2022年CCF中国软件大会（CCF ChinaSoft 2022）将于2022年11月25-27日在上海国际会议中心举行。预期将有林惠民、陈左宁、邬江兴、何积丰、梅宏、吕建、柴洪峰、王怀民、郑纬民、蒋昌俊等10余位院士莅临。

本次大会主题是“聚焦产教研用协同创新，提升关键软件供给能力”，包括学术、工业、教育等论坛活动40余场，期待您的参与！

目前大会火热报名中！

点击文末“阅读原文”进入官方注册通道(可预订住宿)：

https://conf.ccf.org.cn/chinasoft2022

✦  +

+

论坛巡礼

本文特别介绍将于11月25日举办的【顶会顶刊】论坛。

论坛名称：顶会顶刊论坛

时间: 2022年11月25日上午8:30-17:40

论坛简介：

顶会顶刊论坛旨在邀请本年度在国际顶级会议和顶级期刊上发表高水平论文的作者到中国软件大会上进行报告。本论坛的主要目的在于介绍最前沿的学术研究进展，并和与会人员共同探讨从事高水平前沿研究的经验和教训。本论坛实行邀请制，由论坛主席和共同主席遴选本年度内软件工程、系统软件以及形式化方法方面有较高影响力的CCF A类论文，并邀请相关作者到本论坛宣讲。此外，本论坛亦常邀请1-2位学术成果突出、学术思想活跃的青年领军人才作特邀报告，重点介绍某个前沿研究领域或者科研经验。

2022年度顶会顶刊论坛邀请了复旦徐辉副研究员、武大谢晓园教授、南大潘敏学副教授、南大冯洋助理研究员、南方科大张煜群助理教授、北京理工张宇霞副研究员、上海交大王肇国副教授、华科张宇副教授、浙大姚培森研究员、华师大刘静教授和上海交大许智磊副教授等11位知名学者分别就各自的优秀成果做宣讲报告。本论坛今年还邀请到天津大学陈俊洁研究员以及南大卜磊教授作特邀报告。

热烈欢迎各位通过扫描下方二维码提前提问，以便论坛嘉宾更有针对性地进行讨论和解答。

日程安排

Schedule

论坛主席

Forum Chairmen

张天

博士、教授、博士生导师

主要研究领域为智能化软件工程、模型驱动软件技术等，研究成果发表在国际重要会议和期刊50余篇（包括TSE、TOSEM、ICSE、FSE、ASE等），获ISSTA杰出论文奖。主持国家自然科学基金青年、面上项目，参与多个国家重点、重大科研项目。相关研究成果获发明专利授权20余项，多项成果已应用在华为、腾讯（微信）、OPPO等国内领头企业中。

陈雨亭

上海交通大学计算机系副教授、博导、系统软件专委会常务委员

主要研究系统软件、程序分析与测试技术，在重要国际会议与期刊上发表或被接收过约 50 篇论文，如TOSEM、 Trans. Reliability、 PLDI 2016、 ICSE 2019 等。曾获2018 年度 CCF NASAC-东软青年软件创新奖。

刘辉

北京理工大学计算机学院教授、CCF 杰出会员、软件工程专委会常务委员

长期从事软件质量保障和智能软件开发方面的研究和教学工作。主持国家自然科学基金青年、面上及重点项目，参与自然基金重大项目及重点研发项目，曾入选教育部新世纪优秀人才资助计划。以第一作者或通讯作者发表CCF A类论文二十余篇，曾获得2016 IET Premium Award、RE’2021 最佳论文奖以及ICSE 2022杰出论文奖，担任IET Software 副主编。

报告及讲者

Reports and reporters

陈俊洁

天津大学特聘研究员、博士生导师、软件工程团队负责人

博士毕业于北京大学，并荣获2019年CCF优博。研究方向为软件分析与测试、数据驱动的软件工程、人工智能安全等。近年共发表学术论文60篇，其中CCF A类论文40篇，获得六项最佳论文奖（包括ASE 2019、ISSTA 2019 、FSE 2020、FSE 2021、ASE 2022的ACM SIGSOFT Distinguished Paper Award，以及ISSRE 2021的Best Research Paper Award）；成果在华为、百度等多家知名企业落地；担任CCF-A类会议ASE 2021评审过程主席，软件学报专刊特邀编辑，Dagstuhl研讨会联合主席，以及软件工程领域全部CCF-A类会议的程序委员会成员。

报告题目：

关于编译器测试研究的回顾与思考

报告摘要：

编译器是构建软件生态的重要基础软件，而编译器测试是保证编译器质量的重要方式。报告人从2015年开始从事编译器测试的研究，涉及到编译器测试的全过程，形成统一的编译器测平台，包括测试程序生成、测试预言构造、测试执行优化、编译器缺陷自动定位等，相关成果发表于软件工程CCF-A类会议及期刊，并在华为等企业落地。本报告将从报告人从事编译器测试研究的初衷（为什么从事该领域研究）、方式（如何入门该领域）、进展（如何在该领域深入研究），以及未来思考等方面进行讲述。

徐辉

复旦大学计算机科学技术学院青年副研究员、香港中文大学博士

专注程序分析、软件测试等软件系统可靠性分析和评价技术研究，已在该领域的顶级国际学术会议和期刊发表多篇学术论文，并获得ACM SIGSOFT优秀论文奖。详见个人主页：https://hxuhack.github.io。

报告题目：

基于静态分析的Rust内存安全缺陷检测研究

报告摘要：

Rust语言是近年来快速兴起的一门以内存安全著称的系统级编程语言。但是，当前的Rust语言设计依然存在诸多不足。本次报告将探讨Rust语言的安全机制、实用效果和设计缺陷，并重点介绍我们在TOSEM（ASE 2022 Journal-first Track）发表的一篇工作。该工作聚焦Rust语言的自动内存回收机制对其内存安全防护产生的副作用，即可能导致悬空指针问题。针对该问题，我们提出了一套路径敏感的悬空指针缺陷检测方法，并通过实验证明该方法可以达到较高的准确性和效率。

谢晓园

武汉大学教授、博导

武汉大学珞珈青年学者，国家基金委外国优秀青年学者研究基金获得者。主要研究方向为蜕变测试、软件缺陷定位、智能软件工程等。主持了两项国家自然科学基金面上项目，参与多项国家自然基金重点项目、国家重点研发项目等。在软件工程顶级或知名期刊会议上录用论文50余篇。曾获NASAC青年软件创新奖、ACM SigEvo HUMIES银奖、ACM SigSoft Distinguished Paper Award、湖北省科技进步一等奖、QSIC最佳论文奖。担任FCS青年AE、JSS客座编辑、历任IEEE/ACM 蜕变测试研讨会PC Chair。担任包括CCF A类会议ASE、ICSE在的多个国际会议PC members，以及包括CCF A类期刊TSE、TOSEM在内的多个国际知名期刊审稿人。

报告题目：

一种基于蜕变测试多样性的深度学习测试优化方法

报告摘要：

蜕变测试目前被广泛应用于各个领域的深度学习测试，因为其能够有效缓解测试中的Oracle问题。由于蜕变测试打破了对传统标签和Oracle的依赖，因此可大幅增加测试的执行数量。但与此同时也带来了更多的执行开销，其测试效率问题逐渐突显。然而目前还没有工作关注如何对深度学习蜕变测试用例对进行优化以尽可能改善其测试效率。在本文中，我们首次提出了一种基于多样性的深度学习蜕变测试用例对的优化方法。我们发现测试用例执行状态的多样性是检错率的重要表征。因此，本方法从测试用例执行的内部状态出发，设计了基于神经元输出分布差异的蜕变测试用例对多样性准则。根据该准则对测试用例对进行排序，使得对错误更加敏感的用例对能够被优先执行。大量的实验结果表明我们的方法可以有效地提高发现错误的速度，而多样性准则还可以帮助选择和设计检错能力更强的蜕变关系。

潘敏学

南京大学软件学院副教授、博导、CCF系统软件专委会执行委员

研究方向主要为软件系统建模与验证、软件分析与测试。主持国家自然科学基金、江苏省自然科学基金， 参与了国家重点研发计划、国家自然科学基金重大研究计划等多个科技项目。发表学术论文50余篇，创新性工作以第一作者和通讯作者发表在软件工程旗舰期刊ACM TOSEM、IEEE TSE以及软件工程领域 A类会议ICSE、FSE、ASE、ISSTA上，并获得软件测试领域顶级国际会议ISSTA 2020杰出论文奖。获得发明专利与知识产权 30 余项，成果在航天、通信等领域得到转化和应用。

报告题目：

面向带噪声和类别不平衡软件数据的鲁棒深度预测模型的学习方法研究

报告摘要：

随着深度学习的快速发展，深度预测模型已被广泛应用于缺陷预测等众多软件工程任务，取得了令人瞩目的成效。深度预测模型一般以监督学习的方式进行训练，很大程度上依赖于高质量的数据集。然而，由于软件数据的来源和特性，现实世界的软件数据集往往存在样本噪声和类别不平衡共存的问题，削弱了深度预测模型在实践中的有效性。该问题已成为基于深度学习的软件工程的一个主要障碍。

在本报告中，我们将介绍能在原始软件数据集上进行深度预测模型的鲁棒学习方法RobustTrainer。RobustTrainer通过一个创新的两阶段训练方案，首次实现了对存在样本噪声和类别不平衡共存问题的软件数据的鲁棒学习。第一阶段学习对样本噪声问题鲁棒的特征表示，第二阶段基于第一阶段学习的表示，构建对类别不平衡问题鲁棒的分类器。在错误报告分类和软件缺陷预测两个软件工程任务上的实验结果表明，与其他主流的鲁棒学习方法相比，RobustTrainer产生了更优的深度预测模型。

冯洋

南京大学计算机科学与技术助理研究员

研究方向为软件质量保障，具体研究课题包括复杂智能软件系统的质量保障技术，基于程序设计语言的软件质量保障等。近年来在软件工程领域的ICSE、FSE、ASE、ISSTA、TSE、TOSEM等CCF-A类期刊与会议发表学术论文20余篇，并于2022年ASE大会获ACM 优秀论文奖。申请发明专利多项，部分专利成果已经在百度、阿里、华为等知名软件公司转化；担任多个期刊审稿人及国际会议程序委员会成员。

报告题目：

面向问答系统的通用模糊测试框架

报告摘要：

随着深度学习技术的发展和进步，各类问答系统（QA systems）被应用在日常生活领域。为了减轻收集测试数据的成本、提高系统测试的效率和充分性，我们基于蜕变测试理论，设计并实现了一个用于QA系统的通用模糊测试框架，命名为QATest。它提供了第一个通用性的解决方案，自动化生成带有预言信息的测试用例，可用于各类QA系统，如机器阅读理解QA、开放域QA和基于知识库的QA系统。为了进一步提高测试效率，生成更多检测错误行为的测试用例，我们根据问题数据的特点设计了N-Gram覆盖率和困惑度优先级来指导测试生成过程。实验结果表明，由QATest生成的测试用例能有效地检测出QA系统的数百种错误行为；同时，其中提出的测试标准可以提高测试的多样性和模糊处理的效率。

张煜群

南方科技大学计算机科学与工程系助理教授

研究工作集中在包括模糊测试、污点分析、代码预训练模型等领域。他在包括TSE, TOSEM, TPDS, ICSE, ISSTA, ASE, DAC等相关领域国际期刊会议上共发表论文三十余篇，并在ISSTA'19上获得ACM SIGSOFT杰出论文奖。

报告题目：

One Fuzzing Strategy to Rule Them All

报告摘要：

尽管近年来模糊测试研究成果与日俱增，其一些典型机制及造成的性能影响却并未得到充分的理解和挖掘。本文针对以测试覆盖率为导向的模糊测试技术中广泛采用的Havoc随机变异策略进行实证研究，发现Havoc是模糊测试技术性能表现的主导因素；同时Havoc自身即可作为独立的模糊测试技术在性能表现上超越大部分本文的研究对象。基于这些发现，本文继续提出改进Havoc的轻量级技术HavocMAB，通过将Havoc中的变异算子选择问题建模为多臂赌博机问题并进行求解以实时优化造成的测试覆盖率。实验结果证明HavocMAB在边覆盖上优于Havoc 11.1%，并在同等计算资源条件下优于所有的研究对象至少9%。

张宇霞

博士、北京理工大学特别副研究员、硕士生导师

CCF软件工程专委会委员，CCF开源发展委员会委员。研究方向为开源软件生态系统，软件仓库数据挖掘，实证研究等，在TOSEM、TSE、ICSE、FSE和EmSE等高水平会议和期刊上发表论文20余篇，主持国家自然科学基金青年项目，参与国家自然科学基金重点项目、重点研发计划等多个纵向项目。担任国际顶级期刊TSE，EmSE，和JSEM的审稿人，国际顶级会议（ICSE24、FSE23、和MSR22）的程序委员。

报告题目：

What Makes a Good Commit Message?

报告摘要：

代码提交信息（Commit Message）作为一种有效的沟通方式与信息媒介，其质量对开发人员之间的沟通效率以及项目的可维护性有非常重要。现阶段，开发人员缺乏足够的时间和动力去创建良好的提交信息。学术界已经提出了一系列自动生成提交信息的方法。然而，由于缺乏对提交信息质量的关注，这些方法的性能存在不确定性。本研究采用定性定量结合的方式，首先定义高质量提交信息的标准，然后在五个大规模成熟开源项目中随机选取近1,600 条提交信息作为样本，分析现有提交信息的质量状况。结果表明平均有44%的提交信息需要进一步改进，这意味着当提交信息生成工具使用历史提交信息进行训练时，低质量信息的大量存在将对方法性能产生重要威胁。此外，研究分析高质量提交信息，提取了五类表达更改原因和四类表达更改内容的表述模式。最后，为了自动识别提交信息中是否缺少必要的信息，本研究提出了可以自动识别高质量提交信息的分类器，准确率达到了75.9%；这些分类器可以帮助开发者发现提交信息的质量问题，进而辅助其编写更高质量的提交信息，同时可以为提交信息的自动生成提供高质量数据集。

卜磊

南京大学软件学院教授、博导

主要研究领域是软件工程与形式化方法，包括模型检验技术，实时混成系统，信息物理融合系统等方向。2010年在南京大学获取计算机博士学位。曾在CMU、MSRA等科研机构进行访学与合作研究。相关工作发表于领域重要期刊与会议如TCAD、TC、TDSC、TCPS、TPDS、RTSS、HSCC等。入选国家级青年人才计划，NASAC青年软件创新奖，高校计算机专业优秀教师奖励计划，CCF青年科技奖等。

报告题目：

基于分类模型无梯度优化的复杂系统测试生成

报告摘要：

随着科技的快速发展，软件系统复杂度急剧提升，对相关软件系统的质量保障愈发重要也愈发难以进行。本报告对我们近期将基于分类模型无梯度优化算法应用到复杂软件系统分析与测试中的相关探索与尝试做一个简要介绍。首先，我们在软件代码符号执行中将包含非线性运算、第三方函数调用等难以求解的约束可满足问题转换成无梯度优化问题，使用猜测-验算-反馈-学习机制来对约束可行解进行反向学习而不是正向求解，从而实现含相关复杂路径约束的代码符号执行。在上述工作的启发下，我们进一步将相关技术应用到实时混成系统测试与控制生成，乃至深度学习网络对抗样本生成等多个问题中，将不同领域的难解问题统一抽象成为搜索/最优求解问题，并转化为优化问题，继而采用上述猜测-验算-反馈-学习机制进行有效求解。

王肇国

上海交通大学并行与分布式系统研究所副教授、博士生导师

王肇国于2008年从南京大学本科毕业，11年和14年分别从复旦大学获得硕士和博士学位。2014至2018年在纽约大学从事博士后研究工作，后担任研究助理教授。王肇国主要从事并行与分布式数据库系统方面的研究，主攻系统一致性、存储结构和SQL优化方面问题。相关成果发表在SIGMOD，OSDI， PPoPP，EuroSys, Usenix ATC, NSDI，PODC等国际重要会议上。他曾获SIGMOD 2022最佳论文优胜奖（Honorable Mention），APSys 2017最佳论文奖，ACM ChinaSys新星奖，华为奥林帕斯先锋奖，以及两次华为火花奖。目前担任ACM ChinaSys秘书长、CCF数据库专委执行委员、FCS预备青年编委、ACM SIGOPS指定编辑。他是ChinaSys学术开源创新平台的主要发起人，曾受邀担任 ACM ChinaSys 2021大会联合主席、ACM ChinaSys 2022大会程序委员会联合主席，ACM APSys 2018宣传主席， IEEE ICDCS 2020、IEEE Cluster 2021、TPDS 专刊 2020/2021等国际会议和专刊的程序委员会成员。

报告题目：

重新思考 Web 场景下的事务抽象问题

报告摘要：

如何让数据库系统更好的服务当代Web应用？这一直是学术界与工业界共同关心的问题。针对该问题，我们从事务抽象切入，对Web场景下传统数据库技术的合理性进行了大胆探究。具体来讲，我们分析了GitHub上多个大型Web应用，系统性的揭示了Web应用中的即席事务(Ad Hoc Transaction)现象以及其对应用和系统的影响，在此基础上，引发我们对Web场景下事务抽象的深入思考和探讨。

张宇

华中科技大学副教授、博士生导师

CCF高级会员，CCF高性能专委会委员、CCF体系结构专委会委员，之江实验室特聘专家，2016年6月在华中科技大学获得计算机系统结构博士学位，主要研究高性能计算、体系结构和系统软件、图计算，主持国家自然科学基金和企事业项目10余项，参与国家重点研发计划项目、国家自然科学基金重点基金、863计划课题等，在ISCA、ASPLOS、HPCA、SC、DAC、USENIX ATC、ACM TOS、ACM TACO、IEEE TPDS、IEEE TC等CCF A/B类和IEEE/ACM Transactions上发表学术论文58篇，获评CCF A类会议USENIX ATC 2018最佳存储相关论文和最佳论文提名，入选国际顶级期刊IEEE TC的Featured Paper of the Month和ACM TACO的Five Recent TACO Articles of Interest等，相关成果被科技日报（头版）、科学网（要闻）、人民日报等报道。

报告题目：

拓扑驱动的动态图计算优化

报告摘要：

现实世界的图通常随着时间动态改变，该类型的图被称为动态图。为有效支持动态图处理，大量动态图处理系统采用增量计算的方式来快速获得最新图快照的计算结果。然而，在对动态图的每个图快照进行处理时，受图更新影响的图顶点最新状态值会沿着图拓扑非规则传递，导致现有方法面临着严重冗余计算和不规则内存访问问题。本报告将探讨拓扑驱动的动态图计算优化技术，高效解决上述问题。具体来说，该技术通过高效规则化动态图处理中受影响的图顶点状态传递和提高数据访问局部性，从而有效减少冗余计算和数据访问开销，保证动态图处理应用在众核处理器上的高效计算。

姚培森

浙江大学网络空间安全学院特聘研究员、博士生导师

CCF形式化专委会委员。研究方向为程序分析与验证、自动推理。研究工作发表于编程语言(PLDI, OOPSLA)、软件工程(TOSEM, ICSE, ESEC/FSE, ISSTA, ASE)、信息安全(S&P)等领域的顶级会议和期刊。相关成果发现Linux Kernel,、MySQL、Vim等开源程序上千个真实缺陷，并在蚂蚁、腾讯、华为等公司中得到实际部署和使用。担任PLDI 2023等会议程序委员会委员，ATVA、ESEC/FSE、ISSTA、ASE、VMCAI、TR等会议期刊审稿人。详见https://rainoftime.github.io/

报告题目：

Complexity-Guided Container Replacement Synthesis (OOPSLA 2022)

报告摘要：

Containers, such as lists and maps, are fundamental data structures in modern programming languages. However, improper choice of container types may lead to significant performance issues. This paper presents Cres, an approach that automatically synthesizes container replacements to improve runtime performance. The synthesis algorithm works with static analysis techniques to identify how containers are utilized in the program, and attempts to select a method with lower time complexity for each container method call. Our approach can preserve program behavior and seize the opportunity of reducing execution time effectively for general inputs. We implement Cres and evaluate it on 12 real-world Java projects. It is shown that Cres synthesizes container replacements for the projects with 384.2 KLoC in 14 minutes and discovers six categories of container replacements, which can achieve an average performance improvement of 8.1%.

刘静

华东师范大学软件工程学院教授、博导

“教育部可信软件国际联合实验室”主任，法国爱斯特尔公司（Esterel Ltd.）- 华东师范大学的“模型驱动式轨交软件研发联合实验室”主任。“基于模型的可信软件理论与开发方法”获“教育部自然科学一等奖”。主要研究模型驱动式安全攸关系统构造理论及技术，包括高可信系统构造方法、软件建模语言、模型转换、模型精化与模型验证。研究保证动态模型与静态模型之间的一致性，和基于证明义务的模型精化策略，以及降低系统验证中的空间爆炸可能性问题的理论与实验方法，特别是难以发现的小概率事件的模型检查。在ASE、RTSS、ICSE等学术会议和IEEE Trans. ITS 等学术期刊上发表论文100余。研究成果被法国INRIA、美国CMU等学者等广泛引用。

与INRIA Sophia Antipolis、INRIA Lyon、Ecole Normale Superieure de Lyon等建立了长期合作关系，于2008 年、2010年、2014年、2017年、2018年、2020年多次赴法国国家信息与自动化研究所 INRIA，在AOSTE实验室进行合作研究，研究了实时系统建模语言、建模规范、模型验证问题。与法国里昂高师Yves Robert教授、INRIA Frederic Vivien研究员、INRIA Robert De Simone研究员等联合培养博士生3名。

先后主持了国家863项目“模型驱动式高可信软件开发技术”、国家自然科学基金可信软件重大研究计划项目、国家973课题、国家重点研发计划课题、工信部民用飞机专项课题、国家自然科学基金国家合作项目和5项国家自然科学基金面上项目。作为PI参与国家自然科学基金创新群体、上海市产学研协同创新平台建设等。

在企业应用方面，针对高端核心控制软件可信性难以保障问题，提出的“模型驱动式高可信软件构造方法”，被广泛应用于安全攸关软件系统研发，包括轨道交通无人驾驶系统、飞机发动机系统、飞机显控系统等核心高端软件研发。

报告题目：

Provably Tightest Linear Approximation for Robustness Verification of Sigmoid-like Neural Networks

报告摘要：

The robustness of deep neural networks is crucial to modern AI-enabled systems and should be formally verified. Sigmoid-like neural networks have been adopted in a wide range of applications. Due to their non-linearity, Sigmoid-like activation functions are usually over-approximated for efficient verification, which inevitably introduces imprecision. Considerable efforts have been devoted to finding the so-called tighter approximations to obtain more precise verification results. However, existing tightness definitions are heuristic and lack theoretical foundations. We conduct a thorough empirical analysis of existing neuron-wise characterizations of tightness and reveal that they are superior only on specific neural networks. We then introduce the notion of network-wise tightness as a unified tightness definition and show that computing network-wise tightness is a complex non-convex optimization problem. We bypass the complexity from different perspectives via two efficient, provably tightest approximations. The results demonstrate the promising performance achievement of our approaches over state of the art: (i) achieving up to 251.28% improvement to certified lower robustness bounds; and (ii) exhibiting notably more precise verification results on convolutional networks.

许智磊

上海交通大学清源研究院系统安全性与可靠性研究组负责人

本科毕业于清华大学计算机系，后于美国麻省理工学院获得博士学位，先后在美国Google、Facebook等公司工作。长期从事操作系统和分布式系统，程序设计语言等方面的研究，研究领域：程序设计语言、信息安全、软件可靠性和安全性，操作系统和分布式系统。

报告题目：

《PPMLAC: 加速安全多方计算的高性能芯片体系结构》 （PPMLAC: High Performance Chipset Architecture for Secure Multi-Party Computation）

报告摘要：

安全多方计算（Secure Multi-Party Computation，简称MPC）是一种实现隐私计算的方法：参与安全多方计算的各方持有自己的私有数据，共同计算出某个函数的结果，此结果依赖于各方的私有数据，但是在计算过程中，任何参与方的私有数据都不会泄露给别的参与方。这样，就做到了数据的“可用不可见”，即各方的隐私数据仅用于计算最终的函数结果，但是并不会被任何其他参与方拥有、窥探。以往的MPC软件实现方式对网络延迟非常敏感，在现实的跨数据中心网络环境下，性能较低，不适合计算大数据、复杂模型。

本文致力于解决传统MPC在现实网络环境下性能较低的问题。作者在本文中提出，对于MPC的一种常见实现方式：基于秘密分享（Secret-Sharing）的MPC，如果引入一个最小的硬件可信根，就可以将MPC的性能瓶颈完全消除，将原先频繁发生的双向网络通信改变成单向网络通信，进一步可以进行异步通信（Asynchronous Communication）和计算-通信流水线编排（Pipelining），从而大大提高MPC的性能，且使之对网络延迟完全不敏感。在此基础上，利用硬件芯片的不可篡改性，结合非对称密码学技术，作者构造了专门用于加速安全多方计算的专用芯片体系结构（PPMLAC）。这种加速芯片可以将复杂模型进行安全多方计算的性能提升成千上万倍。例如：经典的ResNet物体识别模型，如果采用常用的SPDZ软件实现MPC，在现实网络环境下需要数小时才能进行一次推理（Inference），而采用PPMLAC的原型产品FPGA加速芯片进行MPC运算，仅需不到5秒即可。另外，PPMLAC体系结构引入的硬件信任根仅用于MPC中的乘法操作，是一个极其基本的操作，所以攻击面非常窄，很容易在芯片层面安全地实现其功能，能够对抗包括侧信道攻击（Side-Channel Attack）在内的各种攻击形式，保证对用户数据隐私的保护。