问题导向
从网络安全实际问题出发，明确研究对象、输入数据、核心方法和评价指标。
Research Overview
从基础学习到科研成果，形成完整训练闭环
科研训练不仅关注算法或工具本身，也重视研究问题是否清晰、实验设计是否合理、数据是否可信、结论是否能够被复现。
实验验证
重视数据质量、实验对照、评价指标和结果分析，避免只展示单一模型精度。
工程实现
鼓励将研究方法实现为可运行的检测工具、评测系统或安全应用原型。
规范表达
通过实验记录、技术文档、项目报告和学术写作训练提升科研表达能力。
Research Directions
两项重点科研方向
结合网络安全前沿发展与实验室培养需求，重点围绕恶意流量检测和大模型安全开展持续研究。
恶意流量检测
面向复杂网络环境中的恶意通信、异常行为与网络攻击活动，研究流量数据采集、特征提取、样本标注、检测模型构建、效果评价以及检测结果可视化等问题。
- 数据准备：流量采集、数据清洗、样本筛选、类别整理和数据标注。
- 特征分析：分析统计特征、时序特征、协议行为与攻击流量差异。
- 模型训练：完成基线模型、参数调整、对照实验和泛化能力评价。
- 结果评价：结合准确率、召回率、F1值等分析检测效果与误报漏报。
- 系统开发：开发检测工具、数据分析平台和安全可视化页面。
大模型安全
关注大语言模型在提示交互、内容生成、知识调用、工具使用和智能体应用中的安全风险，研究提示注入、越狱提示、敏感信息泄露、模型安全评测、智能体工具调用风险和防护策略等问题。
- 安全测试集设计：围绕提示注入、越狱、隐私泄露等风险构建测试场景。
- 攻击防护实验：对不同模型开展提示攻击测试，并设计过滤、检测和约束方法。
- 输出风险分析：分析模型输出中的不安全内容、敏感信息和错误工具调用。
- 评测指标设计：关注攻击成功率、防护有效性、误拦截率和模型可用性。
- 原型开发：实现安全网关、提示检测或智能体权限控制原型。
Research Path
科研成长路径
根据学生基础和研究阶段安排不同任务，逐步完成从知识学习到独立研究的能力提升。
1
基础学习
网络、操作系统、编程、数据分析与安全基础。
2
方向选择
选择恶意流量检测或大模型安全方向。
3
文献与实验
理解现状，明确问题、数据、对照和指标。
4
技术实现
完成数据处理、模型训练、工具开发和验证。
5
成果总结
形成报告、软件、论文、专利或竞赛作品。
Student Participation
不同学习阶段的参与方式
本科生与硕士研究生可根据自身基础承担不同层次的科研任务，通过协同合作形成稳定的学习与研究团队。
本科生
从基础实验、数据处理和工程实现开始，逐步理解完整科研流程。
- 学习网络安全、编程和数据分析基础
- 参与数据整理、样本标注和实验复现
- 协助开发检测工具和可视化页面
- 参加组会汇报、项目交流和竞赛训练
硕士研究生
在完成基础训练后，进一步承担研究设计、方法改进和项目组织工作。
- 分析研究现状并明确可验证的科研问题
- 设计实验方案、对照方法和评价指标
- 开展模型改进、系统开发和结果分析
- 参与论文写作、项目申报与成果总结
Research Standards
科研规范与安全边界
网络安全科研必须在合法、授权、可控的环境中开展，同时遵守科研诚信、数据合规和学术规范。
合法授权
不得对未经授权的真实网络、系统或设备开展扫描、攻击或安全测试。
数据合规
不得擅自收集、使用、传播包含个人信息、账号凭据或敏感内容的数据。
科研诚信
实验过程应真实记录，研究结果不得伪造、篡改或选择性隐瞒。