大发六合|大发六合

【乌镇声音】周鸿祎：没有攻不破的系统，未来要做到安全先行******

　　近日，2022年世界互联网大会乌镇峰会在浙江乌镇举行。峰会期间，360集团创始人周鸿祎接受记者采访时表示，随着数字化发展，未来基本上所有问题都是基于数字化发展，软件里漏洞不能全部消除，必然导致“没有攻不破的系统”。“这种情况下，发展与安全应该并重。未来随着数字化发展，原来安全可以忽视或延迟一步，但未来安全要先行。”

　　记者：工信部数据显示，截至9月末，三家基础电信企业发展蜂窝物联网终端用户17.45亿户，已超移动电话用户数6586万户。怎么看待物联网用户超过了移动用户而产生的安全问题？

　　周鸿祎：这个趋势一点都不惊讶。物联网设备不仅数目众多，而且都是无人值守的设备，可能是7×24小时在用。所以，物联网的数目可能是手机、电脑等加起来的一百倍以上。这个时代一定会来到，只不过是快和慢的问题。

　　物联网时代带来的安全挑战非常大：第一，每个物联网设备都是基于软件定义，所以物联网设备里也有很多漏洞；第二，物联网设备万物互联，可以把虚拟世界和物理世界连在一起，但反过来使得所有在虚拟世界里的攻击都会变成物理世界的伤害；第三，物联网设备数目众多，而且很多物联网设备都是通过5G链接、没有边界，过去想通过边界防护的方法也不可能了。

　　事实上，传统网络安全行业缺乏主动设计的碎片化思路已不再适用。因为总不能再给每一台物联网设备都配防火墙、装杀毒软件，这是典型的刻舟求剑的思路。所以，这就需要用新的顶层设计、新的方法来解决。其实，在物联网时代，只要通过足够多的数据探针，把在物联网设备上产生的安全流量、安全事件都汇总到一个中央大数据平台，从全网的维度进行集中研判、分析。在某个物联网设备被攻破之后，能够快速地看到，而且能够快速地应对。

　　记者：前段时间，西北工业大学遭遇黑客攻击。类似情况应该如何应对？

　　周鸿祎：这种国家级攻击主要危害有两种：一是偷窃情报和数据，导致很多老百姓个人隐私泄露，又卖到暗网上，导致很多欺诈集团利用这些数据，给老百姓带来“切肤之痛”；二是国家级攻击瞄准对象是国家关键基础设施，比如，水电气、城市交通、能源、金融、教育、医疗等。

　　记者：后疫情时代，互联网发展前景如何？

　　周鸿祎：数字经济和实体经济并不矛盾。它是要用数字化对实体经济进行改造，改造完以后实体经济也可以称为数字经济。这就意味着，传统的行业不要老去内卷或过度竞争、躺平，而是想一想如何用数字化进行流程再造、商业链条再造，从而产生创新的业务模式，这就意味着所有行业都值得用数字化再做一遍，这里就有巨大的机会。

　　记者：现在全国很多地方都在发展信创产业。如何避免同质化竞争？

　　周鸿祎：信创产业非常重要，它是要把很多IT技术架构，从底层CPU主板内存硬件，到操作系统以及各种应用办公软件，都能实现国产化，防止将来在供应链上被其他国家“卡脖子”。所以，现在各地都在做不同的信创平台，这是非常有必要的。信创本身解决了一部分安全问题，至少解决了别人在供应链里利用给操作系统布设后门的问题。但信创同样面临着数字安全挑战，因为里面代码无论是利用开源代码修改，还是自己撰写代码，都会存在一些漏洞，有漏洞也一样会被人利用。所以，要保证信创体系应用软件操作系统安全，也需要建立起类似360安全大脑的这种大数据分析体系，能够把信创系统、信创设备中可能的安全攻击捕捉到。（记者 李政葳 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）