深信服还的招聘堪称网安一哥

看到这些岗位不得不说深信服确实在AI+安全上是大力投入啊。

从毕业年限上就可以即看到招已经毕业的，也招实习。AI+今年的各种岗位再看来是要爆炸啊。这也给哪些还没毕业的小伙伴指明了方向

提交网址：

https://mp.weixin.qq.com/s/gLJi3p3vWy5OY4gUsnqnaw

根据深信服的工作方向进行分层，收藏起来吧，下面就是AI+网络安全的大方向！！！

一、大语言模型（法学硕士）

核心。

1. 模型架构：熟悉Transformer、BERT、GPT等架构原理。
2. 自然语言处理（NLP）：掌握文本生成、语义理解、对话系统等任务。
3. 编程与框架：Python、PyTorch/TensorFlow，熟悉Hugging Face等开源库。
4. 安全应用：理解模型对抗攻击（如Prompt注入）、隐私保护（得分隐私）等。

学习计划

• 基础阶段：学习《深度学习》《自然语言处理》教材，掌握Python和PyTorch框架。
• 进阶阶段：复现经典论文（如Attention Is All You Need），参与Kaggle NLP竞赛。
• 实战阶段：使用Hugging Face模型，开发基于LLM的威胁检测或日志分析工具。

二、多模态内容理解与生成

核心。

1. 多模态模型：掌握CLIP、DALL-E等多模态融合技术。
2. 数据处理：图像、文本、音频的修剪与分割方法。
3. 生成技术：扩散模型（Diffusion Models）、GAN等生成算法。
4. 安全场景：检测深度伪造（Deepfake）、多模态数据隐私保护。

学习计划

• 基础：学习OpenCV、FFmpeg处理多模态数据，研究CLIP的跨模态扫描机制。
• 项目实践：使用Stable Diffusion生成安全演练场景图像，结合文本描述检测异常。
• 工具：参与阶跃星辰开源项目（如Step-Video-T2V）。

三、自然语言处理（NLP）

核心。

1. 文本处理：分词、词嵌入（Word2Vec、BERT）、序列标签。
2. 任务模型：命名实体识别（NER）、情感分析、机器翻译。
3. 安全结合：恶意文本检测（如钓鱼邮件识别）、日志语义分析。

学习计划

• 基础：学习《语音与语言处理》，掌握NLTK、Spacy工具。
• 实战：构建基于BERT的钓鱼邮件分类模型，利用公开数据集（如Enron）训练。
• 优化：研究模型轻量化（如升级BERT）以适应边缘设备。

四、计算机视觉（CV）

核心。

1. 图像处理：OpenCV、图像分类与目标检测（YOLO、ResNet）。
2. 视频分析：行为识别、异常检测（如入侵监控）。
3. 安全应用：人脸识别防御攻击、视频窃听改检测。

学习计划

• 基础：学习《计算机：算法与应用》，掌握PyTorch的CV模块（Torchvision）。
• 项目：开发基于CNN的接触检测系统，使用公开数据集（如UCF-Crime）。
• 扩展：研究 Transformer 在视频理解中的应用（如 TimeSformer）。

五、AI Infra（AI基础设施）

核心。

1. 周围系统：熟悉Kubernetes、Ray等训练框架。
2. 硬件加速：GPU/TPU编程（CUDA）、模型编译优化（TVM）。
3. 安全部署：模型加密、联邦学习架构设计。

学习计划

• 基础：学习Linux系统管理、Docker容器化技术。
• 实战：部署Hugging Face模型到Kubernetes集群，优化推理延迟。
• 开源贡献：参与DeepSeek等开源项目，学习模型压缩与加速技术。

六、推理训练优化

核心。

1. 模型压缩：剪枝（Pruning）、量化（Quantization）、知识增加。
2. 推理加速：TensorRT、ONNX Runtime等工具链。
3. 安全优化：鲁棒性增强、模型水印技术。

学习计划

• 基础：学习《深度学习模型压缩与加速》，复现经典论文（如DistilBERT）。
• 实战：将ResNet-50模型量化到INT8，对比精度与速度。
• 工具：使用NVIDIA Triton部署优化后的模型，测试优质性能。

七、具身智能（Embodied AI）

核心。

1. 机器人学：运动控制、传感器融合（LiDAR、IMU）。
2. 强化学习：PPO、DQN等算法，仿真环境（Gazebo、MuJoCo）。
3. 安全交互：物理系统抗干扰、人机协作安全协议。

学习计划

• 基础：学习ROS（机器人操作系统）、PyBullet仿真平台。
• 项目：在仿真环境中训练机械臂完成漏洞扫描任务。
• 扩展：研究多智能体协作（如医疗代理医院）。