该论文题为《A Leakage-Free Framework for Private Set Operations》，作者包括 Wenhao Wu, Yuyue Chen, Bowen Shen, Peng Yang, Ximing Fu, Zoe Lin Jiang, Junbin Fang。由于提供的摘要内容为空，本摘要仅能基于标题与所属研究领域进行概述。私有集合操作（Private Set Operations, PSO）是安全多方计算的重要分支，典型操作包括私有集合交集、并集、差集及基数等，目标是在不泄露参与方各自私有集合的前提下完成计算。传统协议往往会在不经意间泄露超出预定结果的信息（如集合大小、元素分布等），形成侧信道风险。该研究提出的'无泄漏框架'，从命名上可推断其核心目标是彻底消除这类额外信息泄露，确保协议仅暴露最终运算结果，而不泄漏任何中间数据。这通常需要结合同态加密、混淆电路、秘密共享等密码学原语，并可能引入更强的安全模型，如可模拟安全。论文标题所强调的'框架'暗示其可能提供一种通用方法，而非单一协议。对于安全从业者而言，此类研究有助于设计更严谨的数据协作方案，特别是在法律合规需求高的场景（如医疗、金融）中。但受限于信息不全，无法评估具体技术路线、效率表现或实验验证，也无法确认其相比现有工作的实际优势。建议读者直接查阅论文原文或官方更新以获取完整内容。

本文提出了一种基于 Miller-Rabin 素性测试的改进型分布式 RSA 密钥生成协议。在分布式 RSA 密钥生成场景中，多个参与方需要共同生成一个 RSA 模数 N=pq，但任何一方都不能获知 p 或 q 的具体值。该任务对于门限 RSA 签名以及其他需要共享可信 RSA 模数的高级密码协议至关重要。传统方法通常采用 Boneh-Franklin 测试，该测试需要多次迭代才能达到可接受的错误概率，计算开销较大。本文利用 Miller-Rabin 测试的单次迭代特性：对于足够大的模数（如 4096 位），即使只进行一次测试，错误概率也可以忽略不计。作者设计了基于 Miller-Rabin 测试的安全分布式协议，使得参与方能够在不泄露素数信息的前提下共同验证候选模数的素性，从而高效生成共享的 RSA 模数。与现有方法相比，新协议在迭代次数和通信复杂度上具有显著优势，为门限密码系统和高级密码协议提供了更实用的分布式密钥生成方案。论文的主要贡献包括：提出新颖的分布式 RKA 协议、证明其安全性、并分析其在典型参数下的性能优势。适合研究门限密码、安全多方计算和 RSA 相关协议的安全工程师与密码学研究者阅读。

该论文研究多方协作场景下的第 k 个排序元素（kth Ranked Element, KRE）安全计算问题。在金融、医疗等机构的联合数据分析中，经常需要在不暴露各方原始数据的前提下，找出合并数据集中第 k 大的元素（例如中位数、分位数等）。现有协议虽然能保护各方的原始数据，但通常需要一个中心方进行聚合，且中心方可能会获得中间统计信息，从而造成隐私泄露。论文作者 Chandran 等人此前的方案（SECRYPT'22）采用星型网络拓扑，多个参与方与中心方交互，但仍会向中心方泄露部分中间信息。本文以海报形式提出改进，目标是在保持协议高效性的同时，实现严格意义上的差分隐私保护，并确保中心方无法获知中间结果中的敏感细节。文中可能提出了基于安全多方计算（MPC）和差分隐私噪声注入的混合方案，或对现有协议进行了隐私增强修改。尽管摘要未给出具体技术细节，但核心贡献在于消除中心方的信息泄露，同时保留 KRE 计算的正确性和实用性。该工作适合对隐私保护数据聚合、安全统计分析、差分隐私机制设计感兴趣的密码学和安全研究人员阅读，也为医疗、金融等领域中的安全协同计算提供了理论支撑。由于仅基于摘要，具体协议设计、安全模型和实验评估结果尚不明确，需查阅全文验证。

本文提出面向可扩展模糊隐私集合求交（Fuzzy PSI）的高效协议，支持一般 L_p (p∈[1,∞]) 距离度量，并适用于低维和高维数据集。核心贡献是设计了两种高效的模糊匹配协议：第一种基于角色反转的不经意伪随机函数（OPRF），将计算开销从以往工作的 O((log δ)^d) 降低至 O(d log δ)；第二种利用定制的不经意传输（OT），开销为 O(dℓ)，ℓ 为输入比特长度，特别适合短输入场景。基于这些基础协议，作者进一步提出一种新的双层哈希框架，用于低维集合的模糊 PSI，并以基于 OT 的模糊匹配进行实例化，同时引入域缩减优化。整体协议的开销与 n、m、log δ、2^d 呈线性关系，消除了先前工作中 O((log δ)^d) 或 O(δ) 的因子。对于高维集合，作者构建了基于 OPRF 和 OT 模糊匹配的模糊 PSI 协议，其渐近开销与 n、m、d、log δ 线性相关，但依赖于较强的全局不相交假设。大量实验评估表明，与 van Baarsen 和 Pu（ASIACRYPT'25）相比，所提协议在运行时间上最高加速 145 倍，通信成本最高降低 20 倍；与 Piske 等人（CCS'25）相比，运行时间最高加速 25 倍，通信成本最高降低 17 倍。该研究显著提升了模糊 PSI 的可扩展性，为隐私保护的数据匹配应用（如基因组比对、用户匹配）提供了更高效的解决方案，适合密码学、安全多方计算及隐私计算领域的研究者和工程人员阅读。

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。