随着人民群众对使用机器学习需求的提高,弱中心系统能够帮助人民群众绕开企业寡头算法歧视的情况下建立和使用机器学习模型。对抗攻击是目前机器学习任务的主要威胁,主要可以被分为逃逸攻击、投毒攻击、模型提取攻击、推断攻击。尽管这些攻击在中心化场景的防御方法已经被广泛研究,但难以在不信任的弱中心化场景应用。因此保证这一过程中的安全是需要研究的问题,本文主要就机器学习模型弱中心化演进任务中的安全防护进行研究。目前逃逸攻击的主要防御方法是对抗训练。传统对抗训练方法需要对模型的梯度信息进行访问,在机器学习模型弱中心化演进场景下,模型拥有者不希望不信任参与者访问模型。而掌握对抗训练方法的参与者同样不希望其方法被直接公开。针对上述问题,本文提出基于程序性噪声对抗样本的对抗训练。该方法无需访问模型,以对数据集进行扰动的方式进行对抗训练,最终利用扰动后的数据集作为交付。从而使弱中心化演进中互不信任的参与方能够完成模型对逃逸攻击防御能力的演进。本文进一步研究投毒攻击对机器学习模型影响。结合文献研究与实验发现当前投毒攻击状态缺乏有效防御方式。因此既然攻击无法发生后对模型来源进行追溯,针对此问题本文设计线性回归模型的密码学承诺和神经网络模型文件密码学承诺。线性回归的承诺方案还提供在不访问模型的情况下对模型预测值进行检验的能力。机器学习模型的承诺需要具有不可否认性,部分哈希算法目前已经存在弱碰撞方案,并且本文成功构造一对存在MD5碰撞的神经网络模型文件,因此使用存在弱碰撞对机器学习模型进行承诺是不安全的。鉴于此本文提出基于密钥-哈希身份认证码的模型文件承诺方案,该方案不但适用于弱中心化场景,对于机器学习框架内嵌模型的分发也能提供即使所选哈希存在碰撞攻击情况下的安全性。