基于人工智能的網絡安全信息自動識別系統設計

劉國輝

(沈陽大學 教務處現代教育技術中心，遼寧 沈陽 110044)

隨著社會信息化程度的不斷加深，網絡安全問題占據了越來越重要的位置。網絡安全信息自動識別在網絡安全問題中雖占據重要部分，但沒有受到足夠的重視[1]。傳統網絡安全信息自動識別系統在實際運行過程中，很容易出現影響網絡安全的問題。這種情況下，不但會影響網絡運行環境，甚至還會導致經濟方面的損失。當網絡安全信息自動識別系統遭受種種原因而崩潰時，對于防止數據丟失的問題往往是人們最關心的問題。傳統網絡安全信息自動識別系統存在的問題主要體現在三個方面，分別為信息泄漏問題、植入惡意病毒問題以及程序惡意破壞問題[2]。人工智能技術是確保網絡安全并保證網絡安全信息不受到惡意攻擊的有效手段。在大數據背景下由于人工智能技術的逐漸成熟，人工智能技術在網絡安全信息自動識別中的應用已經越來越廣泛。因此，本文著重利用人工智能技術對網絡安全信息自動識別系統進行研究[3]。通過神經網絡整合自動識別網絡安全信息的方式實現節本增效，從根本上提高網絡安全信息自動識別精度。

1 基于人工智能的網絡安全信息自動識別系統設計

1.1 硬件設計

結合實際網絡安全信息自動識別的需要，本文設計的人工智能網絡安全信息識別裝置型號為HCL1215873289，內置BUN-30052689識別芯片。BUN-30052689識別芯片作為一個封裝的復合型芯片，具有很好的網絡安全信息自動識別能力[4]。人工智能網絡安全信息識別裝置整體使用人工智能技術作為核心技術。在正常情況下，人工智能網絡安全信息識別裝置的工作電壓在3.0～4.5V之間，所承受的電流值不能大于50mA。人工智能網絡安全信息識別裝置尺寸為610*100*628mm；重量為10.29kg。為自動識別網絡安全信息并及時進行反饋，人工智能網絡安全信息識別裝置特設計無線藍牙串口通信接口，是該自動識別系統硬件中最重要的組成部分。將無線藍牙串口通信接口的接線點設為I/0點。其中，I/0點所連接的人工智能設備主要包括：智能手機、平板電腦等[5]。可以將網絡安全信息整個識別狀態均視為自動識別，基于人工智能的網絡安全信息自動識別系統中I/0點為3000個，系統的實際容量有3540個，I/0點數的具體分布信息，如表1所示。

表1 無線藍牙串口通信接口I/0點數的接口信息

結合表1信息，人工智能網絡安全信息識別裝置通過10個串口通信端口，其主要用于通過人工智能技術經合波光將網絡安全信息自動識別結果傳輸到遠端，從而實現對網絡安全信息自動識別的信息傳遞[6]。

1.2 軟件設計

本文將設計的軟件部分具體流程分為四個步驟逐步進行：收集終端數據；利用神經網絡進行網絡安全信息傳輸與處理；建立數據庫；設置網絡安全信息自動識別相關字[7]。在人工智能的應用背景下，通過數據采集收集終端數據，為系統自動識別功能的實現提供前提保障。尤其網絡安全信息的精準采集最為重要，這是保障網絡安全信息自動識別最基礎的一環。而后根據人工智能領域中的神經網絡進行網絡安全信息傳輸與處理，為確保網絡安全信息在傳輸與處理過程中不會出現信息丟失的情況，將網絡安全信息自動識別偏差值設為x，可得x的計算公式，如公式(1)所示。

(1)

在公式(1)中，r指的是網絡安全信息自動識別形式值；d指的是網絡安全信息自動識別特征維數；B指的是網絡安全信息自動識別的邏輯矢量。網絡安全信息傳輸的實現意味著自動識別系統功能的實現[8]。除此之外，在基于人工智能的電氣自動化控制系統軟件設計中需要建立一個體系成熟的數據庫，對自動識別到的網絡安全信息進行對應的處理。將所有經過信息傳輸處理后的網絡安全信息直接更新至數據庫中，在此基礎上利用數據庫啟動網絡安全信息自動識別任務。在啟動之前必須對數據庫進行一定的設置，比如設置網絡安全信息自動識別相關字，設網絡安全信息自動識別相關字為c，則其公式如公式(2)所示。

(2)

在公式(2)中，g指的是網絡安全信息自動識別的相關字向量；n指的是網絡安全信息自動識別的相關字維數；u指的是網絡安全信息自動識別的相關字參數。

利用人工智能技術通過相關字段完成高精度自動識別，從而提高自動識別的穩定性以及成功率[9]。至此，完成基于人工智能的網絡安全信息自動識別系統軟件所有流程。

通過最大后驗概率方法Map針對具備稀疏分布特性的安全信息可進行以下操作，假設安全信息具備如式(3)的Laplace概率密度分布函數：

(3)

其中，β代表方差參數。充分考慮到安全信息在分離過程中幅值存在的不確定性，能夠設定信源具備相同方差參數。因安全信息之間為相互獨立的狀態，則信源s聯合概率密度函數表達式為：

(4)

因A為已知項，當x=As時，對式(4)進行最大化可得：

(5)

設定在某一時間僅存在一個信源值不是0，剩余信源值均非常小或者等于0，此點信源能夠被精準地恢復。根據以上思想，綜合考慮稀疏性，提出利用最小均方誤差法實現盲源分離。

利用比幅法查找出僅有一個信源值不是0的點集合，因此能夠獲取信源在這些點中精確值。針對兩個觀測安全信息混合狀況，假設在某一時間。僅有si信源值不是0，剩余信源值均為0，那么有：

(6)

其中，aij為已知項，能夠獲取僅有si不是0的全部點，在實際應用過程中選取一個容限值，當小于該值則將其判定為0。假設其點組成的集合是S，si精確值表達式為：

(7)

假設窗口中存在精準值，依據最小均方誤差找到效果最好的子矩陣實現分離，找到滿足公式(8)為最小值的分離矩陣當作分離子矩陣：

(8)

其中，N1代表窗口中第i個信源存在精準值點數量，sit代表第i個信源t時刻精準值，N2代表窗口寬度，也就是窗口中點的數量，sik⌒代表按照某一個分離子矩陣獲取的第i個信源估計值。式(8)進行最小化能夠得到最小均方誤差下分離子矩陣，進而實現網絡安全信息自動識別。

2 實驗

2.1 實驗準備

本次設計的實驗硬環境包括：處理器Inter(R) Core(TM) Duo CPU、支持8線雙絞線同軸電纜光纖專網、CPRS/DCMA無線公網以及無線專網；仿真實驗軟環境包括：EZfdsdnio仿真實驗平臺，整個平臺使用Logo語言，主要用于對網絡安全信息自動識別的仿真模擬。本次仿真實驗主要內容為通過比較所提出基于人工智能的網絡安全信息自動識別系統與傳統識別系統的差異，分析兩種識別系統對網絡安全信息的自動識別率。

表2 兩種方法的安全系數

表2中，AQ代表的是安全系數，DD代表的是兩種不同方法的迭代次數，QK代表的是本文方法，WW代表的是文獻[5]方法。

利用EZfdsdnio仿真實驗平臺實現對網絡安全信息自動識別的數據處理，從而評定網絡安全信息自動識別性能更高的識別系統。在此次仿真實驗中，共設計8次實驗，使用兩種識別系統分別代入EZfdsdnio仿真實驗平臺，設置傳統的識別系統為實驗對照組。針對EZfdsdnio仿真實驗平臺測得的網絡安全信息自動識別率，記錄實驗結果，進而判斷兩種識別系統對于網絡安全信息的自動識別率能力。

2.2 實驗結果分析與結論

根據上述設計的仿真實驗步驟，采集8組實驗數據，將兩種識別系統下的網絡安全信息自動識別率進行對比。為了更加直觀地體現出兩種識別系統的差異性，將實驗結果在EZfdsdnio仿真實驗平臺界面部分以曲線圖的形式進行展示，如下圖1所示。

圖1 網絡安全信息自動識別率對比圖

通過圖1可得出如下的結論：本文設計的識別系統網絡安全信息自動識別率最高可達89.95%，實驗對照系統最高僅為50.02%，設計的識別系統自動識別能力更強，可以實現對網絡安全信息自動識別。通過仿真驗證結果，證明所設計的識別系統其各項功能均可以滿足設計總體要求，可以廣泛應用于網絡安全信息自動識別方面。

結語

綜上所述，基于人工智能的網絡安全信息自動識別系統在網絡安全信息自動識別應用中的具體優勢已經顯現出來。基于人工智能的網絡安全信息自動識別系統是針對網絡安全信息自動識別的最實用以及最可靠的手段。網絡安全信息自動識別率的高低是保證網絡安全信息自動識別效率以及質量的主要衡量標準，而針對網絡安全信息自動識別系統進行基于人工智能的優化設計可以大幅度提高網絡安全信息自動識別精度。基于人工智能的網絡安全信息自動識別系統不但能夠完成傳統的識別系統所不能完成的任務，還能夠以人工智能為核心技術，為網絡安全信息自動識別領域的研究提供學術意義。