渐进式综合作品

黄玮

含 AI 的靶场 Web 应用（M0-M7）

你要从零搭建一个 Web 应用，攻它、检测它、加固它，再给它装上 AI 能力并反过来攻防它的 AI 能力——全程在同一个仓库里演进。

里程碑	主题	对应模块/章	能力簇	期末权重
M0	立项与威胁建模	M0 + 第 1-2 章	①	5%
M1	安全基线	M1 + 第 3 章	①	5%
M2	自侦察	M2 + 第 4-5 章	②	8%
M3	漏洞挖掘与利用	M3 + 第 6-7 章	③	12%
M4	加固与边界防护	M4 + 第 8-10 章	④	12%
M5	日志·取证·蜜罐	M5 + 第 11-13 章	⑤	8%
M6	AI 赋能与对抗（核心）	M6 + AI 安全专题	⑥	30%
M7	红蓝对抗 + 复盘 + 自评	全课程	全簇	10%

上表为 M0-M7 的相对权重（和 = 90%）；课程总评 = 期末 60%（按 60% × 权重 / 90% 归一化）+ 平时 20% + 考勤 10% + 线上 10%，详见 syllabus.md。

赋能侧：集成一个 LLM 功能（助手/RAG）+ 一个 AI 检测组件：异常检测、用户和实体行为分析（User and Entity Behavior Analytics，UEBA）或日志分诊，并度量效能
对抗侧：对该 AI 功能做 提示词注入/越狱/RAG 投毒/工具滥用 攻击，并加防御
能力簇：⑥ AI×网络安全 · L2（双向）
详见 capstone/m6-ai.md

维度	优秀 [90,100]	合格 [60,90)	不合格 [0,60)
完成度	全部里程碑可演示	主要里程碑完成	关键里程碑缺失
深度	有度量/对比/权衡	能跑通	仅贴代码
AI 双向	M6 赋能+对抗均有证据	仅一面	无 AI 内容
安全严谨	最小权限/审计/人在回路	基本防护	高危裸奔
自评	自评矩阵与作品一致	有自评	无自评

档位区间：优秀 = [90,100] / 合格 = [60,90) / 不合格 = [0,60)。完整维度释义、每里程碑自检信号、如何拿优秀见课程评价指南（学生版）。

每个里程碑 = 一个迭代周期（约 1-2 周），截止前在课程 GitLab 仓库开分支 milestone/m0…milestone/m7（不打 tag）并提一个 Merge Request @ 助教
里程碑分支首尾相接（milestone/m{n} 基于 milestone/m{n-1}）；MR 目标 = 上一里程碑分支，保持 Open、不合并不关闭——完整规范见 Git 操作指南
每次提交附 里程碑报告（做了什么 / 能点亮哪些能力 / 遇到的坑）
M7 设现场红蓝对抗演示