一分快3下载-互动百科

数字化时代应加快提升工业企业工控安全保障能力******

　　“工控安全作为网络安全的重要组成部分，是实施制造强国和网络强国的重要基石，更是促进我国制造业转型升级、国民经济高质量发展的基础。国家工信安全中心将在工信部的指导下，全面深化工控安全保障能力建设；加强技术攻关与标准研制；营造良好的行业生态环境，为推进我国工业信息化、智能化转型发展，构建安全、稳定的工业运行环境贡献智慧与力量。”在2022年中国工业信息安全大会工业控制系统安全专题论坛上，国家工业信息安全发展研究中心副主任郝志强这样说。

　　1月10日，由国家工业信息安全发展研究中心、工业信息安全产业发展联盟主办，北京珞安科技有限责任公司独家承办的2022年中国工业信息安全大会工业控制系统安全专题论坛在京举行。与会人员围绕工业控制系统安全领域前沿热点话题展开讨论，聚焦工业控制系统安全防护能力建设，分享工控安全前沿防护理念、技术创新成果和优秀案例，在工业信息化、数字化、智能化转型的时代背景下，为工控安全行业发展探索方向。

　　“工业安全是实施制造强国和网络强国战略的基础与保障。当前，工业网络环境波诡云谲变幻莫测，工业控制系统安全面临巨大威胁与挑战。”珞安科技董事长张晓东表示，我们将发挥自身优势，加快提升工业企业工控安全保障能力，为工业生产安全及两化融合健康可持续发展撑起“保护伞”，为制造强国和网络强国战略实施筑牢“防护墙”。

　　以油气行业为例，中国石油集团工程技术研究院信息中心副总经理梅运谊表示，油气物联网体系框架完整、技术框架相对成熟、应用场景丰富，由于终端种类多、规模大、难监管，数据量大且分散、风险大，安全防护能力不足等原因，面临巨大安全挑战。油气田企业应从技术防护、防护管理、防护运营等方面出发，结合油气物联网实际状况，构建覆盖感知层、网络层和应用层的综合安全防护体系。

　　近年来，中国电子技术标准化研究院致力于工控安全标准的宣贯推广，制定了工控安全贯标工作的完整流程、开发了贯标服务平台，贯穿工控安全防护设计、建设、运维的全生命周期，切实提升工业企业信息安全防护水平和能力。“全球范围内工业信息安全事件频发，我国工控安全问题突出。国家对于工控安全问题高度重视，陆续出台工控安全相关政策法规和标准，对相关工作进行指导规范。”中国电子技术标准化研究院工控安全实验室运营总监夏冀说。

　　针对工业控制系统网络安全常见问题，国家工信安全中心检查评估所研究发现，工业企业在安全管理和安全技术等方面存在安全配置策略缺失、边界防护薄弱、设备安全漏洞、主机防护不足、安全管理体系不健全和供应商管理缺陷等典型问题。国家工业信息安全发展研究中心检查评估所副所长于盟建议，工业企业应从安全管理机制、安全协调小组、安全管理责任人、安全责任制和安全防护措施等六个方面落实工控安全责任，加快工控安全防护建设，做好工控安全工作。

　　伴随工业智能化的发展，工业基础设施与IT系统深度融合，工业走向互联与开放。绿盟科技工业互联网及物联网安全首席专家王晓鹏表示，鉴于工业形态多样的特性，现有安全架构在解决多工业场景下网络安全问题时缺乏灵活的适配能力。构建弹性灵活的安全防护体系，对于智能化发展的工业企业来说显得越发重要。绿盟科技提出构建弹性的、融合多元资源的安全能力以解决工业发展中的安全困扰。（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）