본 논문은 이기종 환경에서 자원 제약이 있는 에지 장치를 위한 개인화된 프라이버시 보존 분할 학습 프레임워크인 P3SL을 제안합니다. 기존 분할 학습(SL)의 한계점인 이기종 환경에서의 자원, 통신, 환경 조건, 프라이버시 요구사항의 차이를 해결하기 위해, 각 클라이언트가 자체적인 프라이버시 보호 수준과 로컬 모델을 맞춤형으로 설정할 수 있는 개인화된 순차적 분할 학습 파이프라인을 설계했습니다. 또한, 이중 수준 최적화 기법을 사용하여 클라이언트가 개인 정보(연산 자원, 환경 조건, 프라이버시 요구사항)를 서버와 공유하지 않고도 최적의 분할 지점을 결정할 수 있도록 합니다. 4개의 Jetson Nano P3450, 2개의 Raspberry Pi, 1개의 노트북으로 구성된 테스트 환경에서 다양한 모델 아키텍처와 데이터셋을 사용하여 P3SL을 구현 및 평가했습니다. 에너지 소비와 프라이버시 유출 위험 간의 균형을 유지하면서 높은 모델 정확도를 달성하는 것을 목표로 합니다.