业务和功能介绍
基于网络安全领域的大模型微调
本项目聚焦网络安全领域大模型定制化微调，旨在解决通用大模型在安全场景下专业性不足的问题。核心基于Llama2等开源基座模型，依托包含漏洞分析、攻防对话、安全日志解析、恶意代码研判的专属数据集，通过Transformers框架实现模型微调。流程涵盖数据预处理（分词、截断、格式化）、训练参数配置（批次大小4、3轮训练、GPU加速）、模型训练与验证，最终输出适配网络安全场景的专用模型。微调后的模型可精准理解安全领域术语，高效完成漏洞研判、攻击行为分析、安全问答等任务，大幅提升网络安全运营与应急响应的智能化水平。
本项目聚焦网络安全领域大模型定制化微调，旨在解决通用大模型在安全场景下专业性不足的问题。核心基于Llama2等开源基座模型，依托包含漏洞分析、攻防对话、安全日志解析、恶意代码研判的专属数据集，通过Transformers框架实现模型微调。流程涵盖数据预处理（分词、截断、格式化）、训练参数配置（批次大小4、3轮训练、GPU加速）、模型训练与验证，最终输出适配网络安全场景的专用模型。微调后的模型可精准理解安全领域术语，高效完成漏洞研判、攻击行为分析、安全问答等任务，大幅提升网络安全运营与应急响应的智能化水平。
项目实现
以下是**纯文字版**网络安全大模型微调核心实现步骤（100字内）：
1. 导入PyTorch与Transformers库，加载Llama2等基座模型和分词器，部署至GPU。
2. 加载网络安全数据集（漏洞描述、攻防日志），分词处理并截断至512长度。
3. 配置训练参数：输出路径、批次大小4、训练轮次3。
4. 初始化Trainer启动微调，训练完成后保存微调后模型。
1. 导入PyTorch与Transformers库，加载Llama2等基座模型和分词器，部署至GPU。
2. 加载网络安全数据集（漏洞描述、攻防日志），分词处理并截断至512长度。
3. 配置训练参数：输出路径、批次大小4、训练轮次3。
4. 初始化Trainer启动微调，训练完成后保存微调后模型。
示例图片视频
相似推荐
toB车企自动化测试-测试云平台
1.立项背景
随着项目和测试任务数量增加，原有测试流程主要依赖人工协调和分散工具，存在以下问题：
（1）测试任务分散在不同工具中，执行状态不透明
（2）用例、脚本、任务之间缺乏统一管理，执行情况难以统计
（3）测试台架/机柜资源使用情况不清晰，容易出现资源冲突
（4）测试数据和质量指标分散，项目整体测试进展难以掌握
为提升测试效率和资源利用率，决定建设统一的测试平台，对测试任务、用例执行和测试资源进行集中管理。
2.平台功能
（1）测试任务管理
（2）用例与执行管理
（3）测试资源管理
（4）测试监控
（5）缺陷管理
汽车零部件制造信息管理系统-生产制造执行(MES)系统
系统主要由以下五部分构成：
a.web 应用系统：主要供厂区办公室工作人员使用（此为主体系统） ，用于进行统计分析、生产监控以及总体调度。
b.供应商系统：供供应商人员使用 ，能够查看 WEB 系统发布的采购订单并通过该系统及时作出响应。
c.现场生产终端系统：主要由现场生产工人使用 ，借助该终端系统进行生产过程操作。
d.手机 app：功能丰富 ，使用人员广泛 ，有效解决了各个环节之间的沟通交流问题。
e.大屏幕看板：放置于生产车间 ，全厂人员能够实时查看现场采购、配料、生产、质检、销售等环节的情况。
系统开发所涉及的技术包括：
a.web 应用系统：后端采用 java 语言 ，前端运用 vue ，模板引擎为 Thymeleaf ，消息推送 RabbitMQ。
b.现场生产终端系统：使用 c#开发。
c.手机 app：采用 ionic + angularjs + cordova。
d.看板：运用帆软报表。
e.数据库：选用 Oracle。
24小时车保姆
聚焦车主 “车辆路边抛锚” 的应急维修需求（如爆胎、亏电、油路故障、小修小补等），整合城市自由修车人资源，通过 “LBS 智能匹配 + 24 小时响应”，实现 “3 分钟下单、10 分钟匹配、30 分钟内师傅到达现场” 的应急服务闭环，核心解决传统路边维修 “找不到人、价格不透明、技术无保障” 的痛点。
汽车设计AI助手
背景：
通常，工程师在处理一个汽车项目时需要提供上千个交付物，每个交付物需要参考的数据内容又分布在其余不同的交付物中，导致工程师耗费了大量时间去寻找数据和编辑数据，极大地降低了工作效率。有时一些交付物的内容需要有大量参考去进行确认，工程师们往往是查资料半小时，写数据一分钟。而一个项目往往是由多个工程师负责的，工程师们之间也存在着信息差，进一步影响着我们的工作效率。此外，不同工程师对汽车不同子系统的理解也制约着项目的推进，例如，造型设计师设计了一个独特的灯带，但工程区域分析后发现该结构无法实现量产。
大语言模型和数据库的深度结合与RAG想法的提出让我们看到了解决此场景下效率低下的可能性。与传统的逐个查找数据文件不同，AI通过调用数据库对项目的所有文件进行针对性的相似和关联查找。根据项目的进展和用户的问答不断建立自己的数据关联，记忆关键的数据节点，在工程师们需要查询数据时快速给出答案。而工具调用的出现让我们看到AI业务落地可以更近一步。借此，可以实现从AI告诉答案转变为AI直接输出答案至目标文件中。
本作品的作用为依据现场的实际流程，设计一个以汽车项目为导向的专业智能体应用系统，帮助工程师更好地编写对应项目的交付物和探索自己的想法的可行性，帮助解决传统方案下数据寻找困难、工程师交互存在代沟、交付物编写缓慢的问题，拟将交付物编写速度加快至少80%。
本系统基于Windows操作系统实现，分为前后端两个方向进行设计：
前端主要是UI界面，用来进行数据的展示，拟采用VUE3进行设计，通过HTTP协议来实现与后端内容的数据交互
后端包含向量数据库系统设计、数据、关系性数据库系统设计、文件系统设计、大语言模型与工具调用设计、前后端交互接口设计、文件数据提取与向量化配置、拟采用Chroma、Sqlite3、Minio、Ollama、LangChain、Flask、MinerU等技术栈和win32.client等windows底层接口进行实现。
本项目的创新点在于将现有技术深度和企业实际生产过程相集合，根据实际需求，定制化专有的AI调用工具和现有的企业需求进行匹配，而不是简单的基于已有项目的复制粘贴。现有的技术方案更多执着于问答交互，而运用AI对微软文档进行直接专业化编写的设计现阶段的解决方案并不多，且更没有让AI专业化地编写文档的相关设计。
本方案提出时已完成多个小的组件的测试和使用，准备进行所有组件的整合和深度测试，方案完全可行。
自动化测试平台
1.为某外企汽车公司研发的一套车机系统自动化测试平台, 针对车机的UI/UX、功能和性能, 实现全方位的测试.
2.此平台针对不同人群匹配不同的使用方式. 例如, 针对测试开发人员, 可以基于已封装或者自己封装的功能模块来编写测试用例; 针对不懂开发的人员, 可以通过输入自然语言, 依托大模型转变成代码的方式实现测试用例的编写.
3.对应不同车型和版本, 有一套严谨的代码管理方案, 实现一平台能适配多车型多版本的测试需求和场景.
4.核心功能包括: 界面元素的定位和操作, UI/UX的校验, 文字识别, 图像识别, 录屏, 视频识别, 日志监控, 数据可视化等.
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服