En el mundo de hoy impulsado por datos, el crecimiento explosivo del tráfico de red a menudo conduce a la congestión de la red, lo que afecta seriamente el rendimiento del servicio y la experiencia del usuario. La programación del tráfico de red es una de las tecnologías clave para abordar los problemas de congestión. Los métodos tradicionales de programación de tráfico a menudo se basan en reglas estáticas o políticas predefinidas, lo que dificulta hacer frente a los patrones de tráfico de red que cambian dinámicamente. Además, la incapacidad para gestionar eficientemente a los contribuyentes menos frecuentes que contribuyen desproporcionadamente al tráfico puede agravar aún más los problemas de congestión. En este documento, proponemos ESTS, una programación de tráfico eficiente y segura basada en un esquema privado, capaz de identificar a los contribuyentes menos frecuentes para ajustar el enrutamiento y prevenir la congestión. La idea clave es desarrollar una estructura de admisión aleatoria, que vincula dos esquemas de conteo-promedio-mínimo (CMM). El primer esquema CMM registra elementos fríos, mientras que el segundo, siguiendo la estructura, almacena elementos calientes con alta frecuencia. Además, considerando que los contribuyentes menos frecuentes pueden filtrar información privada, incorporamos ruido gaussiano de manera uniforme en el esquema CMM y la estructura. Las evaluaciones experimentales en conjuntos de datos reales y sintéticos demuestran que ESTS mejora significativamente la precisión de la estimación de la distribución de características y la preservación de la privacidad. En comparación con los métodos de referencia, el marco ESTS logra una reducción del 25% en el error relativo promedio y una mejora del 30% en la precisión de identificación de contribuyentes menos frecuentes. Estos resultados subrayan la eficiencia y confiabilidad del marco.