盈彩网app手机版_百科百科

2022西湖论剑|谭建荣院士：为数据安全筑起更多防火墙、安全墙******

　　前沿技术在数据安全可控方面发挥着哪些作用？在2022西湖论剑·网络安全大会期间，中国工程院院士谭建荣就新兴数字产业、工业互联网、智能制造、区块链技术等热点话题接受了媒体记者提问，阐述了他对未来网络安全的思考。

　　记者：“十四五”规划指出要培育壮大网络安全等新兴数字产业，在新业态背景下，我们应该如何把握这个机遇，加速推动网络安全产业成长壮大和持续发展？

　　谭建荣：网络安全产业随着网络安全技术的发展而发展，网络技术开放了，网络技术推广应用了，网络安全产业就随之形成，并且壮大。网络技术的先进性是关键，只有具备先进的网络安全技术，网络安全产业才可能具有自主知识产权，才可能做到自主创新、自主可控。有了先进的网络安全产业，我们就形成了网络安全队伍，有了高水平人才，我们才能做大网络安全产业，做到可靠性、可用性、可信性、可控性，才能把网络安全技术应用好、推广好，才能做大做强网络安全产业。

　　记者：近年来数据泄露等网络安全事件不时发生，您认为各相关方应该怎样携手应对，才能确保网络安全、信息安全和数据安全？

　　谭建荣：网络安全本身就是“矛”和“盾”的关系。网络安全既有攻又有防，没有一劳永逸的网络安全。网络安全只有起点没有终点，我们要不断的追求网络安全技术的先进性，才能够有效进行网络安全的“攻和防”。网络安全既要攻得下，又要防得牢，所以这是一对矛盾，就是这对矛盾促进了网络安全技术不断提升、不断发展。只有掌握最先进的技术，才能防得牢。我们首先要有正确的网络安全观，在这个正确的网络安全观指导下，不断提升我们的技术，使我们的防护能力不断增强。

　　记者：您之前提到在工业互联网中数据是至关重要的元素，请您谈一谈数据对于工业互联网发展的重要性体现在哪些方面？

　　谭建荣：我们通过网络产生了工业互联网，把互联网技术用到工业领域，而在工业领域中很大一方面是制造业。在制造过程当中，从产品设计、加工、装配、销售、使用、维护全生命周期来看，每一个环节都产生了大量数据，我们既是大量数据的产生者，又是大量数据的利用者。工业数据，技术数据、管理数据、服务数据、商业数据，对每个企业来说都至关重要，企业的核心竞争力体现在产品上、标准上、自主知识产权上，而最核心、最底层的就体现在工业数据上。企业是行业的领头羊，也是行业的大数据中心，必须要掌握行业数据、发展趋势、商业模式的数据等。

　　工业互联网最核心问题是产生了大量工业数据，而工业产品加工生产的过程，既是数据利用的过程，也是利用数据产生的源头，在这方面同时要利用好、维护好、保护好这些数据。工业数据、数据安全、工业互联是一个三角形关系，每一个环节都必不可少。

　　记者：在智能制造转型升级过程中，需要不断推动智能化大数据创新。如何保障数据安全，推进智能制造又好又快发展？

　　谭建荣：智能制造过程，就是把人工智能技术跟产品实际制造技术融合起来，用人工智能技术解决产品设计、加工、装配、使用、维护等过程当中出现的技术问题，用人工智能提升产品创新能力，改善产品质量。在这个过程中，每一个环节都产生了大量数据，而人工智能一个重要方法就是深度学习，通过人工神经网络训练，用数据训练。人工智能、智能制造归根到底是数据挖掘、数据利用、数据演练的过程，在这个过程当中数据安全是非常重要的，这些数据在哪些行业中，在多大范围使用，给多少人使用，这些都涉及到数据安全。

　　第二个方面，在贸易过程当中，客户服务产生了大量商业数据、技术数据，也包括管理上的数据，这三部分数据安全使用的范围、使用的权限、使用的密码都有一整套管理方法。我们要把智能制造推向深入，必须要通过数据挖掘、数据训练，而在这个过程当中我们要把数据安全做的更好，筑起更多的防火墙、安全墙，这样企业才可以放心地用数据，客户也可以放心地用这些数据。

　　记者：区块链技术在数据安全保障中发挥了哪些具体作用？

　　谭建荣：区块链是基于零信任，把数据公开、透明、去中心化，然后再加密和进行权限管理。区块链技术在数据安全保护方面非常重要，区块链技术应用的最成功、最必要的是金融管理行业、投资融资行业，区块链是公开、透明、去中心化、权限分散等一整套管理制度。我个人理解，区块链技术是互相制约的一个机制，互相制约、互相约束，才能够做到数据安全。（姚坤森）

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）