字节跳动
校招大模型赋能安全攻防研究-安全与风控（北京/杭州/深圳）
深圳 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 2027届毕业，获得博士学位，信息安全、人工智能、计算机相关专业
- 优秀的代码能力，熟悉LLM和Agent原理，熟练应用LLM技术，对各类安全漏洞原理，对安全漏洞发现、利用和修复有深入理解
- 在CCS/NDSS/IEEE S&P/USENIX Security等安全顶级会议或期刊上发表论文者优先
- 出色的问题分析和解决能力，有自主探索解决方案的能力
- 良好的沟通协作能力，能和团队一起探索新技术，推进技术进步。
岗位描述
团队介绍：字节跳动安全与风控部门，负责公司信息安全的建设、规划和管理工作。致力于为亿万用户的数据安全保驾护航，为字节跳动的每一位用户打造健康自由交流的防护盾。作为企业信息安全的新生力量，以技术为基石，全面提升前瞻性研究和自动化能力。团队积极布局安全人才培养与招募，在北京、上海、深圳、杭州、南京、硅谷、伦敦、新加坡等地均设有安全研发中心，并逐步和信息安全领域的知名高校、研究机构建立深度合作，与安全人才、高校、行业共同努力，建设并反哺互联网安全生态。
课题介绍：
当前 Vibe Coding、 Agentic Engineering等大模型驱动的软件工程新范式已得到广泛应用，与此同时其带来的安全风险也在加速生成，传统渗透测试、代码审计、Fuzzing、逆向、漏洞修复等攻防技术的效率、准召性能、保护性能均有许多局限，而新形势下要求安全攻防技术效率更高、能力更强、胜任高复杂度的安全攻防任务。本课题将探索大模型赋能安全攻防技术的效率和能力上限，并应用到真实软件世界和业务中。
课题挑战：
- 1、渗透测试、红蓝攻防等任务复杂度高、运行时长，带来成功率和稳定性挑战；
- 2、真实业务复杂，漏洞自动挖掘和修复难度大；
- 3、业务规模大，技术落地需要考虑极致效率和经济成本。
课题价值：
提升渗透测试、代码审计、Fuzzing、逆向、漏洞修复等攻防技术的效率、准召性能、保护性能上限，胜任高复杂度的安全攻防任务。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。