培养云上安全人才 | 阿里云2023首届CTF大赛重磅启动

简介: 集结未来科技力量,培养更多云上安全人才,阿里云依托天池平台联合清华大学以“Capture the flag. Catch the future”为口号共同发起的2023首届CTF大赛(以下简称为“大赛”),已于4月1日顺利在杭州启动。

集结未来科技力量,培养更多云上安全人才,阿里云依托天池平台联合清华大学以“Capture the flag. Catch the future”为口号共同发起的2023首届CTF大赛(以下简称为“大赛”),已于4月1日顺利在杭州启动。


左为阿里云首席安全官 欧阳欣 ,右为清华大学蓝莲花战队教练 张超


Catch the future?随着云计算代替传统机房成为新一代网络基础设施,云已从未来成为现在,而有志于共同守护云上安全的你们,就是未来!


作为国内云计算与云原生安全领域的先行者,阿里云自身拥有完善的云平台纵深防御体系,并坚持技术自研,为云上用户提供包括可信计算、容器安全等高等级、一体化原生安全防护能力。


作为此次大赛的联合发起方,清华大学与CTF大赛结缘颇深,清华大学蓝莲花战队是国内最早参与国际CTF网络安全技术竞赛的战队之一,并且多次取得了极为突出的成绩。


清华大学蓝莲花战队教练 张超


洞察云环境风险,设计实用性赛题


基于对云环境风险的洞察与实践,本次大赛还将多种新型云上安全元素融入到了赛题当中,以让选手接触更真实、更前沿的攻防世界。


本次记者采访了阿里云安全专家 若圭(化名),作为大赛其中一位出题人,他透露本次比赛中包括了以“TEE(可信执行环境)+LLM(大语言模型)”场景下的赛题,以充分反映云上对于AI数据保护的最新趋势——“使用TEE保护大模型数据,实现数据可用不可见”。基于此场景,大赛将考察选手在TEE的威胁模型下,是否可以有效发现可能泄露模型及其参数的安全问题。期待此次大赛能够引发更多适用于当下的防护技术的深入讨论,为以传统网络环境为参考的相关专业高校提供研究思路,未来补齐云上安全人才缺口。


本次大赛于4月2日至21日开启热身赛打榜,热身赛虽不计入正式奖励分数,但其趣味性与实事性可见微知着其正题。


记者联系目前公布的热身赛排行榜中,位于榜首的选手

热身赛的赛题很是出其不意,在翻遍了源码后发现通过跟‘杠精’围绕关键词互动就能问出来,既搞笑又有趣。赛事平台操作也很容易,我相信正式比赛会更精彩。 “卡戴邵亲姐妹”


网友“NAMA”谈到关于本次热身赛体感

此次题目是此前自己从未见过的,是非常有趣的体验,所以对正式赛题也抱有很高的期待。自己参加CTF大赛的主要原因就是接触实际操作的层面,接触多种网络安全知识,在比赛中快速学习新知识,掌握新技能。 ”NAMA“




选手们的良好体验和超高期待,除了基于赛题的趣味性和实用性以及大赛的实战体验,还来源于参赛战队的强大。大赛不仅开放选手自主报名,还广发英雄帖,计划定邀全国36所985高校超强战队,让选手在高手如云的环境中互相切磋学习,在竞争与合作中成长。


清华大学蓝莲花战队教练张超在大赛发布现场表示,本次赛事对于安全人才成长极具价值,希望学生找到更多志同道合的伙伴,也非常期待阿里云本次结合业务背景设置的云上场景赛题。


超豪华阵容+优厚奖励

激励未来力量


除了赛题匠心设计,大赛的奖金设置也十分丰厚。第一名奖金设置为15万人民币,第二名奖金8万人民币,第三名奖金5万人民币,同时,冠军战队及第二三名优秀选手均可获得校招绿色通道,此外第4-20名选手也可分获2万-1000元不等的奖金。


为保证比赛的严谨和权威,大赛还邀请了清华大学长聘副教授张超,浙江大学网络空间安全学院、计算机科学与技术学院教授韩劲松,复旦大学副教授张源,上海交通大学信息化推进办公室、网络信息中心副主任姜开达,北京大学计算中心网络安全室主任、计算与数字经济研究院网络安全研究中心常务副主任周昌令,北京邮电大学教授崔宝江等多位来自顶尖高校的教授担任大赛顾问为选手进行专业指导与赛题解读。


另外,需要选手格外注意的是,热身赛在4月21日结束后,将迎来正式赛,正式赛启动打榜时间为4月21日21:00-4月23日21:00。选手通过官网报名成功后可创建或加入一支团队,进行线上竞赛。


成绩排名则采用积分制,按照积分从高到低排名,题目分数固定但分值不同,前三名解出将有额外奖励。最终排名则会根据比赛积分及Writeup审核情况确定,并预计于4月26日公布。想要参赛的选手们可点击文末“阅读原文”直通报名!



阿里云将继续依托天池举办更多赛事,通过开发者竞赛平台围绕云生态向行业挖掘输送优秀人才。正如阿里云智能首席安全官欧阳欣在本次大赛发布现场所说:“我们一直将攻防理念融入进整个云平台安全性的设计中,希望此次大赛能帮助大家搭建一个学习交流的线下平台,守护企业云上安全,以此为起点,未来助力更多云上安全人才的培养。”

相关文章
|
6月前
|
人工智能 C++
AnythingLLM vs Cherry Studio vs Chatbox:三大AI工具深度横评
本文深入对比三大AI工具:AnythingLLM、Cherry Studio与Chatbox。从易用性、功能丰富度、RAG能力、多模态支持到知识库管理,全面分析各工具优劣,并结合企业知识管理、个人创作学习等场景提供选型指南。最终指出:选择不在于“最好”,而在于“最合适”——AnythingLLM适合企业级知识体系构建,Cherry Studio助力多模态内容创作,Chatbox则以极简体验满足日常对话需求。
|
11天前
|
人工智能 自然语言处理 算法
|
XML Java Android开发
Android Studio App开发中使用录音机、MediaRecorder录制音频和MediaPlayer播放音频讲解及实战(附源码)
Android Studio App开发中使用录音机、MediaRecorder录制音频和MediaPlayer播放音频讲解及实战(附源码)
1177 0
|
2月前
|
机器学习/深度学习 算法 机器人
逐际动力开源 FluxVLA Engine:专为具身智能打造的标准化VLA工程底座
逐际动力开源FluxVLA Engine——面向具身智能的标准化VLA工程底座。它以统一配置、标准接口、模块解耦、加速部署为核心,解决数据碎片化、代码高耦合、仿真-真机迁移难三大瓶颈,支持VLM/VLA全栈任务,开箱即用部署于UR、ALOHA、TRON2等多平台。
394 0
逐际动力开源 FluxVLA Engine:专为具身智能打造的标准化VLA工程底座
|
5月前
|
机器学习/深度学习 数据采集 人工智能
如何赋予大语言模型以“灵魂”?深度解析增量预训练(Continual Pre-training)逻辑与实战代码
本文深入解析大模型增量预训练(CPT/DAP/CFT)三大路径,厘清RAG、微调与预训练的适用边界;结合eBay、AWS等实战案例,详解低成本高效CPT方法,并提供Unsloth框架下Qwen-3-4B金融领域实操代码。
935 1
如何赋予大语言模型以“灵魂”?深度解析增量预训练(Continual Pre-training)逻辑与实战代码
|
程序员 测试技术 开发工具
怎么开发Python第三方库?手把手教你参与开源项目!
大家好,我是程序员晚枫。本文将分享如何开发Python第三方库,并以我维护的开源项目 **popdf** 为例,指导参与开源贡献。Popdf是一个PDF操作库,支持PDF转Word、转图片、合并与加密等功能。文章涵盖从fork项目、本地开发、单元测试到提交PR的全流程,适合想了解开源贡献的开发者。欢迎访问[popdf](https://gitcode.com/python4office/popdf),一起交流学习!
422 21
怎么开发Python第三方库?手把手教你参与开源项目!
|
机器学习/深度学习 人工智能 自然语言处理
AI如何预测体育比赛结果
AI预测体育比赛结果依赖于历史数据、球员表现、球队状态等多因素。通过数据收集与处理、机器学习模型(如回归分析、神经网络)、模拟与蒙特卡洛方法、实时数据分析及自然语言处理等技术,AI能识别影响比赛的关键模式,评估胜负概率,并结合统计学与优化算法不断调整预测,提升准确性。
|
安全 测试技术 网络安全
免费的ip地址证书有吗,哪里申请
在网络安全日益重要的今天,SSL证书成为保护网站数据传输安全的关键工具。对于拥有公网IP地址的用户,申请免费IP地址SSL证书是提升网站安全性的经济有效方式。本文介绍了通过知名CA机构如JoySSL申请免费IP地址SSL证书的步骤和注意事项,帮助用户轻松获得并安装证书,确保网站数据的安全传输。
|
XML 安全 Linux
【Linux】深入探究CentOS防火墙(Firewalld):基础概念、常用命令及实例操作
【Linux】深入探究CentOS防火墙(Firewalld):基础概念、常用命令及实例操作
|
机器学习/深度学习 人工智能 自然语言处理
【深度学习】深度学习的概述及应用,附带代码示例
深度学习(Deep Learning,简称DL)是机器学习领域中的一个重要分支,其目标是通过模拟人脑神经网络的工作机制,构建多层次的抽象特征表示,使机器能够自动从原始数据中提取关键信息,从而实现高精度的任务执行。深度学习通过多层神经网络结构及其训练方式,实现了从低级像素级别到高级概念级别的递进式知识层次。 深度学习的主要组件包括输入层、隐藏层和输出层。隐藏层的数量和层数决定了模型的复杂度和表达能力。在训练过程中,权重更新和梯度下降法是关键步骤,目的是最小化损失函数,提高预测精度。深度学习主要基于反向传播算法(BP Algorithm)来优化模型参数,通过正向传播、损失计算、反向传播和梯度下降等
1103 8