一、竞赛背景
作为2023中国国际大数据产业博览会的重要主题活动之一,大数据及网络安全精英对抗赛是深入贯彻落实国家网络空间安全战略,落实国发〔2022〕2号文重大历史机遇,推进全国大数据及网络安全示范试点城市建设的重要举措。
安全精英选拔赛是大数据及网络安全精英对抗赛面向社会遴选安全精英人才的重要赛项。
安全精英选拔赛分为线上预赛与线下决赛两个阶段,活动通知、赛程、规则等相关信息将通过“大数据及网络安全精英对抗赛在线报名平台”网站发布。
二、报名须知
(一)报名时间
1. 报名时间:4月18日-4月25日
2. 报名平台网址:https://www.ccsec.cn
3. 报名平台网址将于4月18日8:00开放,于4月25日18:00关闭。
(二)报名要求
1. 安全精英选拔赛面向国内各行业单位的网络安全从业人员及具备网络安全技术专长人员开放。
2. 报名人员应持有中国公民合法身份,遵纪守法且无犯罪记录,根据在线报名平台要求填报选手信息。
3. 在线预赛资格将授予通过大数据及网络安全攻防演练组委会审查的报名人员,请报名人员于在线预赛开始前一天登录报名平台查看预赛资格审查结果。
4. 通过在线预赛竞技,安全精英选拔赛将按积分排名遴选70名选手入围线下决赛。
5. 入赛决赛人员须经大数据及网络安全攻防演练组委会审核获得线下决赛正式资格。
(三)其他重要事项
1. 取得线下决赛参赛资格的选手,由大数据及网络安全攻防演练组委会承担交通食宿费用,详情请咨询报名联系人。
2. 安全精英选拔赛的赛制规则、奖项设置、比赛纪律以及其他活动通知,请关注报名平台的发布信息。
三、奖励方法
安全精英选拔赛决赛的总奖金池为51万元:一等奖1名,奖金12万元;二等奖2名,奖金各8万元;三等奖3名,奖金各3万元;四等奖4名,奖金各1.5万元;另设8万奖金池,对取得比赛成果的选手依次进行奖励。具体奖励办法请关注报名平台的公告与通知。
四、赛程说明
安全精英选拔赛赛程安排如下:
五、赛制说明
(一)线上预赛赛题范围
安全精英选拔赛线上预赛包含理论知识线上答题和CTF线上答题两个环节。其中,理论知识赛题,抽选 100 个赛题组成试卷,答题时间为 1 小时,分值占15%,考点涵盖系统安全、网络安全、软件安全、开发安全、数据安全、规章制度、安全意识、移动安全、法律法规、等级保护等十个主要方向。CTF赛题分值占85%,由Web、PWN、Misc、Crypto、Reverse、Mobile及Fornesics等七类赛题组成。
(二)线上预赛积分方法
1. 理论知识线上答题环节,总分为100分,随机抽选100道题形成试卷,单项选择40题,每题1分;多项选择40题 ,每题1分;判断题20题,每题1分,由系统自动判分并给出积分排行。
2. CTF 线上答题环节,每个赛题初始分数为 1000 分,采用动态积分方法,即以题目解出人数作为动态积分的变量,根据解题人数划分为4个阶段,分别对应不同的积分公式,详情参见报名平台发布的赛制规则信息。
(三)线下决赛积分方法
安全精英选拔赛决赛为靶场攻防与漏洞挑战,参赛选手按照竞赛要求,对组委会指挥部下发的靶标场景执行竞赛任务,由裁判组根据评分规则对参赛选手提交的成果判定得分。详细参赛要求与评分规则在线下决赛开始前向参赛选手公布,请关注报名平台。
六、联系方式
联系电话:0851-83480007
联系邮箱:gyjys_2023@163.com
联系人员:王俊杰(手机:13984161655)
王其琛(手机:18275361554)
陈敏杰(手机:18911837843)
贵阳大数据及网络安全攻防演练组委会
2023年4月17日
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。