乐发彩票充值_乐发彩票软件

【网络强国这十年】动画｜摆脱纸上谈兵！带你看看网络安全实战精兵需要哪些“必杀技”******

　　当前，网络空间安全面临的形势复杂多变，以窃取敏感数据、破坏关键信息基础设施为目标的有组织网络攻击愈演愈烈。我国正在迎来数字经济的发展浪潮，千行百业的数字化转型，都需要有网络安全的坚实保障。

　　网络空间的竞争，归根结底是人才的竞争。数据显示，到2027年，我国网络安全人员缺口将达327万，而高校人才培养规模仅为3万/年。在网络安全人才缺口中，实战型人才缺乏的问题更为突出。有高达92%的企业认为其缺乏网络安全实战人才。这也成为整个数字化转型过程中亟需解决的重要命题。

　　网络安全人才要有综合实战能力

　　在2022年国家网络安全宣传周期间发布的《网络安全人才实战能力白皮书》从当前国内网络安全人才状况、人才的攻防实战能力、用人单位的实战能力需求、如何提升人才的攻防实战能力、如何评价提升人才的攻防实战能力、“政、企、学、研”如何共同培养实战人才等方面，通过翔实数据和面向不同群体调研，以及各领域专家学者的认真编撰，为党政机关、重要行业、企事业单位及高校等单位的人才建设战略提供重要参考。

　　从业务需求出发，将网络安全人才实战能力归纳为“攻防实战能力”“漏洞挖掘能力”“工程开发能力”“战效评估能力”四种类型。

　　其中，本次白皮书将重点聚焦的攻防实战能力定义为，在真实业务场景中，利用网络空间安全技术和工具开展安全监测与分析、风险评估、渗透测试事件研判、安全运维、应急响应等工作的能力。这需要网络安全人才掌握各类安全标准的落地实践经验，可以熟练使用网络安全技术和工具，为具体业务开展风险评估，提供安全落地规划指导和建议。

　　同时，网络安全人才还应具备一定的调查取证能力，能够在受到攻击后收集、处理、保存、分析并呈现计算机攻击相关证据，为后续的攻击溯源或案件侦查提供帮助。

　　网络安全人才市场供需仍不匹配

　　白皮书显示，从人才的需求侧来看，网络安全攻防实战人才面临严重缺口。以往很多用人单位不仅专业岗位人员配置不足，还有很多岗位是“兼职人员”，实战能力严重匮乏。数据显示，当前对网络安全人才的需求，能源行业的需求量位列第一，在细分行业中占比为21%，其次是通信、政法、金融、交通、医疗卫生、网安企业等行业。

　　预计未来3至5年内，具备实战技能的安全运维人员与高水平网络安全专家，将成为网络安全人才市场中最为稀缺和抢手的资源，加强网络安全攻防实战人才的培养已成为行业共识。

　　人才培养从实践中来往实战中去

　　网络安全竞赛、实网攻防演练、众测与应急响应，都是近年来我国广泛开展的网络安全实践模式。其中，网络安全竞赛具有强实践性、创新性、对抗性的特点，近年已成为全面检验和提升攻防实战能力的重要方式之一，“以赛促学、以赛代练”理念也帮助一线人员摆脱“纸上谈兵”的困境，在实际工作场景中更加得心应手。

　　科学系统地培养攻防实战人才，应首先建立统一的网络安全攻防实战能力框架，同时通过“竞赛选拔、分类提高、职业引导”的方式，将竞赛、众测、攻防演练、技术分享等方式相结合，形成常态化的攻防人才成长通道。

　　同时，网络安全是一门综合性学科，借鉴国外经验，提出ASK-P模型，将网络安全人才培养分为意识（Awareness）、技能（Skill）、知识（Knowledge）、实践（Practice）四个维度，旨在培养多学科融会贯通，具备综合实战能力的复合型人才。

　　监制：张宁 李政葳  策划：孔繁鑫 制作：刘昊

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）