本文提出了一种模型无关的对抗抵抗分布式学习框架，旨在同时解决分布式机器学习中的隐私泄露和恶意操纵问题。传统方法通常分别处理这些威胁，且往往针对特定学习范式或模型架构，限制了实际部署的适用性。该框架结合了范式特定的防御机制与GPBACC（一种隐私增强的编码计算技术），可应用于任意机器学习模型。对于联邦学习，采用鲁棒聚合策略减轻恶意参与者的影响；对于去中心化学习，利用近似解码-比较和组测试技术实现轻量级验证和对手隔离，无需依赖可信聚合器。通过攻击驱动的显式分析，实现了代表性隐私攻击和恶意行为，实验表明GPBACC与鲁棒聚合及验证机制的组合显著降低了隐私泄露并提高了对主动对手的韧性。研究结果为安全分布式机器学习提供了实用且可部署的基础。适合分布式系统安全、隐私保护机器学习方向的研究人员阅读。