网络安全最全大模型时代下的“金融业生物识别安全挑战”机遇，2024年最新干货精讲

本人从事网路安全工作12年，曾在2个大厂工作过，安全服务、售后服务、售前、攻防比赛、安全讲师、销售经理等职位都做过，对这个行业了解比较全面。

最近遍览了各种网络安全类的文章，内容参差不齐，其中不伐有大佬倾力教学，也有各种不良机构浑水摸鱼，在收到几条私信，发现大家对一套完整的系统的网络安全从学习路线到学习资料，甚至是工具有着不小的需求。

最后，我将这部分内容融会贯通成了一套282G的网络安全资料包，所有类目条理清晰，知识点层层递进，需要的小伙伴可以点击下方小卡片领取哦！下面就开始进入正题，如何从一个萌新一步一步进入网络安全行业。

学习路线图

其中最为瞩目也是最为基础的就是网络安全学习路线图，这里我给大家分享一份打磨了3个月，已经更新到4.0版本的网络安全学习路线图。

相比起繁琐的文字，还是生动的视频教程更加适合零基础的同学们学习，这里也是整理了一份与上述学习路线一一对应的网络安全视频教程。

网络安全工具箱

当然，当你入门之后，仅仅是视频教程已经不能满足你的需求了，你肯定需要学习各种工具的使用以及大量的实战项目，这里也分享一份我自己整理的网络安全入门工具以及使用教程和实战。

项目实战

最后就是项目实战，这里带来的是SRC资料&HW资料，毕竟实战是检验真理的唯一标准嘛~

面试题

归根结底，我们的最终目的都是为了就业，所以这份结合了多位朋友的亲身经验打磨的面试题合集你绝对不能错过！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

从国家监管预警趋势看，公安部分两次于2020年、2022年向头部互联网服务机构发出预警，披露9种人脸安全风险；国家网信办于2021年、2023年发出警示，并要求各互联网机构提升人脸识别技术应用安全管理水平；国家金融管理中心，原中国银保监会，于2021年、2023年直接向金融机构下达指示，警惕利用AI新型技术实施诈骗、加强人脸识别技术应用安全管理。这只是冰山上的数字，如果我们下沉到海平面之下，深入到金融机构中，一家普通规模的金融机构一年就要面临超过1万次攻击；据联盟统计，全行业每年黑产欺诈涉及资金超1100亿元。

究其原因，金融是国民经济的血脉，也是被不法分子攻击的首要目标，可谓“野火烧不尽、春风吹又生”。

提升金融业技术防御水平已迫在眉睫，新攻击方法层出不穷，而金融机构科技建设严重滞后，形同**“裸奔”**。

从机构建设速度看，最快更新时间需要90天。据公开招标信息披露，过去2年间，以国股行为首的头部金融机构已经完成了一轮技术升级，但相较于上一次技术升级，间隔在3-5年；而在金融机构采买的服务中，最短的升级速度也在90天以上，更常见的是1年1次的更新服务。

从攻击方法的创新速度看，平均1.5天就有一种新攻击方法出现。国际顶会CVPR2023仅一年便发布超过130篇关于图像、人脸、声音的生成方法，2024年sora发布仅一周后，阿里便发布了EMO算法，精细的还原了一个人的声音、面部表情、口型、舌动；在应用市场中，新增注入攻击、换脸换声软件超过百余种，包括uface、趣换脸、insightface、Xpression等。

从作案工具易得性看，在地下交易市场中，攻击道具交易已颇具规模，通常200元就能买到一次定点攻击服务。金融行业的技术更新速度已经严重制约了金融安全防御体系的建设，零日漏洞（0-day）已经从操作系统、计算机网络下沉到了人工智能中，并深度影响着金融行业的健康发展，在新型攻势的88.5天（90-1.5）中，机构防御手段如同**“裸奔”**。

金融机构防御体系建设慢的核心问题是**“攻击数据的有效性不足”**。

这一方面是**“吃不饱”****导致的。**攻击数据少是一个相对概念，是一种由认知偏差导致的数据的动态不足，而不是绝对数量的不足，“人不能知道自己不知道的东西（unconscious incompetence）”。防御方案需要针对攻击特点来设计，天然滞后于攻击的发生，这就带来了认知的客观时间差。金融机构的技术更新就是典型样例，防御升级通常围绕事件展开，如通过巡检、或者行业联盟共享的素材，而这些事件所提供的负样本数目非常少。这些数据是不足以支撑一次训练，也即无法提升专家模型的能力。因此，通常技术部门需要先对这些负样本（corner case）进行解析，分析其生成原理和特征，然后人工进行数据采集、数据标注、数据处理，最后用于训练，验证，最终完成技术升级，超过90%的时间成本被花在了数据的构建上，这也直接造成了机构“裸奔现象”。

更重要的，另一方面是**“吸收少”****导致的。**从攻击数据到模型性能存在一个“能量转化率”，这是一种系统性能力不足，也可以比作“营养失调”、“肠胃差”。专家模型的认知方式与人有较大差异，从标注方式来看，专家模型训练数据真值（ground truth）是在采集前确定的，全部都有真值；人的训练数据是先对海量无标数据的归纳、然后通过极少数量的有标数据启发得来的。专家模型本身并不是拟合的“人的认知”，而是拟合的“特定攻击手法的作案特征”，这也就解释了为什么专家模型在针对同类攻击行为的检出上远高于人类，但对新攻击的识别远逊于人类。

业务目标是更快的补全漏洞，如果我们**“头疼医头、脚痛医脚”只能陷入被动，解决吸收问题更重要。因此，我们迫切需要一种划时代的应用，一个胃口好、消化好的“铁胃”来解决“零日漏洞”**频发危机。

一种”零日修复**“**方案、下一代防伪技术，**“金融领域的多模态防伪专有大模型”**提供了一个新思路。

**更强的编码能力。**谷歌在2018年提出了预训练模型，transformer技术崭露头角，基于transformer的BERT技术向我们证明了一切专家问题本质是编码问题，编码能力的提升直接影响着专家判断的准确性。

更强的数据承载能力。2020年，OpenAI发表了关于scaling laws的关键论文，并在2022年GPT3.0上证明了超大规模的数据可以产生“知识涌现”现象，如今大模型规模已经突破100B。

**“好胃口+好消化=超强的域外推理能力”****，大模型增强了对没见过问题的处理能力。**2023年，google发布多模态大模型Gemini，中关村科金对其进行了防伪能力的专项测试，发现其不仅可以指出图片的真假，甚至可以讲出图片假在什么地方，如纹理、毛发、环境、一致性等。尽管此时的通用大模型能力还不如专有大模型，但我们快速将大模型引入了防伪体系建设中，我们在超过4亿规模的真人图像、音频样本数据集上，通过“基于超过100种基础伪造攻击算法实现的万倍数据增广方案”最终将数据集扩大到2PB。经过测试，“金融领域的多模态防伪专有大模型”相较于“传统专家模型”能力有显著提升，以针对“对抗样本攻击”的防御为例，我们将防御指标从1个9（90%），提升到了3个9（99.9%），大幅缩小漏洞风险敞口。

大模型是跨时代的产物，是当下解决金融机构面临的生物识别“零日漏洞”频发危机的唯一可行路径。

学习路线：

这个方向初期比较容易入门一些，掌握一些基本技术，拿起各种现成的工具就可以开黑了。不过，要想从脚本小子变成黑客大神，这个方向越往后，需要学习和掌握的东西就会越来越多以下是网络渗透需要学习的内容：

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！