一种基于解题比例的网络安全竞赛动态分值计算方法与流程

本技术属于信息安全，具体涉及一种基于解题比例的网络安全竞赛动态分值计算方法。

背景技术：

1、随着信息安全技术的飞速发展，网络安全竞赛已成为选拔和评估高端安全技术人才的重要途径，其在实战化演练及网络空间防御体系建设中发挥着不可替代的作用，现代竞赛模式强调对复杂攻防场景的模拟，要求评价系统能够实时反映选手的技术攻关能力及竞赛进程。

2、动态分值机制作为评价体系的关键环节，其核心价值在于通过数据反馈机制对题目难度进行二次校准，从而确保竞赛评价的客观性。

3、其中，基于解题规模的动态分值计算方法是目前主流的评分逻辑，其旨在通过解题人数的动态变化实时修正题目权重，该技术方向的核心在于通过建立解题状态与分值之间的映射关系，使最终得分能精准锚定题目的实际攻克难度，有效的动态分值模型应当能够平滑处理不同解题阶段的分值波动，为选手提供具有层次感的竞技反馈。

4、然而，现有动态计分算法普遍采用基于解题人数倒数的简单降分逻辑，导致在解题初期的低人数区间分值跌落过快，严重影响了头部选手的公平性竞争。

5、同时，传统线性降分模型在解题规模扩大后缺乏足够的收敛稳定性，分值往往迅速坠落至最低限制点，导致中后期解题队伍的得分趋同且无法体现水平差异。

6、此外，现有技术缺乏能够模拟人类认知难度曲线的非线性调节机制，无法根据特定赛题的预期挑战度灵活配置衰减参数，导致分值变动逻辑僵化，极易出现分值波动与真实解题难度脱节的情况。

7、因此，期望一种基于解题比例的网络安全竞赛动态分值计算方法。

技术实现思路

1、为了解决上述技术问题，本技术提供了一种基于解题比例的网络安全竞赛动态分值计算方法，采用如下的技术方案：一种基于解题比例的网络安全竞赛动态分值计算方法，包括以下步骤：

2、s1、通过消息队列捕获参赛队伍的赛题flag提交记录，调用预设的flag验证服务对提交记录进行正确性判定，实时调取每一道赛题的解出次数变量n以及赛题的总基数变量n，其中所述总基数变量n的取值为当前赛事中状态字段标记为激活且登录计数记录至少达到2次的活跃队伍总数。

3、s2、根据所述解出次数变量n和所述总基数变量n，计算解出次数变量n与总基数变量n的比值作为解题比例系数，将所述解题比例系数作为分值衰减的核心驱动因子，采用以自然常数为底的指数函数构建分值衰减模型，所述分值衰减模型以解题比例系数作为输入变量，以陡峭系数和偏移拐点参数作为模型调节参数，输出分值衰减系数。

4、s3、根据赛题难度等级设置所述陡峭系数的取值，基础难度赛题设置第一陡峭系数数值区间，高难度赛题设置第二陡峭系数数值区间，并根据赛题的初始分值配置所述偏移拐点参数。

5、s4、将所述分值衰减系数与赛题初始分值相乘，计算得到赛题的实时动态分值，并在竞赛前端界面中通过动态曲线图实时展示每一道赛题的分值变动趋势。

6、s5、周期性执行全局活跃度扫描，统计当前活跃队伍数量，并根据活跃队伍数量动态调整所述总基数变量n的刷新频率。

7、优选的，步骤s3中所述第一陡峭系数数值区间的最小值不小于10且最大值不大于15，所述第二陡峭系数数值区间的最小值不小于25且最大值不大于40。

8、步骤s2中所述偏移拐点参数的数值范围为最小值不小于0.05且最大值不大于0.25。

9、当赛题的初始最高分值超过预设的2000分阈值时，系统自动减小所述偏移拐点参数的取值，使分值在更低的解题比例下即进入衰减阶段。

10、优选的，还包括参数智能预测步骤：

11、采用长短期记忆神经网络构建参数预测模型，所述长短期记忆神经网络的输入层包括赛题所属分类、赛题附件大小、赛题代码行数以及预设难度等级，其中赛题所属分类采用独热编码，赛题附件大小以千字节为单位进行归一化处理，赛题代码行数进行归一化处理，预设难度等级为1至5的整数。

12、所述长短期记忆神经网络的输出层输出预测的陡峭系数和偏移拐点参数。

13、所述长短期记忆神经网络利用历史赛题的解题比例变化曲线以及参赛选手的分布数据作为训练数据集进行模型训练。

14、优选的，步骤s4中计算实时动态分值时，采用跨平台定点小数算法，将分值扩大为整数倍进行运算后再恢复原始量纲，消除不同操作系统间浮点数运算差异导致的分值计算偏差。

15、映射计算过程完成后，调用取整函数对计算结果执行向上取整操作，确保先解出队伍相对于后解出队伍保持得分优势。

16、优选的，还包括同分排序步骤：

17、当多支队伍的总分值相同时，引入时间权重因子作为排名依据，所述时间权重因子基于队伍最后一次提交正确flag的时间戳计算，时间戳越早的队伍获得越高的排名权重，确保先解题队伍在同分情况下的排名优势。

18、优选的，还包括异常解题行为监测步骤：

19、实时分析每一道赛题的解题比例相对于时间的变化率，当在预设的5分钟监测时间段内所述解题比例的变化幅度超过预设的0.05比例阈值时，系统触发异常行为预警。

20、通过解析参赛队伍提交请求的来源ip地址，识别同一子网下的集中提交行为，当解题时间间隔低于赛题对应的最短预期逻辑用时阈值时，将对应批次解题记录放入待核查队列暂存，不立即计入解出次数变量n，待多因子风控模型完成安全评价后再正式计入并触发分值更新。

21、所述最短预期逻辑用时阈值根据赛题类型差异化配置，web类基础题设定为60秒，pwn类高难度题设定为300秒。

22、优选的，步骤s5中所述周期性执行全局活跃度扫描的周期为预设的固定时长，当竞赛进入最后30分钟的冲刺阶段时，启动冲刺期校准算子，锁定所述总基数变量n的取值，不再将冲刺阶段新提交的队伍计入总基数变量n，确保冲刺阶段计分逻辑的稳定性。

23、优选的，所述多因子风控模型综合解题时间间隔、ip地址聚集程度以及历史提交行为模式三个维度，为待核查队列中的每批次解题记录计算风险评分，其中解题时间间隔因子的权重系数为0.4，ip地址聚集程度因子的权重系数为0.35，历史提交行为模式因子的权重系数为0.25。

24、当风险评分低于预设的60分安全阈值时输出安全评价，将待核查队列中的解题记录转移至正式解题记录表并触发分值更新。当风险评分高于预设的60分安全阈值时标记为异常行为并推送预警信号至管理员终端。

25、优选的，所述实时动态分值的计算结果采用增量更新与全量对齐相结合的持久化策略：

26、分值变更时先向redis高速缓存中的题目得分哈希表写入差值完成增量更新操作，定时任务每隔固定时间间隔将redis中的增量更新结果批量同步至关系型数据库，积分榜查询接口优先从redis读取实时分值，数据库用于历史数据归档和最终成绩核算。

27、优选的，所述消息队列采用分布式消息队列系统，实现提交记录的高并发捕获与削峰填谷。

28、后端监控模块采用分层处理架构，包括部署在多个容器实例中的数据捕获子模块和统计聚合子模块，所述数据捕获子模块负责对不同地理位置的参赛队伍提交请求进行初步过滤与校验，将校验合格的消息转发至统计聚合子模块。

29、所述统计聚合子模块利用分布式锁机制对全局解出次数变量n进行增量累加。

30、所述分层处理架构支撑超过一万支参赛队伍同时在线提交旗标字符串。

31、综上所述，本技术包括以下至少一种有益技术效果：

32、1.本技术通过引入以解题比例为驱动因子的指数型分值衰减模型，克服了传统倒数和线性降分模型在初期分值跌落过快的问题，利用逻辑回归函数构建的s型衰减曲线，配合陡峭系数与偏移拐点参数的灵活配置，实现了分值在低解题比例区间的平缓衰减，有效保护了头部选手的得分优势，同时在中后期实现平滑过渡，避免了分值断崖式下降或过早收敛至最低点。

33、2.本技术通过非线性映射机制显著提升了分值变动与赛题实际难度的匹配度，根据赛题难度等级差异化设置陡峭系数，并结合初始分值动态调整偏移拐点参数，使高难度赛题在少数队伍解出后仍维持高位分值，基础题则快速衰减，此外，引入长短期记忆神经网络对历史数据进行训练，为新建赛题智能推荐最优衰减参数，减少了人为经验误差，增强了分值体系的客观性与适应性。

34、3.本技术在系统实现层面增强了动态分值计算的稳定性与公平性，通过采用跨平台定点小数算法消除了浮点数运算差异，确保分值一致性；结合增量缓存与异步持久化策略，支撑超大规模并发场景，同时通过解题比例变化率监测、ip聚集识别与多因子风控模型，有效防范了flag泄露或串通作弊行为，并在竞赛冲刺阶段锁定计分基数，保障了后期计分的稳定与公正。