生成式人工智能赋能网络安全人才培养的探索研究

王磊 徐子竞 朱戈 门海

摘要：在新时代新征程中，满足社会主义现代化强国的建设需要，加快培育高素质网安人才成为实现人才强国战略的重中之重，引发了教育领域的新思考。该文以我国现阶段网安人才需求为研究基础，以生成式人工智能在网安人才培养中的赋能作用为研究对象，以自定制网安人才培育模型——CSGPT为研究实例，设计了网安人才能力框架，实证了生成式人工智能在网安人才培养中的应用价值，聚焦于解决网安人才培养中的多元问题并探索创新进路，提出：以智能为导向的教学方法；以成长为导向的评估机制；以供需为导向的个性路径；以实战为导向的攻防实训；以产教为导向的智慧平台的网安人才培养的方法与实践，阐释了网安人才培养中安全应用生成式人工智能的平衡策略。

关键词：网络安全；人才培养；人工智能；AIGC；CSGPT

中图分类号：G434 文献标识码：A

本文系国家社会科学基金一般项目“数智环境下情报分析算法风险治理路径研究”（项目编号：22BTQ064）、黑龙江省高等教育本科教育教学改革研究重点委托项目“新工科背景下网络空间安全研究生科教融合、产教融合人才培养模式的探索与实践”（项目编号：SJGZ20220050）研究成果。

在全球数字化的时代背景下，网络安全（以下简称网安）形势错综复杂，关乎国家安全、社会稳定、和公民权益。在数字中国建设加速推进，数字经济成为经济增长新动能的时代背景下，网安的重要性日益凸显。长期以来，为应对日趋严峻的网安风险与挑战，我国高度重视网安人才培养，自2016年《中华人民共和国网络安全法》和《关于加强网络安全学科建设和人才培养的意见》颁布以来[1][2]，逐步明确了网安人才培养的总体方针。党的二十大报告指出：要加快建设网络强国和数字中国，人才是第一资源，应深入实施人才强国战略，培养一支规模宏大、结构合理、素质优良的人才队伍[3]。习总书记强调：需进一步加强科学教育、工程教育，加强拔尖创新人才自主培养，为解决我国关键核心技术攻关提供人才支撑。因此，探索和研究我国网安人才培养的优化路径具有重要战略意义。

（一） 网安人才培养的需求及现实问题

因需而生，截至2022年7月，全国有500余所高校设立了网安相关专业，网安人才的培养规模不断扩大，网安人才需求呈现出如下特点[4]②。

首先，需求缺口较大。国际信息系统安全认证联盟（（ISC）2）的报告显示，全球网安人才的需求远超供应，全球缺少272万名熟练的网安工作者。《网络安全产业人才发展报告（2022年版）》显示[5]，2021年以来，我国网安人才的需求呈现高速增长的态势，总需求量达140万人以上，社会需求每年近5万人，而高校每年培养的网安人才总量不足3万人，供需矛盾突出。

其次，需求领域多样。网安人才需求涵盖了党政系统、军事安全、国计民生、国家公共安全和产业、院校等多个重要领域。能源、通信、政法以及金融等行业，对网安专业人才的需求尤为迫切。《2022网络安全人才实战能力白皮书》显示[6]，能源行业需求量位列第一，占比为21%，其次是通信、政法、金融等行业，人才需求量占比分别为16%、14%、9%。

再次，需求技能多元。基于网安人才紧缺岗位调查情况分析，渗透测试、漏洞发现和逆向分析方向的技能人才岗位需求分别占比40%、33%和32%。基于崗位需求特征分析，具备攻防实践能力的岗位主要集中在运维工程师、安全服务工程师、安全运营工程师等。其中，运维工程师数量最多，占比达26%，其次是安全服务工程师和安全运营工程师，占比分别为23%和20%。因此，从需求侧分析，紧缺岗位对技能多元性的要求更高。

因需而动，学界围绕网安人才培养开展了大量理论与实践研究。李建华等认为应将更多的实战练习纳入网安人才培养课程[7]。封化民认为应创新网安人才培养模式，加强校企合作，加强教育机构、政府和行业间合作，共同开发创新的人才培养策略[8]。刘小虎等认为网安人才培养需以竞赛为依托，融合“理论讲授、课程实践、科研任务”的多维人才培养模式[9]。王佰玲等认为应构建目标导向的专业课程体系和教学模式，提倡跨学科交叉融合、科教协同育人、校企协同育人[10]。郭文忠等认为应重构理论及实践教学体系，创新教学方式方法，紧扣理论结合实践，课赛结合和研究导入双向引领[11]。综上表明，当前我国网安人才培养仍面临着诸多问题，主要集中在规模、结构和质量三个维度：一是供需矛盾突出，高端人才不足；二是人才培养结构失衡，供求匹配不足；三是实验教学匮乏，产业对接不足。确保网安人才的持续、稳定、高质量供给，高等教育的作用尤为重要，而现实存在的问题与短板，则在客观上导致了网安人才培养的困境。

因需而变，人工智能技术在教育领域的广泛应用为解决上述问题提供了新的契机，GPT大模型的出现催化了生成式人工智能（Artificial Intelligence Generated Content， AIGC）的应用落地[12]，而探索网安人才培育的新范式，亟需定制专属于网安人才培育的AIGC模型，为此，笔者提出了学校联合企业共建基于“GPT+大数据”的网安人才培育模型——CSGPT（Cyber Security Generative Pre-Trained Transformer， CSGPT）的设计构想。CSGPT可以根据输入的数据生成丰富多样的输出，提供个性化的学习内容，同时，通过深度学习的方式，CSGPT能够不断优化自身的能力，提供更优质的网安教学服务，此外，高校、研究机构和企业可合作共建基于CSGPT的教学平台，探寻网安人才培育创新进路[13][14]。

（二）AIGC赋能下的网安人才培养新范式

1.AIGC的发展历程及必要性

AIGC起源于自然语言处理（Natural Language Processing， NLP）技术，旨在使计算机理解和生成人类语言。自20世纪50年代起，NLP经历了从基于规则、统计到深度学习的发展历程并演进到AIGC阶段。在此历程中，NLP在文本分类、命名实体识别、语义角色标注等领域均取得了突破。作为AIGC的最新进展，GPT模型自2018年发布首个基于Transformer架构的版本以来[15][16]，经历了多个版本迭代，现已进化到GPT4[17]。作为AIGC的标杆，发布以来就引发了业界广泛关注，极大地推动了AIGC的发展。

NLP的进步和突破为AIGC的诞生与演进提供了基础支撑，如表1所示，AIGC作为一种革命性的技术创新，正在改变着人机交互模式。AIGC是实现高级、自然且深度的人机交互的关键，此种交互为网安人才培养提供了新的可能性，在不断迭代提升核心能力的同时也彰显出在网安人才培养中的赋能潜力[18]。

2.自定制基于“GPT+大数据”的网安人才培育模型

CSGPT的定义为：是AIGC先进技术与网安教育（如课堂教学、攻防实训等）互通的“桥梁”，通过顺应网安人才培养趋势，基于大数据和大模型训练，以数据为根基，以需求为导向，创新深度融合的网安教学模式，皆在促进知识的生成和传递并以此打造匹配行业需求，个性化定制、更具活力和质效的网安教学解决方案。

确保CSGPT有效性的关键在于训练和验证流程。模型使用交叉熵损失函数，选择Adam优化器，并使用学习率衰减策略。在模型训练过程中，通过早停策略和正则化来避免过拟合，以提高模型在多种网安场景中的泛化能力。在模型验证阶段，使用包括准确率，召回率在内的多个指标来评价模型的性能，并设有专门的测试集来评估模型能力。此外，还通过进行交叉验证以进一步确保模型的稳定性和有效性。

CSGPT的基础源于优质的网安大数据集，包括诸如：网安教程、专业论文、攻击日志和威胁情报等多元化多模态数据子集。数据来源一是通过网络爬虫和信息检索技术搜集获取，即从网安平台、教育网站以及研究机构获取的大规模网安相关文本数据集。二是基于校校、校企合作，构建多方共建共享的特色训练数据集。CSGPT的核心在于确保数据质量，首先应确保数据安全并脱敏，其次应核准数据并去重，最后应对数据加以标注。保证模型有效性的关键在于持续训练迭代。如图1所示，数据经过预处理后生成一系列的标记（Token）并通过嵌入层将标记转换为向量，随后向量被输入到Transformer网络[19]。模型训练是一个梯度下降的优化过程。每轮迭代中，模型的预测输出与实际目标加以比较，损失函数度量预测误差并通过反向传播算法进行梯度计算并进行模型参数的更新。在此过程中，模型通过自我学习的方式，逐渐掌握并理解网安领域专业知识和实践操作。训练结束后，进一步对模型进行验证和优化。应用于未参与训练的数据集（验证集）上进行模型性能评估，并根据评估结果施以参数调优或模型结构的微调[20]，如此往复，实现迭代升级。在教学使用中设置反馈机制，根据学生的学习进度和反馈来调整模型的输出，以更好地适应网安人才培养目标。这种融合训练流程和课程的方式，将使CSGPT在课程设计和实施中起到至关重要的作用。

通过上述精细且复杂的训练流程，将赋予CSGPT在网安领域的语言理解与生成能力、上下文捕捉能力和迁移学习能力。如表2所示，这些核心能力将在网安人才培养中发挥巨大的应用价值。预期完全部署且训练调优后，CSGPT将能够超越ChatGPT的功用，提供更加专业的网安人才培育模型，也能够弥补ChatGPT学习使用门槛高、网安专业性不强等先天不足，更能够推动网安人才培养向个性化和智能化发展。

（一）能力定位特质：构建网安人才培养新框架

如上所述，网安人才培养面临着诸多现实问题，而破题的关键在于确准网安人才的能力特质定位并据此构建其能力框架。如下页图2所示，基于深度调查和研究数据，本文将网安人才能力特质分为八个方面并设计构建了三层能力框架，自底向上依次为：基础层、进阶层和高级层，基于层次化的结构模型能够更好地指导网安人才培养过程，层级之间彼此关联、相互促进。基础层注重专业技能与知识、实践与操作能力，涵盖网安人才的专业基础能力。进阶层注重跨学科整合与创新能力、法律与道德意识、适应性与持续学习能力，涵盖网安人才的解决复杂问题与应急处理能力。高级层注重业务理解与战略规划能力、客户服务与解决方案提供能力、沟通与协作能力，涵盖网安人才的行动力与领导力。这种基于层次化的结构模型将通过课程设计和个人学习计划得以实施，每个层次的学习目标均将结合具体的课程和实践活动以实现从基础到高级的全面培养。使其在有效地指导人才培养过程的同时，将理论学习和实践操作紧密结合，以提高教学效果。

（二）技术融入培育：解锁网安人才培养新进路

CSGPT的赋能将为网安人才培养带来发展机遇与创新进路。通过构建以CSGPT为内核的全新网安人才培育智慧平台将更利于推动产教融合、科教融合向纵深延展，培养质效亦将得到显著提升并有利于产出更多高水平科研成果。如图3所示，将CSGPT与网安人才培养深度融合有助于应对培养过程中所面临的挑战。应用CSGPT打造面向全培养周期的个性化、智能化教学工具和助手，能够服务于优化师资教材、提升实践教学质量、缓解人才供需矛盾等多个教学场景[21]，CSGPT亦可应用于教学模式改革和课程体系建设中，有助于构建更具时效性和创造性的育人生态环境，打造符合上述框架的卓越网安人才。

（三）守正融合创新：塑造网安人才培养新格局

在AIGC必将对教育产生深远影响的时代背景下[22]，网安人才培养与AIGC深度融合的发展机遇已经到来，高等教育应把握机遇，在确保培养优势，传承培养理念的基础上，充分挖掘AIGC的赋能潜力，通过打造领域内专用模型CSGPT等方式，塑造网安人才培育新格局，培养更多兼具创新思维和实践能力的网安人才，加速融合创新以实现跨越式发展。在网安人才培养中弘扬守正创新的理念，即是对我国网安人才培养体系中扎实的理论基础和严谨的教学方法等优势的历史传承，也是应用新技术应对实践与理论的脱节、个性化教育的匮乏等问题的现实之选，更是优化教育资源的配置、营造个性化和智能化教学环境的创新举措[23]。

（一）辅助教学，面向实践，探索智慧教学方式

在CSGPT训练的初始实验环境中，测设生成实验数据，如输入网络攻防技术的查询项：“请告诉我当前最新的网络攻防技术是什么？”，CSGPT生成内容：“包括零信任网络、AI驱动的安全策略和量子加密等。”，结果基本符合设计构想，实证了CSGPT在课程设计、课堂教学、课后辅导及研究指导四个关键教学环节中的赋能潜力。CSGPT在网安人才培养中将能兼具导学、辅学、和督学等功用，使学生能够更加深入地理解和掌握网安知识内容，并以此探索智慧教学范式[24][25]。

在课程设计环节，源于GPT模型强大的网络架构，CSGPT的分析能力将能智能化筛选和解析网安领域的最新趋势与科研成果，包括网络攻防技术、加密算法、入侵检测与防御，以及安全策略等。这些特定的知识领域是传统网安教育中常常被忽视的关键内容，通过CSGPT的支持，教师将能够便捷地将上述专业知识融入教学大纲中，进而实现教学内容与网安最新科研成果的实时对接，并构建匹配产业需求的课程体系。此外，源于多元化多模态的大数据训练集，完全部署完成后，CSGPT还将具有强大的泛化能力，将能够整合各类代码示例、实战演练过程以及可视化图表等教学资源，进而为教师提供优秀实践案例等多维度教学辅助资源并以实践项目和课程案例的形式为教师提供参考。

在课堂教学环节，特训CSGPT的教学功能，将能为教师自动适配不同类型学生的习题库，生成自动适配课堂教学内容的结构图和逻辑框图等，从而轻松打造网安人才课堂教学的智能“工具包”，引导学生围绕网安的特定知识领域开展深入的讨论与辨析，培养学生的网安思维和分析解决问题的能力，拓展专业视野。

在课后辅导环节，基于网安领域的特殊性和复杂性以及学生应具备的專业技能和知识特训CSGPT，将使CSGPT具备个性化答疑功能，能辅导学生了解最前沿网安知识并解决精尖难题，有利于学生理解知识难点并融会贯通。在CSGPT伴学和导学的支持下，学生的学习效率和批判性思维将得到大幅提升。

在研究指导环节，CSGPT将能基于研究内容为学生提供专业化的指导和个性化支持，使学生能即时掌握行业科技前沿，紧跟网安科研热点，确保研究内容与行业发展同步。在研究资料的收集和整理过程中，也可用其进行智能化的文献检索和分析，帮助学生快速定位与研究课题相关的重要文献资源，并进行文献的智能分析，提高研究的深度和广度。此外，CSGPT还将完成对学生研究成果的智能评估，帮助学生修改和润色论文，提升论文撰写效率。

（二）评估反馈，全面提升，助力成长型评估机制

网安人才培养应注重学生实践与创新能力的持续提升，在培养全过程中引入成长型评估机制，该机制基于真实研究和实践，着眼于学生的持续进步和个人发展，强调过程而非结果，重视应用技能而非绝对成绩[26]。在CSGPT训练的初试实验环境中，测设生成实验数据，如输入一个关于学生的作业项，该作业是模拟攻击的任务。CSGPT能够生成详细的反馈报告，指出学生策略的优缺点，如有效的利用了当前最新的攻击技术，在某些阶段未能充分考虑到防御方可能的反应等。该结果基本符合设计构想，预示将CSGPT引入成长型评估机制，能在多个维度提升网安人才的培养质量，激发学生学习兴趣，驱动教师角色从传统的知识传授者转变为学习过程的引导者和优化者，为学生提供更加个性化、精细化的学习支持。并由此聚焦于三个关键环节：教师角色的转变、学生学术素养的提升与实践能力的培养。

教师角色的转变是实现成长型评估机制的关键步骤[27]。在网安教学中，学生的实践环节往往无法精准评估，特训CSGPT的评估能力后，教师将可利用其自动批改作业和实验报告，实时收集并分析学生的学习数据，包括：知识掌握、技能运用和实践操作等方面数据。由此产生的分析结论，又能够辅助教师更精准的评估学生在实践技能、理论知识以及创新思维等方面的表现，使得教师得以专注于优化教学内容并及时发现和解决教学问题，并达成因材施教和个性化培养的目标，满足不同学生的需求，确保教育资源的合理分配和教育公平。

学生学术素养的提升是成长型评估机制的核心目标。网安领域的学习需要对复杂的网络环境、多变的攻击策略以及精细的防御机制有深入的理解和应用。特训CSGPT的反馈能力后，学生可以将研究领域的特定问题提交给CSGPT并得到即时反馈，获取自动化、智能化、个性化的解答和辅导，从而能够更好地理解和处理问题，提升自身学习和解决问题的能力，找准不足，优化学习策略。

实践能力的培养是成长型评估机制的重要部分。学生将能在CSGPT构建的实训环境中开展模拟攻击和防御等网安学习实践活动，并获得个性化、即时的实践指导与反馈。在此过程中，CSGPT还将辅助学生不断改进攻防技能和策略，提高解决复杂问题和应对现实威胁的能力。

（三）个性培育，精准施教，打造特色网安人才

相较于传统“一刀切”式的教学范式，特训CSGPT的设计能力后，教师将可以很容易的制定面向个性化需求的差异化培育策略，在CSGPT训练的初试实验环境中，测设生成实验数据，如测试输入某个学生的学习历史数据和兴趣标签，CSGPT生成了个性化的学习路径，为该学生推荐了适合的网络防御课程，以及与此相关的实战项目，深入挖掘其在防御策略设计方面的潜力。CSGPT将具有针对每一个学生的特质与潜力，因材施教的能力。CSGPT将能在满足个体需求的同时，分类培养，突出特长，并基于全过程大数据集的分析预测，为学生提供精准的诊断性评估和个性化学习路径规划等辅学、督学、导学服务。

诊断性评估是构建个性化学习路径的基础。CSGPT将能够深入评估每位学生的先验知识、技能水平以及兴趣爱好，自动化生成详实的评估报告。CSGPT还将能够自动生成更加详细的报告，在反映出学生的基础知识和技能水平的同时，更针对于学生的兴趣和专长，并以此为基础智能化地推荐与学生兴趣、潜能和特长相匹配的网安课程和项目，在更深层次激发学生的专长，塑造独特的专业底色。

以诊断性评估数据为基础，CSGPT将能为学生规划个性化学习路径，包括：个性化的课程体系，动态调整教学策略等学习环节设计。CSGPT规划的学习路径还将具有“即时进化”的特征，即能够根据学生在课程和项目中的实时表现，有针对性的对学习路径做出即时调整，以确保教学的精准性和有效性。数据驱动的调整策略使学习过程更贴近学生的个性化需求，伴随学生的能力提升，自动化提供“适配”的学习资源和“里程碑”挑战，激发学习动力、创造力和核心竞争力，促进学生的全面发展，培育独特专长。

（四）学练并举，重在实践，提升实战攻防能力

对于网安专业培养目标而言，学生不仅需要具备扎实的理论基础，更需要具备丰富的实践经验，并能够掌握网络攻防策略、系统安全设计、风险评估等知识和技能。借助 CSGPT赋能，有望弥补既有实践教学的短板，达成理论学习与实战演练的平衡互补，从而不断提升学生的实战攻防能力，实现网安人才培养的首要目标。

实战攻防能力的提升，关键在实践。在CSGPT训练的初试实验环境中，测设生成实验数据，如输入一种特定的网络攻击模式，CSGPT生成了相应的防御策略和可能的后续攻击路径，实证了CSGPT在帮助学生理解和应对复杂网安问题上的有效性。此外，特训CSGPT模拟真实网络环境的能力，使通过对话的方式辅助学生进行攻防实战演练，从而加深对网安基础理论的理解，持续提升包括：漏洞修复、代码审查、网络情报收集、网络流量分析等实战能力。CSGPT还将能在实践演练中胜任实战“助手”的角色，即时提供智能提示和建议，予教于练，予教于乐，使学生在“沉浸式”类游戏互动体验的攻防演练中得到能力提升。

（五）虚实结合，产教融合，构建智慧网安人才培养平台

对于网安专业培养目标而言，借助CSGPT赋能构建智慧网安人才培育平台。该平台将基于“高校+头部企业+产业群”的理念，紧密连接产业链的上下游，将产业需求融入网安人才培养方案。同时，引入产业龙头企业共建共享，实现多元合作和产教映射，本地教学数据与合作企业的云端数据整合成网安人才培育大数据子集。并具备动态调整机制，根据实际需求，动态更新数据。借助CSGPT的赋能，平台能实现如：开展深度学习训练，打造“虚拟网安教师”；模拟复杂的网络攻防场景等功能，使学生在高度仿真的环境中提升实践技能，而虚拟环境与虚拟教师相互结合构造出基于MR技术的网安实战攻防“虚拟实景”。

应用CSGPT赋能网安人才培养，在产生强劲驱动力的同时，也面临着过度依赖、学术不端、隐私保护和安全性等众多风险隐患，最大程度的利用赋能效应和防范风险或降低风险损失实为网安人才培养中安全应用生成式人工智能的平衡策略[28-33]。

（一）挑战解析

1. 训练数据缺陷

CSGPT作为大数据预训练语言模型，在为网安人才培养赋能的同时，也不可避免的受困于数据质量的问题。固有的大数据训练特性可能导致”脏数据”的出现，进一步可能产生误导性信息，使学生无形中受认知偏见的影响，进而形成认知固化，造成恶性循环。这将对CSGPT的可信度构成挑战，从而影响到网安人才的培养。

2. 法律伦理冲突

网安人才培养的核心目标在于塑造学生的防御性思维和深化法律伦理认知。然而，这一过程中涉及的数据隐私、偏见性以及数据确权问题成为充分发挥数据优势的掣肘难题。此外，CSGPT的训练数据来源极易引发知识产权问题，这一问题在教学场景中尤为复杂，即是：当学生使用CSGPT生成的内容时，如何明确界定个人对创新的贡献，以及如何在尊重知识产权的前提下有效利用这些内容。

3. 过度依赖沉迷

网安人才培養的另一核心目标在于培育学生的独立思考和解决问题能力。CSGPT的辅助学习功用可以提升学生的学习效率，让学生在互动中受益。研究也证明，与模仿人类情感行为的虚拟导师互动的学生学习效果更好[34]。但同时也会使其产生一定的依赖心理，甚至可能陷入沉迷。如此将抑制学生的创新思维，产生负向效能。此外，CSGPT也对教师的能力提出了更高的要求，教师需具有较强的知识对错辨别能力，特别是在备课环节能做到取其精华，去其糟粕。

4. 学术不端诱惑

网安人才培养的关键在于培育学生的理论研究与实践操作能力。CSGPT一方面能够辅助学生开展理论研究与论文创作，另一方面也可能诱使其投机取巧将机器生成的内容直接拿为己用。达沃斯世界经济论坛人工智能负责人Kay Firth-Butterfield警示：学生提交AI生成的内容将影响自我能力的提升，因为“这种行为好比是一个工作机器”。此种将创作主权移交给AI的行为对评估学生的真实能力带来了挑战，可能对教育评估机制产生破坏性影响，进而威胁教育公平。

（二）风险应对

1. 确准数据质量

针对训练数据问题，数据清洗和数据质量控制是其关键。可通过引入更多的数据源，使用数据融合和数据一致性技术来提高数据的多样性和一致性，以减少数据缺陷。同时，在教学过程中，也需引导学生进行批判性思考，对CSGPT的输出结论持审慎态度。定期审查并修正模型的输出结果，以确保可靠性。此外，教师还可设计验证与纠偏机制，通过学生的应用反馈，不断纠偏错误信息，帮助CSGPT完成进化。

2. 强化合法依规

在网安人才培养的教学过程中，应加快提升教师的人工智能伦理素养，强化“伦理先行”意识，加强自律自治，将批判性思维与伦理元素纳入教学课程，使学生牢固树立底线思维，坚守道德与法律的底线，树立爱党爱国的理念，立志成为守卫国家网安的英才。自2016年《网络安全法》颁布以来，我国政府高度重视网安相关法律法规建设，连续发布了一系列相关文件规范，历经立法与战略研究、网安人才培养与实践、网安细化领域与数据保护三个阶段，为应对法律伦理冲突奠定了坚实的制度基础[35-37]。因此，教师可基于《个人信息保护法》《数据安全法》等法律法规，在技术层面施以访问控制、数据脱敏以及密文存储等数据保护措施，以防患于未然，保护数据隐私。此外，教师必须高度重视CSGPT的应用过程中潜在的所有权风险，谨慎评估CSGPT所生成的内容是否可直接使用，尊重并明确创作所有权。

3. 培养独立思考

为防止学生过度依赖CSGPT，教师应创设“闯关升级”式学习任务，组织更具挑战性的团队分组对抗，并通过启发与探究式教学方式培养学生的批判性思维，着重培养独立思考和解决问题能力。同时，教师必须提升自身的知识辨析能力，提升主动筛除CSGPT生成的错误和不良信息的能力，并制定合理的政策与规范，权衡CSGPT的应用，趋利避害，扬长避短，以协调学生、教师以及技术工具三者之间的关系，营造积极、健康的教学环境。

4. 维护学术诚信

网安人才的学术诚信和科研成果的原创性至关重要。在应用CSGPT开展网安教学的过程中，一方面教师应强化诚信教育，改进教学方式，设定明确的期望和指导方针，跟踪学生进度，定期审查学生的作业进度，引导学生追求原创价值[38]。另一方面，应引入反抄袭软件，通过技术手段杜绝剽窃行为，同时，还应当制定严格的学术诚信规范，确保学生能基于合规、诚信的原则使用CSGPT。

教育作为推动人类社会可持续发展的关键因素和基本力量，回应数字时代对网安人才的内在需求已成为教育发展的重要任务[39][40]。技术赋能教育，教育塑造未来。网安人才培养是关乎国家安全和未来的战略性问题。教育系统应深入剖析当前我国网安领域现实问题及网安人才需求特点，加快推进人工智能技术与网安人才培养的深度融合，挖掘生成式人工智能赋能网安人才培养的最大效能，探寻数智时代背景下个性化、智能化的网安人才培育新路。面向未来，应在规避生成式人工智能引发的不确定性风险的前提下，开展更多实证研究，持续赋能我国网安人才培养。

参考文献：

[1] 黄道丽，梁思雨等.《中华人民共和国网络安全法》视域下的网络安全人才培养[J].信息安全研究，2019，5（11）：1044-1048.

[2] 中央网络安全和信息化领导小组办公室等六部门.关于加强网络安全学科建设和人才培养的意见[EB/OL].http：//www.moe.gov.cn/ srcsite/A08/s7056/201607/t20160707_271098.html，2016-06-12.

[3] 习近平.高举中国特色社会主义伟大旗帜，为全面建设社会主义现代化国家而团结奋斗——在中国共产党第二十次全国代表大会上的报告[M].北京：人民出版社，2022.

[4] 向继志.加强产学合作，提升网络安全人才培养质量——专访教育部高等学校网络空间安全专业教指委秘书长封化民[J].中国信息安全，2023，（3）：27-30.

[5] 工业和信息化部人才交流中心.网络安全产业人才发展报告（2022年版）[EB/OL].https：//www.fxbaogao.com/view id=3406195，2022-09-19.

[6] 北京航空航天大学，中国科学技术大学等.2022网络安全人才实战能力白皮书[EB/OL].http：//www.cbdio.com/BigData/2022-09/13/ content_6170512.htm，2022-09-13.

[7] 李建华，邱卫东等.网络空间安全一级学科内涵建设和人才培养思考[J].信息安全研究，2015，1（2）：149-154.

[8] 封化民.创新人才培養模式 建设高素质的网络安全队伍[J].北京电子科技学院学报，2016，24（3）：1-7.

[9] 刘小虎，张玉臣等.依托学科竞赛的网络空间安全专业人才创新能力培养[J].计算机教育，2019，（6）：35-38.

[10] 王佰玲，董开坤等.网络空间安全新工科专业建设的探索与实践[J].高等工程教育研究，2020，（3）：37-42.

[11] 郭文忠，张友坤等.网络强国战略背景下的“五位一体”信息安全人才培养模式探索[J].中国大学教学，2020，（10）：21-24.

[12] 中国信息安全.GPT+网络安全，深信服自主研发安全大模型亮相[EB/OL].https：//mp.weixin.qq.com/s/7NgFPeRFPQQbxRQ71mEK Uw，2023-05-31.

[13] 徐嬴颖，施晓秋.传统专业课程新工科改造的路径、方法与实践[J].高等工程教育研究，2023，200（3）：46-52.

[14] 董赞强.网络安全专业人才培养问题探析[J].管理工程师，2023，28 （2）：36-41.

[15] RADFORD A，NARASIMHAN K，et al.Improving language understanding by generative pre-training [EB/OL].https：//www.cs.ubc. ca/～amuham01/LING530/papers/radford2018improving.pdf，2018-11-05.

[16] OpenAI.GPT-4 Technical Report [EB/OL].https：//arxiv.org/ abs/2303.08774，2023-03-15.

[17] 刘禹良，李鸿亮等.浅析ChatGPT：历史沿革、应用现状及前景展望[J].中国图象图形学报，2023，28（4）：893-902.

[18] 李白杨，白云等.人工智能生成內容（AIGC）的技术特征与形态演进[J].图书情报知识，2023，40（1）：66-74.

[19] Liu P，Yuan W，et al.Pre-train，prompt，and predict：A systematic survey of prompting methods in natural language processing [J].ACM Computing Surveys，2023，55（9）：1-35.

[20] Wu T，He S，et al.A Brief Overview of ChatGPT：The History，Status Quo and Potential Future Development [J].IEEE/CAA Journal of Automatica Sinica，2023，10（5）：1122-1136.

[21] 杨欣.基于生成式人工智能的教育转型图景——ChatGPT究竟对教育意味着什么[J].中国电化教育，2023，（5）：1-8+14.

[22] 周玲，王烽.生成式人工智能的教育启示.让每个人成为他自己[J].中国电化教育，2023，（5）：9-14.

[23] 卢宇，余京蕾等.生成式人工智能的教育应用与展望——以ChatGPT系统为例[J].中国远程教育，2023，43（4）：24-31+51.

[24] Annu N.Chatbots in Education：The impact of Artificial Intelligence based ChatGPT on Teachers and Students [J]. International Journal of Advanced Natural Sciences and Engineering Researches，2023，7（4）：366-370.

[25] 田俊峰，何欣枫等.两大课堂互动互融的信息安全新工科人才培养模式[J].高等工程教育研究，2022，193（2）：23-29.

[26] 李建华.多元化多层次网络空间安全人才培养创新与实践[J].信息安全研究，2018，4（12）：1073-1082.

[27] 肖静.在线课堂互动中教师身份认同模糊化及其重构[J].电化教育研究，2021，42（5）：55-60.

[28] 王佑镁，王旦等.“阿拉丁神灯”还是“潘多拉魔盒”：ChatGPT教育应用的潜能与风险[J].现代远程教育研究，2023，35（2）：48-56.

[29] 焦建利.ChatGPT：学校教育的朋友还是敌人？[J].现代教育技术，2023，33（4）：5-15.

[30] 王佑镁，王旦等.ChatGPT教育应用的伦理风险与规避进路[J].开放教育研究，2023，29（2）：26-35.

[31] 王树义，张庆薇.ChatGPT给科研工作者带来的机遇与挑战[J].图书馆论坛，2023，43（3）：109-118.

[32] 周洪宇，李宇阳.ChatGPT对教育生态的冲击及应对策略[J].新疆师范大学学报（哲学社会科学版），2023，44（4）：102-112.

[33] 吴砥，李环等.人工智能通用大模型教育应用影响探析[J].开放教育研究，2023，29（2）：19-25+45.

[34] D’Mello，S.，Craig，S.， & Witherspoon，A.et al..Affective and Learning-Related Dynamics During Interactions with an Intelligent Tutoring System [J].International Journal of Human-Computer Studies，2014，72（6）：415-435.

[35] 中华人民共和国科技部.《新一代人工智能伦理规范》发布[EB/OL].https：// www.most.gov.cn/kjbgz/202109/t20210926_177063.html，2021-09-26.

[36] 新华社.中共中央 国务院印发《深化新时代教育评价改革总体方案》[EB/OL].https：//www.gov.cn/gongbao/content/2020/content_5554488. htm，2020-10-13.

[37] 国家互联网信息办公室.生成式人工智能服务管理办法[EB/OL]. http：//www.cac.gov.cn/2023-04/11/c_1682854275475410.htm，2023-04-11.

[38] 李海峰，王炜.生成式人工智能时代的学生作业设计与评价[J].开放教育研究，2023，29（3）：31-39.

[39] 吴岩.深入实施教育数字化战略行动 以教育数字化支撑引领中国教育现代化[J].中国高等教育，2023，（2）：5-10.

[40] 王磊，苗春雨.数字经济背景下高校数字人才培养的路径探究[J].中国大学教学，2023，（7）：25-33.

作者简介：

王磊：研究员，博士，硕士生导师，研究方向为教育信息化、网络空间治理、信息安全。

徐子竞：在读硕士，研究方向为教育信息化、人工智能。

朱戈：副教授，博士，硕士生导师，研究方向为教育信息化、人工智能。

門海：讲师，博士，研究方向为教育信息化、本科教学评估。

Exploration and Research of Empowering Cybersecurity Talent Training Through Artificial Intelligence Generated Content

Wang Lei1， Xu Zijing1， Zhu Ge1， Men Hai2

（1. School of Data Science and Technology， Heilongjiang University， Harbin 150080， Heilongjiang； 2. Heilongjiang Institute of Technology， Harbin 150080， Heilongjiang）

Abstract： In the new era， to build a strong socialist modernization country， cultivating outstanding talents in the field of cybersecurity has become very important. Based on the demand for talents in cybersecurity in China， with artificial intelligence generated content as the object and the cultivation model （CSGPT） as the example， we design a talent training framework in cybersecurity， aiming to solve the diverse problems in the cultivation of cybersecurity talents and explore innovative paths. The proposed framework includes： the teaching methods oriented intelligent， the evaluation mechanism-oriented improvement； the training path-oriented demand； the strategy-oriented practice； the industry-oriented platform. In addition， we claim the application value of generative artificial intelligence in the cultivation of cybersecurity talents， and propose a balance strategy between the security application of artificial intelligence generated content and talent cultivation.

Keywords： cybersecurity； talent training； artificial intelligence； AIGC； CSGPT

收稿日期：2023年6月30日

责任编辑：赵云建