算（2PC），使模型所有者和数据所有者能够共同计算认证的鲁棒性边界，在只揭示最终结果的同时，在半诚实安全模型下可证明地保护双方隐私数据。关键挑战在于安全计算线性边界传播中的条件操作，因为数据相关的分支与标准安全计算协议不兼容。作者通过将条件逻辑公式化为连续算术运算来消除分支，并引入牛顿-拉夫森改进方法以提高数值稳定性。广泛分析和实验表明，SecureCROWN严格匹配明文验证结果，在不同模型大小和通信设置（局域网/广域网）下完成时间在0.1-200秒之间，证明了隐私保护神经网络验证的可行性。

该论文针对公平性度量中的人口统计信号（如种族/民族）因法律约束或文化敏感性而难以收集和使用的挑战，提出了一种隐私保护的种族/民族概率估计方法（PPRE）。PPRE结合了两种信号源：基于贝叶斯改进的姓氏地理编码估计器（BISG）和稀疏的自我报告调查数据，并利用安全两方计算、差分隐私和加法同态加密等隐私技术，使LinkedIn能够在不泄露个人敏感信息的前提下，对美国会员进行基于种族/民族的公平性度量。论文详细阐述了PPRE的隐私保证，并通过候选方和观众方的公平性度量案例展示了其应用。最后，作者提出了一个可迁移的框架，供其他机构构建类似的隐私保护度量基础设施。核心贡献在于为工业界提供了一套可操作的、在隐私约束下进行公平性测量的解决方案。

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）。

本文研究安全分布式假设检验问题：一个中央服务器根据多个分布式传感器/客户端发送的信息进行假设检验，但要求服务器除了得出最终的假设类别外，不能学习关于数据分布的额外信息。首先，作者证明在标准模型下（即服务器仅从客户端接收消息）即使对于非常简单的二元假设类别，实现完全信息论意义上的安全也是不可能的。为了绕过这一不可能性，作者引入了一个增强模型：客户端之间共享一个密钥，但该密钥对服务器隐藏。然后证明，即使只有一个比特的共享密钥，对于简单假设类别（如两个分布），也能实现完美安全的检验。其核心思想是将测试分布归约为一个对称的规范实例。对于任意有限域上的假设类别，作者进一步利用私有同时消息协议将问题归约为标准的假设检验，并证明在这种归约下可实现多项式长度的通信和密钥长度。该工作为分布式推断中的隐私保护提供了理论基础，尤其适用于联邦学习、传感器网络等场景。

本文研究的是在两方垂直分割数据上训练梯度提升决策树（GBDT）的隐私保护问题。GBDT在金融和医疗等领域广泛应用，但传统安全计算方法（如基于私有集合交集PSI）会暴露双方共享的记录标识符（IDs），存在隐私泄露风险。本文首次提出匿名GBDT训练协议，旨在隐藏记录ID。核心方法包括：设计双电路PSI，让双方交替作为接收方对本地特征执行“选取-求和”操作；利用可编程伪随机函数（OPPRF）将电路PSI输出作为共享状态传递；无需全局对齐，解决了ID隐藏代价随域大小增长的难题。此外，本文还改进了密文打包技术，将先前安全GBDT方案（Usenix Security'23）中基于环LWE的单指令多数据同态加密的代价减半。实验表明，该协议在效率上与有泄漏的方法相当。该技术可扩展到其他垂直分割数据分析场景。

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。

该论文提出了一种名为FABLE的批量评估协议，用于在两方安全计算（2PC）场景下高效处理机密查找表（Lookup Tables, LUTs）。在传统的安全多方计算中，查找表操作是常见原语，但直接使用不经意传输或混淆电路进行逐条查询会导致高昂的通信和计算开销。FABLE通过设计一种新的批量不经意传输扩展协议，将多个查询打包处理，利用预计算和对称密钥操作显著降低开销。核心创新包括：1) 提出了一种基于向量空间秘密共享的批量查询转换方法，将多个查询合并为一个矩阵操作；2) 引入了一种高效的预计算阶段，使得在线阶段仅需少量通信。实验结果表明，与现有最佳方案相比，FABLE在带宽和延迟上实现了数量级的提升，特别是在查询数量较大时优势明显。该工作适用于数据库隐私查询、机器学习推理、安全搜索等需要大量查找表操作的场景。对于安全从业者来说，该研究为构建高性能安全计算系统提供了新思路，但不涉及具体攻击或防御，因此列为研究类。

本论文针对边缘计算环境中资源受限客户端需要委托大规模矩阵行列式计算（MDC）的安全性与效率问题，提出了一种安全并行行列式计算框架（SPDC）。在物联网等场景下，传统行列式算法的立方复杂度无法满足实时处理需求，且数据隐私和结果完整性至关重要。SPDC框架通过复合元素扭曲（CED）加密方法，结合元素级混淆（EWO）和Panth旋转定理（PRT），在隐藏矩阵结构和数值内容的同时保持行列式性质，实现了隐私保护。框架采用并行LU分解将加密矩阵块分布到任意数量的不可信边缘服务器上，实现高效可扩展的计算；单向通信模型消除了服务器间交互，降低了协调开销。为减轻客户端负担并确保结果完整性，论文提出了两种验证算法：Q_2（概率性标量方法）和Q_3（确定性低复杂度方法）。数学分析表明，SPDC框架提供强隐私与安全保证、低计算开销和部署灵活性，适用于分布式边缘辅助系统中的安全、可扩展、实时MDC。研究贡献包括：提出CED轻量级加密方案、支持任意数量服务器的并行分解、非交互通信模型以及双重验证机制。适合对安全外包计算、边缘计算、隐私保护矩阵运算感兴趣的研究者和工程师阅读。

本文针对机器学习领域的安全计算技术选型问题，对两种主流密码学方法——安全多方计算（SMPC）和全同态加密（FHE）进行了理论和实践的对比分析。首先，文章从理论上总结了SMPC和FHE两种安全计算范式的原理、优缺点及相关的开源软件实现。其次，作者对识别出的主要机器学习操作和模型对应的软件框架进行了广泛的基准测试。实验结果表明，在当前技术状态下，FHE在回归任务上性能优于SMPC；在基于GPU或混合模型的简单密集神经网络中，FHE也可能更快。相反，SMPC在复杂模型（如CNN）上表现出更优的性能。文章为机器学习安全计算技术的技术无关基准测试铺平了道路，为计划采用这些技术的实践者提供了指导。

本论文提出了一种名为“Select-Then-Compute”的框架，旨在解决分布式数据集上的加密标签选择与分析问题。在多方协作场景中，不同数据持有者希望在不泄露原始数据的前提下，对联合数据进行查询和计算，但现有全同态加密（FHE）方案在支持选择性计算（即仅对符合特定标签的子集进行计算）时效率低下。传统方法要么需要将所有数据解密后再选择，要么采用复杂且昂贵的混淆电路或秘密共享技术。本文基于FHE设计了一种高效协议，允许数据持有者对各自的数据标签进行加密，然后由计算方在密文状态下执行标签匹配和选择，最后对选中的密文数据进行聚合计算（如求和、均值、方差等）。核心创新包括：1）提出一种新颖的编码方式，将标签匹配转换为多项式计算，从而利用FHE的单指令多数据（SIMD）特性并行处理；2）设计了递归的标签选择算法，使得计算复杂度仅与数据条目数的对数成正比；3）实现了对多个数据集联合分析的支持，且不增加通信轮次。实验部分在多个基准数据集上验证了性能，与现有基于朴素FHE或混合协议的方法相比，计算时间降低了2-3个数量级，同时保持相同的安全级别（IND-CPA安全）。该工作适合隐私保护机器学习、医疗数据联合分析等领域的研究者和工程人员阅读。