이 논문은 신뢰실행환경(TEE)에서 민감 상태를 보호하고 선형대수 연산만 신뢰되지 않은 가속기에 위탁하는 'TEE-차폐 추론'을 겨냥한 방어 ArrowCloak(USENIX Security 2025 후속)을 재검토했다. ArrowCloak은 공유 마스크 방향의 서로 다른 배수를 각 벡터에 더하고 Learning with Errors(LWE)에 안전성을 근거했지만, 이 LWE 정식화가 축소 방향·양자화 연산·결합 인스턴스 분포 조건을 충족하지 못해 표준 LWE 난이도를 실제로 보장하지 못함을 밝혔다. 하나의 마스크 방향을 재사용하는 구조가 공개된 행렬 전체에서 복구 가능한 순위-1 성분을 남긴다는 점을 이용해, 체크포인트와 난독화된 가중치만으로 쿼리 없이 원본 가중치를 복원하는 종단간 공격을 제시했다. 분류·분할·확산모델을 아우르는 6개 모델-과제 조합에서 은닉된 벡터 대응관계를 99.92~100% 복구했고, 복원된 분류모델은 피해모델과 최대 99.54% 일치했다.

• •TEE-차폐 추론 방어 ArrowCloak의 LWE 기반 안전성 주장이 실제로는 표준 LWE 난이도를 보장하지 못함을 규명
• •공유 마스크 방향 재사용이 공개 행렬에 순위-1 구조를 남긴다는 점을 이용한 쿼리 없는 종단간 가중치 복원 공격 제시
• •체크포인트와 난독화된 가중치만으로 변환비밀·피해자쿼리·파인튜닝데이터 없이 공격 수행
• •분류·분할·확산 6개 모델-과제에서 벡터 대응관계 99.92~100% 복구, 분류모델 최대 99.54% 피해모델 일치