本文提出了一种相关感知的安全排序与排列方法，旨在提升迭代式两方图分析中安全多方计算的效率。在联合图分析场景中，双方需要在不泄露原始数据的情况下处理包含丰富拓扑和属性信息的图数据。现有方法存在冗余的安全排序或高开销的安全洗牌操作，导致效率低下。部分工作通过放松安全假设（如引入差分隐私或辅助方）来改进，但可能牺牲隐私保护强度。本文提出的方法利用图分析中数据相关性特征，优化了安全排序和排列协议，减少了不必要的计算和通信开销。实验表明，该方法在保持同等安全级别的前提下，显著提升了迭代图分析任务（如PageRank、连通分量等）的执行效率。该研究适合安全计算和图分析领域的研究人员阅读。

本文提出了STIP（Secure Three-party Inference Protocol），一种用于大型Transformer模型在生产环境中的三方隐私保护无损推理方案。研究背景是，随着大型Transformer模型（如BERT、GPT系列）在云服务中的广泛部署，用户输入的隐私保护成为关键挑战。现有的隐私保护推理方法（如安全多方计算、同态加密）往往面临巨大的计算开销或精度损失，且难以直接适配Transformer的复杂结构（如非线性激活函数、自注意力机制）。STIP的核心创新包括：（1）设计了一种高效的秘密共享协议，支持在三个非共谋服务器之间进行线性层和非线性层的无损计算，特别针对Transformer中的GeLU、Softmax等函数进行了优化，通过函数拟合与定点数算术结合，实现了完全无损（即计算结果与明文推理完全一致）。（2）提出了自适应分割策略，将模型按层动态分配给三台服务器，以平衡计算负载和通信开销。（3）在安全性方面，STIP确保了半诚实模型下的隐私保护，任何两台服务器合谋也无法获取用户的输入或模型参数。实验基于多种主流Transformer架构（如BERT-Base、BERT-Large、GPT-2）在标准数据集上进行了评估。结果表明，与现有最佳方案相比，STIP将推理延迟降低了约40%，通信量减少了约30%，同时保持了无损精度。该方案适合对隐私和精度均有严格要求的生产环境，如医疗诊断、金融风控等场景。本文的主要贡献在于首次实现了面向大型Transformer的全流程三方无损隐私推理，并通过系统优化将开销降至实际可行的水平。