梯度提升决策树（GBDT）是一种在欺诈检测、在线营销和风险管理等真实场景中表现出色且可解释性强的机器学习算法。在实际应用中，两个数据拥有者可能希望在不泄露各自私有数据集的前提下联合训练GBDT模型，这通常通过安全多方计算（MPC）协议来实现。然而，现有的隐私保护GBDT训练框架通常面临较高的通信与计算开销，难以扩展到大规模数据。本文提出了NodeGuard，一个用于大规模GBDT训练和推理的高效两方计算（2PC）框架。NodeGuard的核心贡献在于：1）提出了一种新颖的键控桶聚合协议（keyed bucket aggregation protocol），该协议在全局范围内优化了训练过程中的通信和计算复杂度，从而显著提升效率；2）引入了一种概率近似除法协议，并针对除数公开的情况进行了重新缩放优化，进一步降低了计算成本。NodeGuard严格保证训练和推理过程中不泄露任何敏感的中间结果，确保了隐私安全性。实验部分，作者将NodeGuard与当前最先进的隐私保护GBDT框架进行了对比，结果表明NodeGuard具有极高的效率：在局域网（LAN）环境中，隐私保护GBDT训练性能提升了5.0至131倍；在广域网（WAN）环境中，性能提升了2.7至457倍。该研究为隐私保护机器学习在真实大规模场景中的落地提供了可行的高效解决方案，特别适合对数据隐私要求高且计算资源受限的联合建模任务。

G-Lox 是一种面向桥分发系统的隐私增强方案，旨在解决现有系统（如 Lox）在支持自适应组级分配时面临的隐私泄露问题。传统桥分发系统中，分发器需要根据用户组（如按网络条件或受审查程度划分）动态调整桥分配策略，但这一过程可能暴露组标识或分配规则。G-Lox 引入基于两方计算的隐私墙，将自适应逻辑分散在两台非共谋服务器上，使得任何单一方均无法获知组标识或组到桥的映射。具体而言，G-Lox 利用两方分布式点函数（DPF）和函数秘密共享（FSS）协议实现私有状态访问，支持阻塞报告、传输感知重分配以及隐私保护的组分裂操作。系统设计确保状态更新和查询均以两方计算形式执行，从而隐藏单个服务器的输入和中间结果。实验方面，作者基于 C++ 和 EMP 库在真实 TCP 套接字上实现了原型，测量了不同状态规模下的通信和计算开销。结果显示，客户端开销极低：当状态大小为 2^16 时，每次迭代通信量仅数 KiB，在 M=1024 的配置下客户端发送 1968 字节、接收 1280 字节，迭代耗时约 0.25 秒。此外，针对组特异性阻塞和 Sybil 枚举攻击的仿真表明，与 Lox 和 rBridge 等基线系统相比，G-Lox 在保持广泛发行的同时显著提升了鲁棒性。本文贡献在于首次实现了兼具隐私保护与自适应性的桥分发机制，为受审查网络中的抗封锁分发提供了新思路。适合对隐私保护计算、匿名通信系统以及抗审查技术感兴趣的研究者和工程师阅读。

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。