DarkneTZ是一个结合可信执行环境（TEE）和模型分区的框架，旨在优化深度神经网络（DNN）的执行，提升性能并保护隐私。研究表明，该框架在推理速度上提高了3.13倍，功耗降低超过66.5%。此外，提出了GradSec和TEE-Shielded DNN等新方法，增强了模型的安全性，减少了训练时间和开销。

DarkneTZ 是一个结合可信执行环境（TEE）和模型分区的框架，旨在提升深度神经网络（DNN）的安全性和性能。该研究提出了多种优化方法，如 TEE-Shielded DNN 划分和 Slalom 框架，旨在减少边缘设备上的计算开销并保持准确度。此外，GradSec 方法有效保护了机器学习模型的敏感层，增强了隐私安全性。

该文章介绍了生成式移动边缘网络的概念和应用，通过结合生成式人工智能和边缘计算网络解决资源受限场景下的挑战。提出了模型分区的方法和基于生成扩散模型的Stackelberg模型来激励边缘设备提供计算资源。