创新作品赛:
9月19日,作为国家网络安全宣传周的重要活动之一,第四届“强网杯”全国网络安全挑战赛——创新作品赛在网络安全科技馆举行最终的线下路演活动。经过现场9位专家评审和55名大众评委严格、公正的评选,CamSPot团队的“CamSpot隐蔽摄像头感知及定位系统”荣获本届大赛“最具商业价值潜力奖”的最高荣誉,逆行者团队的“新型手势识别身份认证方案设计”和埃文科技团队的“新型信息基础设施网络测绘系统”分别获得亚军和季军。
“物语安——物联网语音安全领航者”、“ 比特币区块链数据智能分析平台”、“ 新型信息基础设施网络测绘系统”、“IoT安全态势感知平台”、 “业务安全态势感知平台”、“CamSpot隐蔽摄像头感知及定位系统”等6个创新项目,经过与评委的现场考察交流,获得了专业投资人的合作意向,并现场完成签约,收获了真正投入中国网络安全市场的商业机会。充分体现了本届“强网杯”赛事的创新之处,以及架设创新成果与产业孵化桥梁,形成网络安全人才、技术、产业融合发展的重大意义。
网络安全挑战赛
9月18日,备受关注的第四届“强网杯”全国网络安全挑战赛线下赛结果出炉,从线上3121支战队角逐而出的32支精英战队,经过连续3天激烈的线下王者之争,最终0x300R战队斩获第四届“强网杯” 全国网络安全挑战赛冠军,eee战队和0ops战队分别荣获亚军、季军。值得一提的是,这是“强网杯”首次作为国家网络安全宣传周的重要活动之一,并在属于自己的永久赛场上——“网络安全科技馆”进行的首场大练兵。
【中央网信办信息服务管理局副局长李云峰和信息工程大学校长郭云飞共同为冠军0x300R战队颁奖】
在颁奖仪式上,与会领导对获得“强网杯”线下赛一等奖的冠亚季军战队,以及二等奖、三等奖的战队和获得“赛季MVP”的最佳个人进行了颁奖。“少年强则国家强”,本届“强网杯”专门设计了青少年专项赛,与会领导及嘉宾还对获得青少年专项赛一等奖、二等奖、三等奖、优秀奖的战队进行了颁奖。
作为中央网信办和河南省人民政府联合指导的国家级网络安全赛事,“强网杯”已成为网络安全竞赛领域的标杆品牌,助力我国网信事业健康发展。“强网杯”自创办以来,高度重视赛题质量和赛制创新,尤其是本届大赛总决赛最终阶段的SpeedRace巅峰对决,其模式采用了两支队伍“1VS1”的不间断、高强度竞速模式,充分考察了参赛队漏洞利用和漏洞修补能力及效率,真实展现了“时间就是生命,时间就是安全”的网络对抗形态。
【总决赛现场】
网络对抗中,至为关键的因素就是平均检测时间(MTTD)和平均修复时间(MTTR)。越准确地发现自己的薄弱点、越高效地发现攻击行为、越快速地进行修复、越简化的工作流程,就能使攻击者浪费更多的时间和精力,进而耗尽其有生力量。正因如此,SpeedRace巅峰对决以“速度决定成败”,甚至把90秒钟作为一个回合,以及“影子题目”策略的设定,皆充分体现与黑客对决就在电光火石之间的真实场景。
赛青少年专项赛
9月18日,为期两天的第四届“强网杯”全国网络安全挑战赛青少年专项赛线下赛正式落下帷幕。在经过“实践赛”、“创新赛”、“争霸赛”的比拼,来自莆田六中的qwq战队脱颖而出赢得了最终的胜利。本次线下赛除了遴选网络安全的“明日之星”、发掘优秀青少年网络安全人才之外,还通过充满趣味性与互动性的竞赛,实现了激发网络安全兴趣、普及网络安全知识的目标。
【qwq战队获奖现场】
本次青少年专项赛由“强网杯”全国网络安全挑战赛竞赛组织委员会主办,信息工程大学网络空间安全学院、郑州市教育局、共青团郑州市委、郑州国家高新技术产业开发区管理委员会联合承办,郑州中学协办,永信至诚、胡门网络共同支持。这是“强网杯”首次面向10-18周岁青少年举办的网络安全竞赛,本次赛事无论是赛事权威性、质量,还是选手的参赛踊跃度与水平,都达到了极高的水准,在培养青少年网络安全意识,提高青少年网络安全技能、发掘优秀青少年网络安全人才等方面更具备着尤为重要的意义。
参加本次线下赛的一共有 21 支青少年战队,赛程设计充满趣味性与挑战性,分为:实践赛——守护校园网络安全、创新赛——科技馆奇妙夜、争霸赛——网络安全“青峰对决”三个环节,共决出一等奖1个,二等奖3个,三等奖5个。
本届比赛完成了发掘优秀青少年网络安全人才的目标,也充分展现了“强网杯”作为国家赛事和2020年国家网络安全宣传周的重要组成部分,在做大做强网安产业、培养更多网安人才方面的积极作用,这对于国家强化网络安全后备人才培养新思路、新机制,推动加快网络安全学科建设和人才培养有着深远意义。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。