DEFCON携手百度安全落地中国,打造国际化网络安全交流平台


2月12日,DEFCON与百度安全在北京召开签约发布会,共同宣布全球网络安全盛会DEFCON 将于今年正式登陆中国,并与百度安全联合主办“御·见未来”2018首届DCCB(Def Con China Baidu)安全行业国际峰会,汇集全球网络安全人才,相聚北京共话安全。


Jeff Moss


DEFCON是全球安全领域的顶级会议,从发起至今已有25年历史,被誉为安全界 “奥斯卡”,由全球最具影响力黑客Jeff Moss于1993年创办。 整个大会共包含议题演讲,CTF比赛和Hacking Villages三大板块,每年7月在美国拉斯维加斯举行,召集全球网络安全研究者进行前沿安全技术交流与课题研究。


百度安全倾力引进DEFCON,合力守护全球网络安全


发布会上,Jeff Moss谈到“双方携手将DEFCON成功引入中国,在DEFCON发展进程中是个里程碑事件,将对安全从业者的跨国界交流合作产生深远的影响。”Jeff Moss同时对于百度安全将赛事引进到中国,进行本土化落地和创新表示感谢。


马杰和Jeff Moss


百度安全总经理马杰说:“中国安全从业者需要开源共享、追求极致的精神,这种精神是不分国界的,但是需要本土化的成长土壤。”DEFCON一直以来所强调的对技术前沿和边界的探索精神,正与百度安全崇尚开源共享、追求极致的精神达成一致,双方首次合作便将DEFCON大会引入中国。


经过20多年的发展,我国互联网和信息化工作取得了显著成就,网民数量全球第一,如何在尽享技术便利的前提下确保网络安全,是当前网络发展亟需思考的问题。2017年,《网络安全法》正式实施标志网络空间治理法治化步入新阶段,没有网络安全就没有国家安全,网络安全上升到了前所未有的国家战略高度。维护网络安全成为全社会的共同责任,需要政府、企业、广大网民共同参与,此次DEFCON落地中国,旨在通过探讨网络信息安全攻防,发现安全人才,为国家人工智能战略做好坚实的安全基础,为建设网络强国做好技术储备和智力支持。


首届DCCB安全行业国际峰会的召开,将吸引更多来自包括中国在内的亚太地区的网络安全研究者参与其中,集结国际顶尖安全人才同台切磋,分享技术,也给无数东半球怀揣极客梦想的网络安全研究者提供更高层次的展示和发展空间。同时将全面提高国内安全企业全球化视野,不断创新提升核心竞争力,向全世界展示中国安全领域技术实力,推动整个安全产业的变革。


聚合全球网络安全人才,DEFCON登陆中国打造交流平台


DEFCON大会的创始人是被誉为“全球身价最高也是形象最正面的黑客”的Jeff Moss,他在童年时期便投身于网络安全研究,是全球网络安全研究者最受仰慕的技术人才之一。1993年受一场告别聚会的启发,创办了全球存在时间最长的黑客大会DEFCON。Jeff Moss曾经说过“很久以前在我推出这个疯狂聚会时,我从来没有想到能持续20多年,但我们依然还在。” 除了全球安全盛会的创办者身份,Jeff Moss同时还是美国国土安全咨询委员会顾问、ICANN(互联网名称与数字地址分配机构)首席安全官。


DEFCON大会每年7月在美国拉斯维加斯举行,召集近万名来自全球各地的安全专家、白帽子黑客、安全爱好者相聚在此,集中展示全球网络安全领域最新的技术研究成果,而能够登上DEFCON的讲坛展示交流也成为了全世界的网络安全研究者的理想,是拥有世界顶尖安全技术实力的荣耀象征。


当下,安全的概念已经突破传统网络安全的范畴,物联网、车联网、工业互联网的兴起,打破了虚拟世界与现实世界间的最后一道屏障。传统网络安全的“马奇诺防线”思维已经落后,大安全时代,更应该直面威胁,抽丝剥茧,有针对性的展开实战化对抗。而事实上,历届DEFCON所带来的议题与成果都曾准确反映了前沿安全问题,尽管这是一场面向黑客白帽的会议,但影响力已经覆盖了人民生活和行业发展各层面。此次DEFCON来到中国,力图将最纯粹的安全攻防技术和追求极致,平等,共享的精神理念带到中国,挖掘国内有实力的技术人才,为全球网络安全研究者搭建一个传递精神、技术分享、交流合作的最佳平台。

 

据悉,此次“御·见未来”2018首届DCCB安全行业国际峰会,计划定于今年5月在北京举行,会上不仅能看到殿堂级安全议题分享、还能欣赏到DEFCON CTF比赛上各大CTF战队的精彩对决,和Hacking Villages中上演的脑洞大开的破解秀,目前议题征集与选拔正在DEFCON官网火热进行。让我们期待先进的世界文明成果与最悠久的中华文化、现代信息文明与传统历史文明,在中国这片古老的土地上相遇碰撞出精彩的火花。



END


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值