随着移动端和物联网设备上的人工智能推断任务日益普及，端侧推理（on-device inference）已成为保护用户数据隐私的主流范式。该范式通常将第三方提供的模型部署在本地设备上执行推断，然而这会将私有模型暴露于两大安全威胁之下：模型窃取（model stealing, MS）和成员推理攻击（membership inference attack, MIA）。为了缓解这些风险，现有研究普遍采用可信执行环境（Trusted Execution Environment, TEE）来部署模型，借助TEE提供的隔离执行空间保护模型机密性。然而，TEE的安全内存容量受限，若将完整模型全部放入TEE，会因内存瓶颈导致推理延迟显著上升，难以兼顾安全性与性能。针对这一核心矛盾，本文提出名为TensorShield的防护方案，其核心思想是识别并筛选出对模型安全性最关键的张量（critical tensors），仅将这些关键张量放入TEE中加以保护，而其余非敏感部分保留在普通内存中执行，从而在有限安全内存约束下实现模型保护，同时尽量降低对端侧推理延迟的影响。该工作聚焦于模型推理过程中的数据流与张量依赖关系，通过精细化保护策略替代全模型加密，试图在安全性、内存开销与推理效率之间取得更优平衡。本文的研究贡献属于系统安全与机器学习系统交叉方向，对关注TEE应用优化、端侧AI安全以及模型知识产权保护的研究者和工程师具有参考价值。由于当前仅能获取论文摘要，尚无法确认具体的张量筛选算法、威胁模型边界以及实验评测细节，因此暂归类为理论研究范畴。