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。