分割计算（Split Computing, SC）通过在边缘设备与云服务器之间切分深度神经网络（DNN）推理来降低端侧算力与延迟压力，但切分点处传输的中间特征表示同时暴露于两类风险：其一是硬件故障（如瞬态位翻转、软错误）导致的推理精度退化，其二是攻击者对特征图实施对抗扰动从而劫持最终预测。以往研究通常把可靠性与安全性割裂评估，导致二者的耦合效应被忽视，也无法回答「某一切分与压缩配置究竟有多脆弱」这一工程问题。本文提出一个统一评估框架，对分割计算的可靠性与安全性进行联合量化。方法上，可靠性侧采用神经元级故障注入（neuron-level fault injection），以平均相对精度退化指标 MRAD（Mean Relative Accuracy Degradation）刻画故障影响；安全性侧采用特征图感知的对抗攻击仿真（feature-map-aware adversarial attacks），以攻击成功率 ASR（Attack Success Rate）度量攻击效果。在两组互补分析之上，作者提出联合脆弱性分数 JVS（Joint Vulnerability Score），并给出置信度感知扩展版本，使指标不仅反映预测错误，还能反映模型置信度的退化（即「答错但自信」这类危险失效模式）。实验在 ILSVRC-2012 数据集上训练的 ResNet-50 上展开，覆盖十种不同的分割计算配置。结果显示：不同压缩/切分策略之间的脆弱性差异显著，故障注入下 MRAD 落在 44.3% 至 61.2% 区间，对抗攻击的 ASR 最高达 98.8%；更重要的是，联合指标揭示出若干在单独分析可靠性或安全性时完全不可见的脆弱性趋势，说明只看单一维度会系统性低估真实风险。该工作的主要贡献在于把可靠性工程与对抗安全评估纳入同一方法学，为设计可依赖的分割计算系统、选择切分点与压缩策略提供了量化的决策依据。适合边缘AI、DNN容错与可靠性、对抗鲁棒性、模型压缩以及端云协同推理架构方向的研究者与工程师阅读。