本文针对可信执行环境（TEE）下的大语言模型（LLM）推理加速方案展开安全研究。此类方案将模型线性层以混淆形式卸载到不受信任的加速器上，同时在TEE内保留少量校正参数，以平衡隐私与性能。早期轻量级混淆方法因保持权重向量方向而被ArrowMatch攻击攻破。为抵御该攻击，ArrowCloak将相同的隐藏方向标量倍注入所有权重向量，实现轻量级可信校正。本文证明这种复用导致整个加速器可见矩阵存在秩一关系，并针对其公开的实数域方案提出SpectralLeak攻击，通过估计并移除共享分量恢复替代模型，在12个任务设置中平均准确率达到87.98%，而受害模型为89.85%。针对其模Q安全公式，研究表明模运算虽抑制谱信号，但保留了模Q的代数秩一关系，进而提出LatticeLeak攻击，利用由此产生的隐藏格结构。在BERT-Base和GPT2-Base实验中，该方法可精确重建所有受保护的定点参数，且重建模型无需受害者查询、标签或微调即可保持与受害者相当的任务精度。这些发现表明共享秩一复用是泄漏的根因，并据此设计ButterflyCloak防御方案，利用带密钥的最大秩蝶形掩码替换复用方向，同时保持快速可信校正。该研究揭示了TEE卸载LLM中混淆方案的根本脆弱性，为设计更安全的轻量级保护提供了重要指导。