视觉Transformer（ViTs）在资源受限环境中常通过token剪枝技术来降低计算成本并保持准确率，然而攻击者可针对这些剪枝机制发起对抗性效率攻击，故意构造输入以破坏剪枝的收益，导致模型推理开销剧增，违背了效率优化的初衷。本文提出了一种名为MOAT（Model-Agnostic Randomized Transformations）的模型无关预处理防御管线，通过组合多种输入变换来保护采用token剪枝的ViT实现免受此类效率攻击。MOAT直接作用于输入，无需修改模型架构或token剪枝逻辑，因此可集成到现有部署流程中。实验结果表明，在所有测试的ViT模型上，MOAT能将对抗攻击下的GFLOPs退化限制在原始无攻击模型的3.4%以内，显示了其有效的防御能力和普适性。该研究为在资源受限场景下安全部署高效ViT提供了实用方案，适合关注AI系统安全性与鲁棒性的研究者和工程师阅读。