本文针对深度神经网络（DNN）在资源受限的神经形态硬件上部署时面临的三个并发挑战——剪枝压缩、对抗输入扰动和硬件故障（如stuck-at-zero权重错误）——进行了系统的实证研究。尽管这些因素在已有文献中均被单独探讨，但它们的联合效应尚未被充分理解。作者使用一个在MNIST数据集上训练的紧凑型三层卷积神经网络，设计了三组实验：第一组对比自然训练与对抗训练模型在同时遭受硬件故障注入和对抗攻击时的容错性；第二组评估不同剪枝水平对模型对抗鲁棒性的影响；第三组刻画故障率、对抗扰动幅度和剪枝水平共同作用下的模型准确率曲面。实验结果显示：对抗训练虽然显著提升了模型对输入扰动的鲁棒性，但同时也加剧了模型对stuck-at-zero权重故障的敏感性；与直觉预期相反，剪枝并未明显增加模型的故障敏感性，且不同剪枝水平对故障率和攻击强度的总体影响很小。这些发现揭示了对抗鲁棒性与硬件可靠性之间存在潜在的权衡，强调在真实硬件部署中必须联合考虑这两种因素，而不是孤立地优化其中一项。本文的贡献在于首次以统一框架评估了三者的交互，为设计同时具备对抗安全性和硬件容错性的DNN提供了实验依据，特别适用于神经形态芯片、边缘计算等资源受限的安全关键型AI系统。

该论文聚焦于大语言模型（LLM）从云端向边缘设备（如企业本地服务器、个人终端、物联网平台）迁移过程中面临的安全与隐私挑战。作者指出，边缘环境下有限的计算和内存资源迫使开发者采用量化、剪枝、模型分区、参数高效微调等优化技术，但这些技术可能引入新的漏洞并改变威胁格局。论文将此矛盾定义为“安全-效率悖论”——提升效率的机制可能削弱鲁棒性、暴露新攻击面或增加隐私风险。具体风险包括：压缩降低安全对齐、分区推理使重构攻击成为可能、持续本地适应导致隐私泄露和模型漂移。为系统性分析这些风险，作者提出了一种以部署为中心的漏洞分类法，围绕三大架构约束构建：内存墙（参数与缓存限制）、二次方墙（注意力机制的计算复杂度）、计算墙（硬件算力瓶颈）。基于此，论文推导出一个统一约束模型，量化何时不安全优化变得不可避免，并建立了每堵墙与特定攻击面的映射关系。进一步，作者提出了安全运营效率评分（SOES），这是一个平衡任务准确性、越狱抵抗性、隐私保护与能量、内存、延迟的综合指标，帮助从业者在真实硬件限制下配置边缘LLM。最后，论文给出了实用的决策流程和针对每种优化引入漏洞的定向缓解措施。实验部分通过案例研究展示了框架的有效性。该工作为边缘智能系统的安全、隐私与效率协同一体化设计奠定了基础。