认识 PyTorch：张量、自动微分与模型的关系
PyTorch 安全：把模型当作可执行产物
加载前检查代码与权重来源，限制输入，并保护分布式网络边界。
PyTorch 安全：把模型当作可执行产物知识学习CN编辑简报更新 2026-09-23
你将学会
- 检查模型来源
- 理解检查点的信任假设
- 保护输入和恢复记录
开始前需要
- 基本 Python 与微积分知识
- 供后续练习使用的独立环境
把数学预期与实际输出分开记录，用可解释的失败帮助学习。
先看结论
- 权重和代码都要审查。
- 加载安全不能代表全部执行安全。
- 分布式组件有信任前提。
检查模型来源
官方安全政策提醒，运行不可信模型与运行不可信代码存在类似风险。模型定义和权重来源需要分别审查，来源不明的产物应放在受限制的环境中。
更安全的序列化格式只能降低部分加载风险，不能验证所有后续操作，也不能让任意输入都变得安全。应用仍然需要限制形状和资源消耗。
理解检查点的信任假设
安全政策将分布式检查点视为可信训练基础设施产生的文件，并非来自陌生人的任意下载。分布式通信也没有提供面向不可信网络的安全边界。
将分布式端点限制在可信工作节点可访问的内部网络中，不要把它们当作经过身份认证的公共推理接口。本系列没有对分布式执行做渗透测试。
保护输入和恢复记录
不要把敏感记录交给来源不明的模型。训练产物可能保留训练数据中的信息，因此发布权重还需要独立的数据审查，而非只检查文件能否加载。
保留可信发布清单与脱敏诊断记录。遇到可疑加载行为时，先停止并检查产物，不要反复扩大权限来绕过错误提示。
如何选择
| 比较维度 | 方案 A | 方案 B |
|---|---|---|
| Best when | You need predictable behavior and easy auditing | You need adaptive optimization and have reliable telemetry |
| Main risk | May leave performance on the table | Can become difficult to explain or debug |
实施步骤
- 1
核验模型代码与权重来源。
- 2
把分布式通信留在可信基础设施内。
- 3
限制输入并保护敏感数据。
可复制示例
yaml
model_boundary:
code: reviewed
weights: trusted-origin-and-hash
inputs: bounded
distributed_network: trusted-only常见问题
受限制的加载器能保证后续都安全吗？
不能，还要检查后续操作、输入和资源边界。
可以接收任意上传的分布式检查点吗？
官方假设它们来自可信任务与存储，不应当作不可信上传格式。
资料来源
- PyTorch / SECURITY.md来源核查 2026-09-23