东南大学职业素质教育.docx

东南大学职业素质教育.docx

《东南大学职业素质教育.docx》由会员分享，可在线阅读，更多相关《东南大学职业素质教育.docx（16页珍藏版）》请在冰豆网上搜索。

东南大学职业素质教育

“职业素质教育”讲座记录表

学号

184476

姓名

程强

序号

日期

讲座名称

报告人

1

2018年12月4日

《容器技术在高性能计算中的应用》

潘勋

2

2018年12月16日

《深度学习概览与开发实践》

王占伟

3

2018年12月16日

《IBMSPSS大数据算法与应用》

王琎

4

2019年1月11日

《数据安全及用户信息保护》

王小鹏

5

2019年1月14日

1.《基于分布式架构的网络安全事件采集生态》

2.《图像识别技术及其应用》

卢山

6

2019年1月15日

《新时代新科技新经济》

张晓东

7

年月日

8

年月日

9

年月日

10

年月日

成

绩

教师

签名

年月日

说明：

听讲报告不少于6次，每次报告要有书面记录和撰写的心得体会。

容器技术在高性能计算中的应用

12月4号上午在纪忠楼报告厅举办了一场由IBM公司高级工程师潘勋带来的关于容器技术在高性能计算中的一些具体应用。

随着互联网的发展，云计算作为一种商业计算模式在搜索服务、移动商务、开放协作等多样化需求的推动下迅速发展起来。

云计算就提供了多种基础设施，基础设施即服务（InfrastructureasaSerice，IaaS），平台即服务（PlatformasaService，Paas）和软件即服务（SofcvvareasaSerice，saas）。

基于PaaS平台，用户，开发者可以便捷地开发和部署应用程序，将应用程序托管在PaaS管理的云基础设施中，从而节省大量的平台搭建和维护工作，并达到缩短开发周期，降低运维成本的目的川。

Docker作为轻量级的虚拟化方式，实现了PaaS平台的高效部署、运行和维护。

PaaS的核心技术之一就是虚拟化。

虚拟化主要分为两大类，即基于硬件的虚拟化和基于软件的虚拟化。

基于软件的虚拟化分为应用虚拟化和平台虚拟化。

虚拟机（VirtuaIMachine，VM）技术属于平台虚拟化。

应用虚拟化可细分为完全虚拟化、硬件辅助虚拟化、部分虚拟化、超虚拟化、操作系统级虚拟化。

管理程序虚拟化通过中间层将一台或者多台独立的机器虚拟运行与物理硬件之上，而容器则是直接运行在操作系统内核之上的用户空间。

Docker属于操作系统级的虚拟化。

和传统的虚拟化技术不同,Docker是一个开源的应用容器引擎,让开发者可以打包其应用以及依赖包到一个可移植的容器中,然后发布到任何流行的Linux机器上来实现虚拟化。

容器是在操作系统层面上实现虚拟化,直接复用本地主机的操作系统,而传统方式则是在硬件的基础上,虚拟出自己的系统,再在系统上部署相关的APP应用。

容器是完全使用沙箱机制,相互之间不会有任何接口,几乎没有性能开销,可以很容易地在其他机器和数据中心中运行。

最重要的是，Docker不依赖于任何语言、框架或包括系统。

容器可以提供隔离性，可以为各种测试提供一个良好的沙盒环境。

并且，容器本身就是具有“标准性”的特征，非常适合为服务创建构建块。

它可以加速本地开发和构建流程，使其更加高效、更加轻量化。

本地开发人员可以构建运行并分享Docker容器。

容器可以在开发环境中构建，然后轻松的提交到测试环境，最终进入生产环境。

并且能够让独立服务或者应用程序在不同的环境中，得到相同的运行结果。

构建一个多用户的平台及服务基础设施。

并且为开发、测试提供一个轻量级的独立沙盒环境，或者将独立的沙盒环境用于技术教学。

容器技术的特点主要有以下几点，首先，它资源独立、隔离，Docker通过LinuxNamespace、Cgroup限制了硬件资源与软件运行环境，与宿主机上的其他应用实现了隔离，做到了互不影响，这也是云计算平台的最基本需求。

其次，环境的一致性，开发工程师完成应用开发后构建一个dockerimage，基于这个image创建的container像是一个集装箱，里面打包了各种“散件货物”（运行应用所需的程序、组件、运行环境、依赖）。

无论这个集装箱在哪里：

开发环境、测试环境、生产环境，都可以确保集装箱里面的“货物”种类与个数完全相同，软件包不会在测试环境缺失，环境变量不会在生产环境忘记配置，开发环境与生产环境不会因为安装了不同版本的依赖导致应用运行异常。

最后，容器包含了应用和所需的依赖，但不需要独占资源，没有一个虚拟系统，而是和宿主机共享硬件资源和操作系统，和其他容器共享内核，从而实现资源的动态分配。

多个容器在同一个宿主机操作系统中的用户空间以独立的进程运行。

因此，容器相比虚拟机要轻量许多。

随着系统虚拟化和云计算技术的发展，高性能计算云（HPCCloud）已逐渐成为一种新兴的高性能计算服务模式。

高性能计算云是一种基于云计算的高性能计算资源管理和服务提供模式。

它的主要特征包括：

（1）使用虚拟化技术管理和组织计算资源，将虚拟机作为资源供应的基本单位；

（2）通过IaaS或者PaaS方式对用户提供HPC服务。

容器可以为各种测试提供很好的沙盒环境。

并且，容器本身就具有“标准性”的特征，非常适合为服务创建构建块。

Docker的一些应用场景如下:

加速本地开发和构建流程，使其更加高效、更加轻量化。

本地开发人员可以构建、运行并分享Docker容器。

容器可以在开发环境中构建，然后轻松的提交到测试环境中，并最终进入生产环境。

能够让独立的服务或应用程序在不同的环境中，得到相同的运行结果。

这一点在面向服务的架构和重度依赖微型服务的部署由其实用。

用Docker创建隔离的环境来进行测试。

例如，用JenkinsCI这样的持续集成工具启动一个用于测试的容器。

Docker可以让开发者先在本机上构建一个复杂的程序或架构来进行测试，而不是一开始就在生产环境部署、测试。

当然，Docker缺少容器之间的高层次联网功能。

问题的一方面在于，Docker最佳实践并不鼓励在一个容器中运行多个服务;而这意味着与其他容器进行联系显得至关重要。

在大规模环境下，如果容器需要与可能不在同一个Docker主机上的其他容器进行联系，这可能成为一大问题。

由于许多应用程序出于安全和功能的考量而需要特定的联网环境，试图解决这个大规模问题时，Docker的原生联网功能多少受到了限制。

这个联网问题的另一个方面是，Docker缺少原生服务发现功能。

由于应用程序和服务可能有众多广泛的组件，如果我们谈论大规模应用程序，服务发现功能变得必不可少。

Docker社区在处理这个问题，一个办法就是实施etcd和skydns。

并且安全性问题是容器技术的一个主要弱点，尽管当前的Docker版本已经在安全性方面有了很大的提高，但是相对于虚拟机来讲，安全性问题仍然是Docker容器技术的一个主要弱点。

相对于虚拟机可以部署多个系统或应用的场景来讲，容器管理平台需要管理的容器的数量会远远多于虚拟机管理平台需要管理虚拟机的数量。

最后，老师也谈到云计算是一种融合了多项计算机技术的以数据和处理能力为中心的密集型计算模式,其中以虚拟化、SDN、分布式存储等技术最为关键。

经过十多年的发展，云计算技术已经从发展培育期步入快速成长期，越来越多的企业已经开始使用云计算服务。

与此同时,云计算的核心技术也在发生着巨大的变化,新一代的技术正在优化甚至取代前一代技术。

Docker容器技术以其轻便、灵活和快速部署等特性对传统的基于虚拟机的虚拟化技术带来了颠覆性的挑战,正在改变着基础设施即服务（IaaS）平台和平台即服务（PaaS）平台的架构和实现。

Docker容器技术是一个风头直追OpenStack的云计算开源项目，关于它的热议已席卷虚拟化乃至云计算行业，业内各大厂商（包括亚马逊、红帽、IBM和VMware等）都加入了容器的行列。

心得体会

作为云平台必不可少的核心要素之一，虚拟化技术在很大程度上影响到整个云平台的性能，因而对高性能虚拟化技术的研究也随着云平台应用的深入逐渐成为热点。

现有的被广泛采用的虚拟机技术作为一种重型的、面向系统架构的虚拟化技术，虽然很好地实现了物理硬件抽象化和隔离等虚拟化的初衷，但是同样也带来了资源消耗过高、启动较慢等问题，在强调快速、大量部署的以应用为中心的场合并不十分合适。

作为一种新的虚拟化技术，Docker以其极小的性能损耗、秒级别的启动速度和优秀的可移植性在很多场合显现出了相对传统虚拟机技术的优势，虽然同样作为虚拟化技术，Docker和虚拟机技术存在着很多相似之处，但是从本质上说，Docker是一种面向应用的虚拟化技术，它以应用为中心，因而适合于大量应用的快速部署和管理，同时由于容器镜像小，也便于网络传输。

深度学习概览与开发实践

12月16日上午在九龙湖校区举行了第三次职业素质教育报告，来自IBM资深的工程师王占伟给我们带来了一场十分精彩的关于深度学习概览与开发实践的讲座，我不仅收获到了丰富的理论知识，也了解了一些实践方面的知识。

深度学习是机器学习和人工智能研究的最新趋势之一。

它也是当今最流行的科学研究趋势之一。

深度学习方法为计算机视觉和机器学习带来了革命性的进步。

新的深度学习技术正在不断诞生，超越最先进的机器学习甚至是现有的深度学习技术。

近年来，全世界在这一领域取得了许多重大突破。

浅层学习是机器学习的第一次浪潮。

20世纪80年代末期，用于人工神经网络的反向传播算法的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。

这个热潮一直持续到今天。

人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。

这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显出优越性。

这个时候的人工神经网络，虽也被称作多层感知机，但实际是种只含有一层隐层节点的浅层模型。

2006年，加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton和他的学生在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。

这篇文章有两个主要观点：

1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2）深度神经网络在训练上的难度，可以通过“逐层初始化”来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

深度学习是无监督学习的一种。

深度学习的概念源于人工神经网络的研究。

含多隐层的多层感知器就是一种深度学习结构。

深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

目前深度学习神经网络已经有成熟应用的算法，主要有以下几种：

卷积网络CNN、RNN。

其中卷积神经网络主要用于图像处理领域，因为在图像识别过程中，图片中物体在图片中的位置、姿态，都会影响识别的效果，经过卷积操作，可以对图片中的物体进行大小、位置、角度方面的处理，进行归一化，从而提高图片的识别率.

深度学习目前主要的运用在图片增强、文本转换为语音、音乐合成、图片摘要以及自动驾驶等方面。

计算机视觉通过传感器给机器周围的物理世界提供知识。

过去，这是一个非常脆弱和复杂的任务，需要特定的量身定制的算法来分析像素。

这些算法不灵活，必须在特定的情况下使用，并且对旋转和光照特别敏感。

硬件GPU最近发展的速度和规模支持计算机视觉利用深度学习网络，深度学习网络有助于减轻标准计算机视觉算法所经历的问题。

计算机视觉中比较成功的深度学习的应用，包括人脸识别，图像问答，物体检测，物体跟踪。

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。

它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。

因此，自然语言处理是与人机交互的领域有关的。

在自然语言处理面临很多挑战，包括自然语言理解，因此，自然语言处理涉及人机交互的面积。

最近两年，基于深度学习的自然语言处理逐渐取得了一定进展，在人机对话、问答系统、语言翻译等方向的应用也一直是自然语言处理中的热门话题，而这些应用的实现，基本依赖于底层技术和模型的进步，再加上自然语言处理领域也算是一个多学科交叉的行业，自然语言处理的未来发展对于很多相关学科和方向都具有深远的影响力。

深度学习框架有很多种，自编码器、深度置信网络以及卷积神经网络等。

其中，CNN在癌症检测中最为常用，其次是AE和DBN。

它们或被用于分析医学图像，如X光片、CT图像等，或用于分析分子层面的数据，如基因突变、基因表达数据等。

目前，深度学习技术还不能应用在所有类型的癌症上，因此现有研究一般将肺癌、乳腺癌等常见癌症，作为检测目标。

最后，王占伟老师还跟我们分享了一些实际开发中所遇到现实问题给我们提出了以后在工作学习的过程中需要注意的方面，并且更多的去企业里面进行观摩实践。

心得体会

人工智能的这次热潮因深度学习算法的突破而起。

与前两次热潮相比，此次最大的不同在于已有算法实现了商业化应用，并对一些领域实现了变革性的发展推动。

长期来看，人工智能将通过逐步迭代，用程序来替代人类智慧。

当机器拥有人类所赋予的部分人类智慧，再结合数据采集及应用场景，机器将会替代人类的重复性劳动，比如安检员、收银员等；还可成为人类决策的助手，比如辅助医疗诊断、成为教师助理等。

Spass大数据算法与应用

12月16号，下午在纪忠楼王琎老师给我们带来了有关于大数据在实际情形下的运用，以及基本的实际算法。

大数据（bigdata），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

大数据的特点可以总结为4个V，即Volume（体量浩大）、Variety（模态繁多）、Velocity（生成快速）和Value（价值巨大但密度很低）。

而网络大数据是指“人、机、物”三元世界在网络空间（Cyberspace）中交互、融合所产生并在互联网上可获得的大数据。

网络大数据的规模和复杂度的增长超出了硬件能力增长的摩尔定律，给现有的IT架构以及机器处理和计算能力带来了极大挑战，同时，也给人们深度挖掘和充分利用网络大数据的大价值带来了巨大机遇。

因此，追切需要探讨大数据的科学问题，发现网络大数据的共性规律，研究网络大数据定性、定量分析的基础理论与基本方法。

而在工业运用上，大数据是现有产业升级与新产业诞生的重要推动力量。

数据为王的大数据时代的到来，产业界需求与关注点发生了重大转变：

企业关注的重点转向数据，计算机行业正在转变为真正的信息行业，从追求计算速度转变为关注大数据处理能力，软件也将从编程为主转变为以数据为中心。

大数据处理的兴起也改变了云计算的发展方向，使其进入以分析即服务（AaaS）为主要标志的Cloud2.0时代。

但是复杂性造成网络大数据存储、分析、挖掘等多个环节的困难。

网络大数据的复杂性主要包括数据类型的复杂性、数据结构的复杂性和数据内在模式的复杂性。

信息技术的发展使得数据产生的途径不断增加，数据类型持续增多。

相应地，则需要开发新的数据采集、存储与处理技术。

传统上处理的数据对象都是有结构的，能够存储到关系数据库中。

但随着数据生成方式的多样化，如社交网络、移动计算和传感器等技术，非结构化数据成为大数据的主流形式。

非结构化数据具有许多格式，包括文本、文档、图形、视频等等。

非结构化数据当中蕴含着丰富的知识，但其异构和可变的性质也给数据分析与挖掘工作带来了更大的挑战。

随着数据规模的增大，描述和刻画数据的特征必然随之增大，而由其组成的数据内在模式将会以指数形式增长。

首先，数据类型的多样化决定了数据模式的多样化，不仅需要熟悉各种类型的数据模式，同时也要善于把握它们之间的相互作用，这种面向多模式学习的研究需要综合利用各个方面的知识。

老师谈到互联网及物联网是产生并承载大数据的基地的几个原因。

互联网公司是天生的大数据公司，在搜索、社交、媒体、交易等各自核心业务领域，积累并持续产生海量数据。

物联网设备每时每刻都在采集数据，设备数量和数据量都与日俱增。

这两类数据资源作为大数据金矿，正在不断产生各类应用。

数据主要有以下几种较为常用的功能：

（1）追踪。

互联网和物联网无时无刻不在记录，大数据可以追踪、追溯任何一个记录，形成真实的历史轨迹。

追踪是许多大数据应用的起点，包括消费者购买行为、购买偏好、支付手段、搜索和浏览历史、位置信息，等等。

（2）提示。

在历史轨迹、识别和画像基础上，对未来趋势及重复出现的可能性进行预测，当某些指标出现预期变化或超预期变化时给予提示、预警。

以前也有基于统计的预测，大数据大大丰富了预测手段，对建立风险控制模型有深刻意义。

（3）优化。

按距离最短、成本最低等给定的原则，通过各种算法对路径、资源等进行优化配置。

对企业而言，提高服务水平、提升内部效率；对公共部门而言，节约公共资源、提升公共服务能力。

数据（BigData）是当前学术界和产业界的研究热点，正影响着人们日常生活方式、工作习惯及思考模式．但目前大数据在收集、存储和使用过程中面临着诸多安全风险，大数据所导致的隐私泄露为用户带来严重困扰，虚假数据将导致错误或无效的大数据分析结果。

与其它信息一样，大数据在存储、处理、传输等过程中面临诸多安全风险，具有数据安全与隐私保护需求。

而实现大数据安全与隐私保护，较以往其它安全问题（如云计算中的数据安全等）更为棘手。

这是因为在云计算中，虽然服务提供商控制了数据的存储与运行环境，但是用户仍然有些办法保护自己的数据，例如通过密码学的技术手段实现数据安全存储与安全计算，或者通过可信计算方式实现运行环境安全等。

而在大数据的背景下，Facebook等商家既是数据的生产者，又是数据的存储、管理者和使用者，因此，单纯通过技术手段限制商家对用户信息的使用，实现用户隐私保护是极其困难的事。

心得体会

在大数据时代，通过挖掘和分析处理，大数据可以为人的决策带来参考答案，但是并不能取代人的思考。

正是人的思维，才促使众多利用大数据的应用，而在大数据更像是人的大脑功能的延伸和扩展，而不是大脑的替代品。

随着物联网的兴起，移动感知技术的发展，数据采集技术的进步，人不仅是大数据的使用者和消费者，还是生产者和参与者。

基于大数据的社会关系感知、众包、社交网络大数据分析等与人的活动密切相关的应用，在未来会受到越来越多的关注，也必将引起社会活动的巨大变革。

数据安全与个人信息安全

1月11号下午，来自中通服咨询设计研究院有限公司的王小鹏老师给我们带来了一场关于数据安全与个人信息保护的讲座，给我们详细介绍信息安全的主要威胁，个人信息保护的现状，公司内部的主要安全系统防护，感觉自己收获颇丰。

首先，大数据掀起新一轮生产率提高和生活方式改变的同时，随之而来的是安全挑战，这是我们必须破解的重大现实课题。

“隐形隐私”是指在大数据环境下，数据的敏感属性由原来具体的、明确的属性集，成为散落在海量数据中分散的、模糊的信息碎片。

同时，隐私泄露渠道多种多样、数据挖掘技术也层出不穷，保护“隐形隐私”的核心，其一是数据泄露防护，多源异构、深度内容识别等技术手段加以实现，其二是隐私数据的保护，包括自适应隐私感知、敏感信息智能清洗等方式。

伴随着大数据技术和应用的快速发展，在大数据生命周期的各个阶段、各个环节，越来越多的安全隐患逐渐暴露出来。

比如，大数据传输环节，除了存在泄漏、篡改等风险外，还可能被数据流攻击者利用，数据在传播中可能出现逐步失真等。

又如，大数据处理环节，除数据非授权使用和被破坏的风险外，由于大数据的异构、多源、关联等特点，即使多个数据集各自脱敏处理，数据集仍然存在因关联分析而造成个人信息泄漏的风险。

个人隐私安全问题。

在现有隐私保护法规不健全、隐私保护技术不完善的条件下，互联网上的个人隐私泄露失去管控，微信、微博、QQ等社交软件掌握着用户的社会关系，监控系统记录着人们的聊天、上网、出行记录，网上支付、购物网站记录着人们的消费行为。

但在大数据时代，人们面临的威胁不仅限于个人隐私泄露，还在于基于大数据对人的状态和行为的预测。

近年来，国内多省社保系统个人信息泄露、12306账号信息泄露等大数据安全事件表明，大数据未被妥善处理会对用户隐私造成极大的侵害。

因此，在大数据环境下，如何管理好数据，在保证数据使用效益的同时保护个人隐私，是大数据时代面临的巨大挑战之一。

其次，企业要加强数据安全评估。

要开展对大数据承载平台的定期安全评估;加强对大数据相关信息系统的安全评估;跟踪大数据相关评估标准的进展，适时开展对大数据安全的数据可信性和隐私保护程度等指标的评估。

通过体系化的大数据安全评估，促使大数据系统在数据安全方面达到运营合规、风险可控的目标。

王老师还谈到了欧盟的《通用数据保护条例》（GeneralDataProtectionRegulation），其已经于2018年5月25日正式施行。

GDPR规定，数据控制者必须以清楚、简单、明了的方式向个人说明其个人数据是如何被收集处理的。

可以想见的是，当前企业普遍应用的隐私政策必须进行大幅改革，才能满足合规要求。

如果涉及自动化的数据处理，包括数据画像活动，则需要提供基本的算法逻辑以及针对个人的运算结果。

GDPR加强了个人控制自己数据的权利。

其中最重要的一个例子是授予个人的新权利：

数据可携的权利（Portability）。

它是说一个人有权利把他的个人数据从一个组织转移到下一个组织。

个人数据必须以结构化的、通用的和机器可读的格式提供给个人。

条例还规定，当技术上可行时，组织应根据个人要求在组织间用电子的方式传输其个人信息。

明确数据安全治理目标，解决“云、管、端”三类数据的违规监控和泄漏防护问题，对涉及敏感内容的数据存储、传输、使用过程进行全方位监控、审计、实时防护，防止敏感数据泄露、丢失，确保数据的价值实现、运营合规和风险可控。

建立数据安全治理的保障机制，包括确立数据安全治理的战略;健全数据安全治理的组织机制，明确数据安全管理的角色和责任;建立满足业务战略的数据架构和架构管理策略;识别政策、法律、法规要求，跟踪相关标准规范的进展并采取措施予以积极落实。

根据确定的数据安全角色和责任，分解落实各项数据安全治理任务，有序开展各项治理工作。

建立对数据安全治理的监督评估机制，提升数据安全治理的有效性。

随着云计算的普及，大量数据和业务都集中在云计算数据中心中，云计算数据中心面临着巨大的安全风险，其对安全的需求达到了全新的高度，安全在云计算领域将成为与计算、存储、网络并列的四大基础设施之一，云计算的快速发展给网络安全行业带来了巨大的市场空间和商业价值。

另外近几年来，物联网发展也非常迅猛，物联网技术不仅仅在家庭及消费级设备上取得发展，还在制造业、物流、矿业、石油、公用设施和农业等拥有大型资产的行业也开始大量得到应用。

但是物联网的安全性非常薄弱，各类物联网终端很容易成了被入侵和控制的对象，黑客通过入侵物联网设备，再逐步渗透到整个网络，窃取大量机密信息，甚至通过操控物联网设备对企业、国家产生直接攻击和威胁。

近几年来物联网安全事故频发，物联网的安全问题正在被日益重视，后续几年物联网安全市场将会取得快速发展。

心得体会

在信息安全问题中一直以来人们只关心数据文件的安全，对自身的信息并不是很在意。

但是随着电子商务的发展网上交易的增多，个人的一些信息已经或正在成为商家涉猎的对象，个人的隐私问题逐渐引起了人们的关注。

社会生产方式的转变导致用户的个人信息成为商家猎取的目标，个人的隐私权无法得到保障，隐私权问题是个人在上网时不得不面对的问题。

在信息化社会的今天，如何让有用的信息流通，让网络用户有效地保护自己的个人信息，还需要各方面的努力。

基于分布式网络架构安全事件生态采集、图像识别技术及其应用

1月14号下午，由卢山老师带来的基于分布式网络架构安全事件生态采集在纪忠楼举行，卢老师谈到在企业的发展