企业官网建设流程全解析

先说明一下，我是2020年秋天参加奇安信秋招算法方向笔试的，那会儿正好赶上网络安全行业大热，奇安信刚独立没多久，算是国内安全圈的头部公司了。当时投的是算法岗，笔试用的还是他们自己的在线测评系统，整体感觉是：题量不小、风格务实、既有基础算法也有机器学习内容，还夹杂了一些安全领域的场景化问题。这套试卷3我印象比较深，今天就把当时考的题目和我的解题思路整理出来，希望能给后面准备安全公司算法岗的同学一些参考。

1. 试卷整体结构与考查方向解析

1.1 题型分布与时间分配

奇安信算法方向的秋招试卷整体分为四块：选择题、编程题、算法设计题和场景分析题。我当时拿到的试卷3，大概结构是这样的：

• 选择题：20道左右，覆盖数据结构、机器学习基础、概率统计和少量安全常识
• 编程题：2道，一道偏基础数据结构，一道偏算法思维
• 算法设计题：1道大题，要求写出完整的算法流程和复杂度分析
• 场景分析题：1道，结合安全业务场景分析算法选型

时间一共90分钟，说实话不算宽裕。我的策略是先快速过选择题，遇到不确定的标记一下，别恋战，把时间留给后面的大题。编程题一般难度不算太高，但要求代码规范、边界处理到位。

选择题里涉及的安全常识题，比如VDI、沙箱、加密算法分类这些，对非安全背景的同学来说可能是个盲区，但这个恰恰是安全厂商标题的核心差异化之处。我当时复习时补了不少安全基础知识，事实证明很值得。

1.2 安全公司算法岗与互联网算法岗的区别

这里必须先说清楚一个认知：奇安信的算法岗和字节、阿里的算法岗，虽然都叫“算法工程师”，但实际工作内容和考查侧重点差别非常大。互联网大厂算法岗更看重推荐、搜索、广告、NLP这些方向，考查的是模型设计能力、特征工程能力和对大规模数据的处理经验。

而安全公司算法岗的核心是：用算法解决安全问题。这包括恶意流量检测、恶意软件识别、日志异常分析、用户行为建模、威胁情报挖掘等方向。所以笔试里会出现一些“看起来不像算法题”的题目，其实是把算法思维跟安全场景结合起来了。

这一点直接体现在试卷3的题目风格上。比如选择题里有一道问“在异常检测中，哪些算法适合处理高维稀疏数据”，这就是典型的网络安全检测场景，因为网络流量特征往往是高维且稀疏的。

2. 高频算法考点与做题思路复盘

2.1 KMP算法与next数组计算细节

试卷3的选择题里出现了一道KMP的题目，要求计算模式串的next数组。这类题在安全厂家的笔试中出现频率很高，因为字符串匹配在流量特征匹配、规则匹配中非常常用。

模式串是"abacaba"，next数组（精简版，即next[i]表示前i个字符组成的子串中，最长相同前后缀的长度，有的教材定义为不包含自身的版本，注意区分）的计算过程是这样的：

• next[0] = -1（有的版本定义为0，看题目约定）
• next[1]，子串"a"，没有真前后缀，为0
• next[2]，子串"ab"，前缀"a"，后缀"b"，不匹配，为0
• next[3]，子串"aba"，前缀"a"，后缀"a"，匹配长度1；前缀"ab"，后缀"ba"，不匹配，所以是1
• next[4]，子串"abac"，最长相同前后缀是0
• next[5]，子串"abaca"，前缀"a"，后缀"a"，长度1；没有更长的匹配，所以是1
• next[6]，子串"abacab"，检查发现前缀"ab"和后缀"ab"匹配，长度2，所以next[6]=2
• next[7]，子串"abacaba"，前缀"aba"和后缀"aba"匹配，长度3，所以next[7]=3

所以next数组是[-1, 0, 0, 1, 0, 1, 2, 3]。

做这类题的技巧是：先写前缀，再写后缀，从最长开始匹配。很多同学容易错在忘记next数组的定义版本，有的教材next[i]表示“i位置匹配失败后应该跳转的位置”，有的表示“前i个字符的最长相等前后缀长度”，这两个版本计算方式略有不同，考试时一定要先看题目的定义。

我当时用的是“失配跳转位置”的版本，next[i]表示第i个字符匹配失败时，模式串应该回退到的位置。两种版本都要会，因为不同公司的出题习惯不一样。

2.2 排序算法复杂度与小技巧汇编

排序算法在选择题里属于送分题，但如果考前没有系统整理，很容易丢分。试卷3里考了堆排序、快速排序和归并排序的复杂度以及稳定性：

• 冒泡排序：O(n²)，稳定
• 快速排序：平均O(n log n)，最坏O(n²)，不稳定
• 归并排序：O(n log n)，稳定
• 堆排序：O(n log n)，不稳定
• 希尔排序：约为O(n^1.3)，不稳定
• 计数排序/桶排序/基数排序：O(n+k)，稳定（基数排序稳定）

这里容易被问到的点是：快速排序的最坏情况是什么？答案是数组已经有序且每次选取第一个元素作为pivot时。优化手段包括随机选pivot、三数取中、小区间用插入排序等。

堆排序还有一个容易考的点：建堆的时间复杂度是O(n)，而不是O(n log n)。很多人会误以为建堆每个元素下沉一次是O(log n)，所以总的是O(n log n)，但实际上叶子节点不需要下沉，越靠近底部的节点下沉次数越少，最终求和是O(n)的。这个考点我在选择题里碰到了。

2.3 二分图匹配与贪心算法的应用区分

试卷里还有一道问“以下哪个问题不能直接用贪心算法求解”，选项包括活动安排、背包问题、霍夫曼编码、最小生成树。这题的考点很经典：背包问题里的0-1背包不能用贪心，而分数背包可以。因为0-1背包具有最优子结构但贪心策略（按单位价值排序）不一定能得到全局最优解。

还有一个容易混淆的点：最小生成树的Prim和Kruskal算法都是贪心思想，但它们的正确性需要证明贪心选择的局部最优能导向全局最优，这是通过“安全边”性质保证的。很多基础不牢的同学会把“贪心算法能得到局部最优但不一定全局最优”理解为“贪心算法一定错”，其实在特定问题上，贪心是能得到全局最优的。

二分图匹配的匈牙利算法和HK算法（Hopcroft-Karp）我也复习到了。HK算法是匈牙利算法的优化版，时间复杂度从O(VE)降到O(E√V)，核心是每次找多条不相交的增广路（通过BFS分层）+ 用DFS增广。在安全场景中，二分图匹配可以用于告警与攻击者的关联分析，这种题目不会直接考代码，但选择题里可能出现概念辨析。

2.4 快速幂与模运算的边界处理

编程题里考了一道快速幂的题目，要求计算a的b次方模m的结果。这个题目本身不难，但坑点不少：

• a、b的范围可能很大，必须用long long，否则溢出
• b为0的情况要返回1%m
• m为1的情况，任何数的模都是0
• 用位运算优化比用取模判断更快

核心代码逻辑如下：

long long quickPow(long long a, long long b, long long m) { long long result = 1 % m; a %= m; while (b > 0) { if (b & 1) { result = (result * a) % m; } a = (a * a) % m; b >>= 1; } return result; }

这个写法有一个细节值得注意：result = 1 % m而不是直接等于1，就是为了处理m=1这个边界条件。很多人在笔试时忽略了这个，导致提交后只过部分用例。我当时就是因为这个边界吃了亏，后来就记住了这个写法。

快速幂在网络安全中有个典型的使用场景——RSA加密中的模幂运算。RSA的解密需要计算c^d mod n，这里的指数d非常大，如果直接遍历计算肯定不行，用快速幂就能把复杂度降到O(log d)。所以安全公司考快速幂是有实际业务含义的，不只是单纯考算法。

3. 机器学习与深度学习算法考查侧重点

3.1 经典机器学习算法的理论基础

试卷3的机器学习题目涵盖了KNN、K-Means、决策树、逻辑回归等常用算法。有一道题问KNN算法的三个核心应用能力是什么，标准答案是分类、回归、缺失值填补。但更深入的问法是：KNN为什么适合处理非线性边界？因为KNN是实例型学习算法，不对特征空间做任何假设，直接基于距离度量进行分类，因此天然支持非线性决策边界。

K-Means的考察集中在初始值敏感的问题上。试卷里有一道题问K-Means++为什么比随机初始化好，答案是K-Means++通过概率分布让初始中心点尽可能分散，减少陷入局部最优的概率。但这里要注意一个细节：K-Means++只能“减少”局部最优的概率，并不能“消除”，因为K-Means本身的目标函数是非凸的。

还有个容易被问到的点：K-Means和KNN都是K开头，但一个是无监督聚类，一个是有监督分类，千万别搞混。K-Means的K是聚类中心个数，KNN的K是邻居数，这个在笔试里偶尔会作为“陷阱题”出现。

3.2 集成学习与规则引擎的关系

随机森林、XGBoost、GBDT这类集成学习算法在选择题里也出现了。考的题目是“XGBoost相比GBDT的主要改进有哪些”，答案要点包括：

• 目标函数加了正则化项，防止过拟合
• 支持二阶泰勒展开，用到了梯度的一阶导数和二阶导数
• 支持列抽样，类似随机森林
• 对缺失值有专门的处理策略
• 支持并行化，在特征粒度上做了并行优化

这里我额外联想到一个安全领域相关的点：规则引擎Drools里的Rete算法。虽然Rete不属于机器学习算法，但在安全公司的面试里可能会被问到。Rete算法的核心思路是“用空间换时间”，通过构建模式匹配网络（包括Alpha网络和Beta网络），缓存中间匹配结果，避免重复计算。这跟决策树在很多方面有相似之处——都是通过预构建结构来加速推理。

不过要注意区分：Rete算法是规则推理引擎，不是机器学习模型。机器学习模型是数据驱动的，从样本中学习规律；规则引擎是知识驱动的，由专家定义规则。在安全产品中，两者往往混合使用——先用规则引擎过滤明显正常的流量，再用机器学习模型检测未知威胁。

3.3 深度学习：注意力机制与Transformer基础

奇安信的笔试题里，深度学习的占比相对互联网大厂要低一些，但仍然有涉及。试卷3问了Transformer里Self-Attention的计算过程，以及为什么要除以√d_k。

答案很简单：缩放点积注意力的公式是softmax(QK^T / √d_k)，除以√d_k是为了防止点积结果过大导致softmax梯度消失。如果q和k的每个维度都是均值为0、方差为1的随机变量，那它们的点积QK^T的方差是d_k，标准差是√d_k。当d_k很大时，点积结果会分布在一个较大的范围内，softmax的梯度会变得非常小，不利于训练。除以√d_k让方差回到1，梯度更稳定。

这个题在安全领域也有实际背景，比如日志序列的异常检测、用户行为序列建模，都会用到Transformer类模型。SEBERT、BERTopic这类模型的底层都是注意力机制，理解原理对后续面试会有帮助。

3.4 KL散度与ELBO推导

KL散度（KL Divergence）这个知识点在试卷3里也出现了。题目问“在VAE中，为什么优化的是ELBO而不是直接最大化似然”，核心答案是：真实后验分布难以计算，无法直接做EM算法的E步，所以转而优化似然的一个下界ELBO（Evidence Lower Bound）。

ELBO的推导过程是：

log P(x) = log ∫ P(x|z)P(z)dz

引入变分分布q(z|x)，利用Jensen不等式：

log P(x) >= E_{q(z|x)}[log P(x|z)] - KL(q(z|x) || P(z))

其中右边就是ELBO。优化ELBO等价于最大化重构项（第一项）同时最小化KL散度项（第二项），让编码器输出的近似后验分布尽量接近先验分布。

KL散度本身也可以拆解为：KL(q||p) = E_q[log q] - E_q[log p]，它是不对称的，也就是说KL(q||p)不等于KL(p||q)。这个不对称性在笔试中是一个常见考点。有一个记忆技巧：KL散度中的第一项是“用q的分布去加权log(q/p)”，所以它衡量的是“如果我用q去近似p，会损失多少信息”。

这个推导过程在安全领域中常用于异常检测的变分自编码器（VAE）。比如用VAE对正常流量建模，输入一个样本，如果重构误差大，就说明它偏离了正常模式，可能是异常流量。所以理解ELBO不仅是为了应付笔试，也是为了后续做安全检测模型打基础。

4. 安全场景中的算法应用与场景题应答思路

4.1 异常检测算法选型思路

试卷3的场景分析题大概是这样的：假设你是一个安全公司的算法工程师，需要设计一个企业内网流量异常检测系统，请说明你会选择哪些算法，为什么，以及如何评估效果。

这类题目考的不是具体的代码实现，而是算法选型思路和工程落地能力。我的答题思路是：

• 先说数据：网络流量数据通常是高维、稀疏、带时间戳的，可能有标注也可能无标注
• 分两种情况：有标注数据时用监督学习（XGBoost、随机森林），无标注时用无监督（孤立森林、One-Class SVM、自编码器）
• 考虑时序特性：流量数据是随时间变化的，可以引入滑动窗口统计特征，或用LSTM建模时序依赖
• 评估指标：不只看准确率，要关注误报率（FPR）和召回率（Recall），因为安全场景中误报太多会产生告警疲劳

这里有一个关键点务必注意：安全场景中正负样本极不平衡。恶意流量可能只占全部流量的万分之一，如果直接用准确率评估，模型把所有流量都预测为正常，准确率也能达到99.99%。所以必须用精确率、召回率、F1值、AUC-ROC等指标，必要时用代价敏感学习或SMOTE过采样处理不平衡问题。

4.2 PID算法与卡尔曼滤波在安全场景中的角色

你可能没想到，安全公司的算法试卷里居然考了PID算法和卡尔曼滤波。但在某些特定场景下，它们确实是必要的。比如在主机防护产品中，CPU/内存占用需要动态控制，PID可以用来做资源调度的闭环控制；在工控安全场景中，检测物理量异常需要滤波算法，卡尔曼滤波可以从带噪声的传感器数据中估计真实状态。

PID的核心是三个环节：

• 比例项（P）：根据当前误差决定控制量，误差越大调整越猛
• 积分项（I）：消除稳态误差，但如果积分过大容易超调
• 微分项（D）：预测误差变化趋势，阻尼作用，防止振荡

增量式PID与位置式PID的区别是：增量式只输出控制量增量Δu，好处是执行器故障时不会产生大幅跳变，适合需要平滑控制的场景。这个知识点如果笔试不考，面试时也是很好的加分项。

卡尔曼滤波的核心是“预测+更新”两步走：用状态转移方程预测下一时刻状态，再用观测值修正预测结果。它本质上是贝叶斯滤波在线性高斯假设下的最优解。在安全场景中，可以用来对传感器信号做预处理，降低误报率。

但请注意，这些算法在算法方向的笔试中出现，通常只是选择题里的一道概念辨析，不会要求推导完整公式。核心是要知道它们各自适用于什么场景、解决了什么问题。

4.3 粒子群算法、模拟退火与全局优化

粒子群算法（PSO）和模拟退火（SA）也出现在试卷里了，这类智能优化算法在安全场景中的应用主要是威胁检测规则的参数优化、特征选择等。粒子群算法的核心思想是：每个粒子代表解空间中的一个候选解，粒子根据自身历史最优位置和群体历史最优位置来更新速度与位置。

粒子群算法的公式是：

v_i(t+1) = w * v_i(t) + c1 * r1 * (pbest_i - x_i(t)) + c2 * r2 * (gbest - x_i(t))

x_i(t+1) = x_i(t) + v_i(t+1)

其中 w 是惯性权重，c1和c2是加速常数，r1和r2是[0,1]的随机数。w大时全局搜索能力强，w小时局部搜索能力强。常见做法是让w在迭代过程中从0.9线性衰减到0.4，前期多探索、后期多收敛。

模拟退火算法的核心是Metropolis准则：新解比当前解好就接受，新解不好时以概率 P = exp(-ΔE / T) 接受。温度T越高，接受差解的概率越大；随着温度降低，算法逐渐走向收敛。这里的关键设计是降温速率，降温太快容易陷入局部最优，降温太慢又耗时。

这两类算法都不是最前沿的算法了，但在笔试里出现频率不低，因为在安全领域的某些优化问题（比如IDS规则库调优、安全资源调度）中，它们依旧实用。

4.4 图像算法在安全领域的应用

图像算法那道题出现在选择题里，问的是图像锐化中的拉普拉斯算子原理。拉普拉斯算子是二阶微分算子，模板通常为：

0 -1 0 -1 5 -1 0 -1 0

或者不带中心加权的版本：

0 -1 0 -1 4 -1 0 -1 0

拉普拉斯算子检测的是图像强度的二阶变化率，在边缘和噪声点处响应值大。增强的方法是：原图减去（或加上）拉普拉斯结果，也就是 unsharp masking 的思想。

安全领域中图像算法的应用主要涉及：验证码识别对抗、恶意图片检测、屏幕水印、图像隐写分析等。Sobel算子相比拉普拉斯算子的优势是它同时计算梯度方向和幅值，对噪声有一定平滑作用。这些细节点如果平时没接触过，考场上是很难临时推导的，所以建议系统性过一遍常用算子。

5. 编程题与算法设计题的实战拆解

5.1 KMP之外的字符串处理技巧

试卷3的编程题里有一道字符串处理的题，具体是判断一个字符串能否通过若干次循环移位变成另一个字符串的旋转串，比如"abcde"的旋转串包括"abcde"、"bcdea"、"cdeab"等。

这道题有两种解法。第一种是把两个字符串拼接起来：如果把s1+s1包含s2，那么s2是s1的旋转串。例如"abcde"+"abcde" = "abcdeabcde"，包含"cdeab"，所以是旋转关系。这是最高效的解法，时间复杂度O(n)，空间复杂度O(n)。

第二种是KMP匹配，把s1+s1作为主串，s2作为模式串，用KMP做匹配。如果考场上要求不能用STL的find函数，就要手写KMP匹配。KMP的next数组实现前面已经讲过了，这里的关键是理解失配时的回退逻辑。

这道题有一个陷阱：如果s1和s2长度不相等，直接返回false，不需要做任何匹配。很多同学忘了这个边界检查，导致s1="a"，s2="aa"这种用例过不去。

5.2 TopK问题的多种解法对比

另一道编程题是TopK问题：给定一个无序数组，找出其中第K大的元素。这道题看起来简单，但考查的知识点可以很深入。

最直接的解法是排序后用下标取元素，时间复杂度O(n log n)。但这显然不是最优解。

更好的解法是用最小堆，维护一个大小为K的最小堆，遍历数组时如果元素比堆顶大就替换堆顶并调整堆。时间复杂度O(n log K)，当K远小于n时不失为一个好方法。C++可以直接用priority_queue，或者用multiset。

最优解法是快速选择（Quick Select），基于快速排序的partition思想，平均时间复杂度O(n)，最坏O(n²)。核心代码：

int quickSelect(vector<int>& nums, int left, int right, int k) { int pivot = nums[left]; int i = left, j = right; while (i < j) { while (i < j && nums[j] >= pivot) j--; nums[i] = nums[j]; while (i < j && nums[i] <= pivot) i++; nums[j] = nums[i]; } nums[i] = pivot; if (i == k) return nums[i]; else if (i < k) return quickSelect(nums, i + 1, right, k); else return quickSelect(nums, left, i - 1, k); }

这里对第K大还是第K小要特别注意。数组升序排列时，第K大对应的索引是n-K。考场上要仔细看题，别都写第K小。印象里这道题我当时直接用了nth_element，C++标准库里的函数，可以一行解决：

nth_element(nums.begin(), nums.begin() + n - k, nums.end()); return nums[n - k];

但笔试时最好还是手写一遍Quick Select，因为nth_element的底层实现不同编译器不一样，而且手写代码更能体现你的算法功底。

5.3 动态规划：经典的背包变体

算法设计题里有一道背包问题变体，大概是这样的：给定一组进程的资源占用和威胁等级，在总资源有限的情况下，选择一部分进程进行深度检测，使总的威胁等级减少量最大化。

这其实就是0-1背包问题：每个进程的重量是资源占用，价值是威胁等级的减少量，背包容量是总资源。状态转移方程是：

dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]] + v[i])

优化空间后变成一维数组，注意j要从大到小遍历，防止一个物品被使用多次：

for (int i = 1; i <= n; i++) { for (int j = capacity; j >= w[i]; j--) { dp[j] = max(dp[j], dp[j - w[i]] + v[i]); } }

很多同学知道要倒序遍历，但不理解为什么。原因是正序遍历时，dp[j-w[i]]可能在当前物品循环中被更新过，导致一个物品被选多次，这正好符合完全背包的语义。而倒序遍历保证了dp[j-w[i]]还是上一轮的结果，即每个物品最多选一次。

这里还有个延伸考点：如果是完全背包，j正序；如果是多重背包，需要二进制拆分优化；如果是分组背包，每组只能选一个。面试时最好能把这些变体都梳理清楚。

6. 常见失分点与避坑经验总结

6.1 选择题里的概念陷阱

奇安信这套试卷的失分点很有规律。首先是概念混淆型陷阱，比如把快速排序的最坏时间复杂度记成O(n log n)。快速排序在平均情况下是O(n log n)，但最坏情况（比如已经有序且每次选固定pivot）会退化到O(n²)。题目往往会问“以下排序算法中，哪一个在最坏情况下时间复杂度不是O(n log n)”，答案就是快速排序（除非用随机化优化）。

其次是忽略了边界条件，比如快速幂中m=1、KMP中模式串为空、二分查找中目标值比最小值还小。这些边界条件在跑用例时最容易暴露，但很多同学笔试时只关注主流程，不注重边界，导致用例过不全。

再次是对术语理解不够准确。比如问“KNN算法的优点是什么”，选项里有“训练时间短”和“对数据分布不做假设”，这两个其实都是对的，但题目要求选“最核心”的优点。这时候要理解出题人的意图：KNN最大的优势是惰性学习，无需训练阶段，可以直接预测。

6.2 编程题的鲁棒性要求

笔试环境下的编程题，光写对算法逻辑是不够的，代码的鲁棒性同样重要。我总结了几个必查的边界条件：

• 数组是否可能为空
• 数字是否可能为负数
• 数值是否可能溢出int范围
• 输入字符串是否可能包含空白字符或大小写混用
• 是否有重复元素（涉及去重或计数时）

比如在一道求数组中两个数的最大异或值的题目中，空数组和只有一个元素的数组都要单独处理，否则访问nums[1]时就数组越界了。这些在本地IDE运行时不容易发现，但在笔试系统的测试用例下会直接暴露。

还有一个很多校招生容易忽略的点：笔试平台对语言版本有要求。比如C++要区分C++11/14/17的语法支持情况，Java要注意主类名是否为Main，Python要注意输入是空格分隔还是换行分隔。这些如果考前没确认好，容易在环境上白白浪费大量调试时间。

6.3 时间分配与做题顺序的策略

我之前参加多场秋招笔试，总结出一个比较稳妥的做题顺序：先用5-8分钟浏览全部题目，标记每道题的预估用时；然后先做编程题，因为它们分值高且需要整块时间思考；再做算法设计题，用清晰的伪代码加文字说明表达思路；最后做选择题，因为选择题很多是概念辨析，即使时间紧张也可以靠快速判断拿分。

这里有个小技巧：算法设计题尽量写成“伪代码+复杂度分析+正确性说明”的结构。出题人看重的不是你能默写多少代码，而是你的思路是否清晰。比如背包问题的算法设计题，我会先写状态定义，再写转移方程，再写初始化条件，最后写时间空间复杂度，这样即使代码有小的瑕疵，整体思路分也能拿到大部分。

6.4 面试阶段可能追问的方向

笔试之后如果顺利，通常还有一轮技术面试。面试官很可能会追问笔试里的某些题目，尤其是算法设计题。我当时被追问的题目就是KMP的next数组优化——为什么有些next数组求法可以进一步优化到nextval数组。

nextval数组能避免一种重复匹配的情况：如果P[i] == P[next[i]]，那么当P[i]匹配失败跳转到next[i]时，P[next[i]]还会和当前字符失配，所以应该继续跳转到next[next[i]]。举个例子，模式串"aaaaab"，如果求next数组，b处失配会跳转到a，但a和b不相等，所以next数组可以提前处理。

这个问题在KMP算法的实际优化中很常用，如果你笔试时只是把next数组求出来，面试时一定要能说出这个优化版本。当时我还被追问了归并排序如何做外部排序、如何用位图去重等问题，这些也都在安全场景中有应用。

7. 复盘与备考建议

7.1 安全算法岗位的核心技能树

经历了这次笔试和后续的面试，我对安全公司的算法岗有了更清晰的认知。安全公司的算法工程师，需要掌握三方面的核心技能：

第一是扎实的算法与数据结构基础。排序、字符串匹配、图论、动态规划这些通用算法是地基，不管做什么方向的算法都绕不开。这部分跟互联网大厂的要求是重合的。

第二是机器学习与深度学习基础。要理解常用模型的原理和适用场景，特别是不平衡样本的处理、异常检测的评估方法、时序数据的建模方式。这部分是安全算法岗的核心竞争力。

第三是安全领域的业务理解。了解常见的攻击类型（DDoS、SQL注入、木马、勒索软件等）、检测系统的工作原理、安全数据的格式与特点。这部分可以通过阅读安全公司的技术博客、参加安全类在线课程来补充。

7.2 刷题与复习的优先级建议

如果你正在准备网络安全公司的算法笔试，我的建议是：

• 优先级最高的仍然是LeetCode高频题。排序、二分、动态规划、字符串匹配、Tree、图这些专题刷熟练，笔试编程题就不会太慌
• 机器学习基础要系统过一遍，包括模型的推导和公式理解。推荐西瓜书或李航的《统计学习方法》
• 安全基础知识的补充不可忽视。能说出SYN Flood的攻击原理、了解DGA域名的检测思路、知道沙箱的工作原理，这些在场景题中都是加分项
• 有时间的话可以了解几个经典的异常检测算法和网络安全数据集，比如KDD Cup 1999、CICIDS 2017等。笔试不一定考，但面试聊到安全场景时会很有底气

7.3 心态调整与应试技巧

最后再说一个容易被忽略的点：秋招笔试的心态。很多人一看到题目里出现陌生名词，比如“KL散度”“Rete算法”“拉普拉斯算子”，就开始慌了，觉得这个岗位不适合自己。

其实不用慌，这些名词的出现频率并不高，且多以选择题形式出现，靠排除法往往能做对。更重要的是，这些题目本身就是用来筛选的——如果你只会刷LeetCode但完全不了解安全业务，会在这里丢分；如果你的安全知识丰富但算法基础薄弱，又会死在编程题上。所以真正的目标不是每道题都对，而是在自己相对有优势的部分多拿分。

笔试之前尽量模拟真实环境，限制时间做题，训练自己不看题解独立思考的能力。我当时用了大概两周时间做专项训练，每天固定两套模拟题，每套严格计时，考场上反而不是特别紧张，因为整个流程已经走过多遍了。

顺便分享一个我后来才意识到的小细节：笔试时如果做完了不要急着交卷，留一点时间检查选择题里有没有漏选或者多选题判断失误。很多算法方向的选择题其实是多选题，题目会明确标注“多选”，但紧张状态下容易看成单选。这个看起来很小的检查，可能就值好几分。