学术报告

联邦学习（Federated Learning）在2016年由谷歌最先提出，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习，解决数据孤岛的问题。

本次学术报告主要给大家详细的介绍DQN算法原理及其调参细节，并且进行举例说明和总结以加深大家的理解。

当下投入使用的恶意软件检测系统日益增多，但同时还带来了大量的安全问题，如何有效地提高恶意软件检测系统的鲁棒性变成当下重要的课题。在这里，从攻击者的角度入手，面向恶意软件检测系统，着眼研究对抗样本攻击的经典模型和算法，探究其同面向图像领域进行攻击的区别，最后了解对抗样本攻击日后的发展方向和研究领域。

大数据时代隐私泄露成为了一个严重的问题，大量的个人信息在网上传播。另一方面大数据时代对数据的可用性也有一定的要求。因此当前如何在保障用户的隐私的同时，提供一定的可用性成为一个关键问题。学术报告介绍了差分隐私的基本原理及变体，并详细的介绍了差分隐私在地理位置脱敏上的应用：Geo-Indistinguishability。

爬虫技术是获取数据的利器，它避免了繁琐又低效的人工数据搜集。爬虫带来获取数据极大便利的同时，也催生了反爬技术的发展。学术报告以反爬措施以及对抗反爬的手段作为议题，详细介绍了5类反爬的具体流程，并对其优劣做出了总结。反爬措施与对抗反爬手段是大数据时代带来的技术发展，也是攻与防在数据获取层面对抗的缩影。

逆向思维应用在学习、工作中的方方面面，学术报告中介绍了逆向分析的概念及应用，通过微信的破解演示展示了软件逆向的过程。在最后针对软件发布后可能存在的被调试、被破解风险，介绍了几种软件保护的方式。但是从技术上无法完全保证软件的安全。破解与反破解技术的发展呈现螺旋式的发展趋势。

HTTP 协议本身并不复杂，理解起来也不会花费太多学习成本，但很多前端工程师常常忽视了 HTTP 协议这部分基础内容。实际上，如果想要在专业技术道路上走得更坚实，绝对不能绕开学习 HTTP 协议这一环节。对基础及核心部分的深入学习是成为一名专业技术人员的前提，以不变应万变才是立足之本。本次学术报告讲解了http协议的基础知识、工作原理等，并简单介绍了http…

人类正在经历着由深度学习技术推动的人工智能浪潮，它为人类生产和生活带来了巨大的技术革新。然而，以往的机器学习理论大多没有考虑开放甚至对抗的系统运行环境，逐渐暴露出了许多安全和隐私问题。本次学术报告介绍了人工智能系统安全防护的基本思想，并分享了六种经典的人工智能系统攻击手段及相应对策，最后讨论了人工智能系统未来在安全研究方面的发展趋势。