该论文研究设备端大语言模型（LLM）知识产权保护中的安全边界问题。背景上，可信执行环境（TEE）为在本地设备上保护 LLM 权重提供了有前景的隔离机制，但 TEE 本身存在计算瓶颈。现有 TEE 屏蔽式 LLM 划分（TSLP）方法通过高效混淆方案把计算密集型层卸载到外部 GPU，仅在 TEE 内保留轻量操作，从而兼顾性能与保护。然而作者指出，这类防御大多基于启发式设计，缺乏统一的理论刻画，因此有些方案已被针对其特定架构实现的专用对抗攻击证明存在脆弱性。为克服启发式设计的局限，论文提出一个基础研究问题：能否建立通用原语来统一代表性的已有方法，刻画其组合后的安全边界，并系统性地扩展该边界？为此，作者形式化了一组混淆原语，将其定义为满足特定代数性质的线性计算的对偶元组；并证明本文所研究的代表性高效 TSLP 框架的矩阵级权重变换可以表示成这些原语的组合，其规范形式 O_prior 刻画了该原语族的结构性边界。随后，论文提出一种名为 Collapse 的原语引导攻击方法，揭示 O_prior 的脆弱性，并证明多个发表于顶级会议的 TSLP 方法（如 Security'25 的 ArrowCloak、S&P'25 的 TSQP、NeurIPS'25 的 LoRO）存在共性弱点。最后，作者引入两个新的混淆原语，并与现有构造集成形成 O_ext，从而扩展这一安全边界。该工作适合 TEE/LLM 安全、模型知识产权保护与可信推理系统方向的研究者阅读。