【网络强国这十年】动画丨回眸我国网络安全领域那些重要成就******

　　在数字化浪潮下，日新月异的科学技术让万物互联迅速发展，打造网络安全空间将持续面临诸多挑战。

9月5日至11日 ，2022国家网络安全宣传周博览会在安徽合肥举行

　　党的十八大以来，深入贯彻落实网络强国重要思想 ，我国网信领域成绩斐然 。下面 ，就让我们一起回眸我国网络安全领域取得的成就 。

　　我国网络安全教育 、技术、产业方面推进融合发展 。目前 ，国内已有60多所高校设立了网络安全学院，200余所高校设立网络安全本科专业，每年网络安全毕业生超过2万人；设立网络安全专项基金，已建成了国家网络安全人才与创新基地，组织建设国家网络安全教育技术产业融合发展试验区 。

　　我国网络安全政策法规体系基本形成。《中华人民共和国网络安全法》自2017年6月1日正式实施以来已有五年。这意味着，网络安全同国土安全、经济安全等一样 ，成为国家安全的重要组成部分。

　　此外，在网络信息内容治理领域实施《网络信息内容生态治理规定》《互联网信息服务算法推荐管理规定》等；在个人信息保护领域实施《民法典》《个人信息保护法》《数据安全法》等；在数据安全领域实施《数据安全法》《区块链信息服务管理规定》《汽车数据安全管理若干规定（试行）》等 。在此基础上 ，还出台了《网络安全审查办法》《云计算服务安全评估办法》等政策文件 ，建立关键信息基础设施安全保护 、数据安全管理 、个人信息保护等一系列的重要制度 ，发布300余项国家标准 ，基本构建起网络安全政策法规体系的“四梁八柱” 。

　　国家网络安全工作体系不断健全。2016年12月我国发布 的首份《国家网络空间安全战略》中规定 ，“完善网络安全监测预警和网络安全重大事件应急处置机制” 。中央网信办印发 的《国家网络安全事件应急预案》于2017年6月向社会公开发布 。以“一案三制”为核心，构建起“全国一盘棋” 的工作体系 。

　　我国关键信息基础设施安全保护体系和能力显著加强。在《网络安全法》中首次提出“关键信息基础设施” 的概念 。《关键信息基础设施安全保护条例》由国务院公布，并于2021年9月1日起正式施行 。作为网络安全法 的配套立法， 是我国首部专门针对关键信息技术设施安全保护工作的行政法规 。“关基”保护有法可依 ，开展网络安全工作有序有度 。

　　我国网络安全风险防范能力持续加强。2022年2月修订的新版《网络安全审查办法》正式施行 ，已从“原2020 版”迭代升级。建立国家网络安全审查工作机制，对关键信息基础设施运营者采购活动进行审查 ，有力维护网络安全和数据安全，防范和化解国家安全风险。此外，由中共中央办公厅发布的《党委（党组）网络安全工作责任制实施办法》 ，于2017年8月15日起施行。作为《中国共产党党内法规汇编》唯一收录的网络安全领域 的党内法规，对厘清网络安全责任、落实保障措施、推动网信事业发展产生巨大影响 ，推进我国网络安全工作责任制明显夯实 。

　　当前，我国推进5G快速健康发展，同时深入开展6G应用场景研究 ，着力推动关键技术创新突破 ，积极促进国际交流合作。未来 ，如何营造清朗网络空间深度赋能行业高质量发展 ，为推进网络综合治理我国将不断探索“妙招”，向世界持续输出“中国良方” 。

　　监制 ：张宁 李政葳 策划：孔繁鑫制作：王一涵

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