针对外包隐私决策树分类协议普遍存在用户通信开销大、评估效率低，以及对模型结构参数隐私保护不足等问题，提出一种次线性成本的隐私决策树外包分类协议。在该协议中，模型所有者利用不经意索引，通过树结构重排隐藏决策树拓扑信息完成模型隐私性的保护，并将秘密份额发送至云服务器，用户则根据属性索引随机选择特征向量份额并分发给云服务器。云服务器利用基于PaillierTD同态加密设计的无需二进制分解的阈值比较算法协同完成节点阈值对比，并沿指向包含正确分类标签叶节点的路径完成评估。性能分析结果表明，所提协议在保护模型结构隐私的前提下，相较于同类协议通信开销降低约46.49%,评估时间减少约19.72%;相较于未保护模型隐私的同类协议，评估时间减少约50.12%,同时维持了较低通信开销，适用于深度较高的决策树或高维度特征向量的场景。