1、可证鲁棒性（Certifiable Robustness）： 研究针对大模型及多模态模型的对抗攻击防御理论，开发具备数学证明保证的防御算法，提升模型对抗扰动和恶意投毒的免疫力； 2、模型资产与隐私保全： 研究模型反向工程、成员推理攻击的防御机制；探索轻量化同态加密、安全多方计算（MPC）在超大规模模型推理中的应用； 3、计算平台受信任执行： 研究基于 TEE（如 Intel TDX, ARM TrustZone）的机密计算架构，确保模型权重在异构算力集群中处理时不被窃取或篡改； 4、自动化漏洞发现理论： 开发针对深度学习框架（如 PyTorch/TensorFlow 核心库）和推理引擎的自动化安全审计工具及模糊测试（Fuzzing）理论。 教育背景：信息安全、数学、密码学或系统架构方向，在 USENIX Security, IEEE S&P (Oakland), ACM CCS, NDSS 等安全顶会有突破性成果。 底层攻防造诣：深入理解模型参数存储机制、序列化协议安全及计算图编译优化过程中的安全风险。 数学能力：具备极强的数学建模能力，精通概率论、线性代数及复杂性理论。 跨界思维：能够将传统的系统安全思想（如隔离、最小权限原则）与现代深度学习架构深度融合。