人工智能在計算機網絡技術中的應用

史晨瑩

（61623部隊，北京 100089）

0 引 言

21世紀已經進入了智能化和信息化的時代，人們對計算機網絡技術的安全需求和突然需求已經逐步提升，生活中已經處處透著智能化的影子。人工智能（Artificial Intelligence，AI）技術的融入大大提高了人們的生產生活效率，為科學技術前沿領域拓展提供更多新的可能。人工智能與計算機網絡技術密切結合，以推動人工智能在計算機網絡中的應用，充分發揮人工智能的關鍵性作用。

1 AI與計算機網絡技術的關系

AI是一種綜合性學科，它不僅涵蓋了計算機網絡技術，還包括生理學、心理學、語言學，能夠通過人類的編程，以先進的科學技術對人類社會進行模擬，向AI發出一系列的指令，進行自主學習，更好地服務于人類。AI主要發展經歷了3個階段，包括邏輯推理、工作環境交互工作、自主學習能力[1]。

AI在計算機網絡技術中的應用不僅可以幫助人們做好模糊數據，對數據進行分類管理，實現新型的區域化和便捷性，還可以根據邏輯推導作用和系統分層管理等計算機網絡系統的功能，對各個信息進行協調調度，并進行智能化的處理，能夠大大提高數據管理的有效性和實際性，真正實現用戶的更深層次需求滿足[2]。

AI與計算機網絡技術是相互聯系、相輔相成的。AI可以設計研發出更多符合個性化需求和時代發展需要的計算機網絡技術，也可以讓計算機網絡技術滲透到各行各業當中，利用自身經濟的發展優勢與各行業滲透結合，使其應用領域得到更寬更深層次的延展[3]。計算機網絡技術的發展，也可以使AI尋求更多的發展方向，更深層次科技的發展，既可以為AI提供堅實的智力保障基礎，為提供好的模仿人類智慧思維助力，真正實現人性化發展，為人類服務。從二者的關系來看，AI在計算機網絡技術當中應用是必然的，也是必須的。

2 AI在計算機網絡技術中的應用

目前，互聯網信息化發展越發成熟，但信息安全卻受到網絡入侵、病毒入侵等挑戰。在此基礎上，通過AI技術優化安全算法，實現各項數據優化管理，提升數據處理效率和準確度。

（1）AI具備更優的信息深度特征，不僅有助于安全優化過程中擴大信息規模，而且實現了網絡數據多樣化的特點[4]。

（2）AI具備管理性和穩定性特征，在進行算法優化調整過程中，有效增加了算法處理數據能力、數據交互性等，一定程度提升了網絡信息安全算法運行實現效率和準確率。

（3）由于AI技術具備信息交叉驗證、大量數據分析等特征，當網絡信息安全受到分布式入侵、密碼學入侵、協作入侵等攻擊時，AI技術通過機器學習算法深度優化數據結構類型、分析數據源信息、分析密碼資源信息，進而通過海量數據庫信息分類檢測分析后，實現安全保護系統的構建等，以降低網絡信息遺失率，保障計算機信息系統更加穩定、安全、高效的運行，同時協同優質算法分析實現信息安全[5]。

2.1 AI數據安全優化算法及應用優勢分析

選取 KDDCUP99 網絡數據為安全算法對象，以AI及時性、高效性為技術基礎，通過機器學習算法對計算機網絡數據安全性、穩定性、多樣性以及靈敏性等測試分析。在網絡數據安全運營中，病毒入侵是數據損害的主要來源，而AI面對入侵損害，能及時協同機器學習算法提前進行預估評判，相比較傳統數據安全算法，其工作效率、識別精度更為優質。

在網絡安全管理中，AI技術協同機器學習算法對網絡系統信息進行了解，進而實現對網絡不確定性信息可控，提升了數據安全性[6]。

在網絡信息安全實際應用中，網絡安全算法在AI的輔助下，實現了對網絡數據安全的定期有效檢測，同時利用算法卷積運算能力，實現了在學習、數據處理過程等非線性方面解決問題能力的快速提升。

2.2 結果與分析

依據AI技術特征，選取ConversionMatrix 衡量網絡數據安全性能，并通過準確率、精確率、召回率、真負率以及F度量（F-measure）等5方面進行算法優化調整后安全性能評估分析。

（1）準確率。圖1為傳統算法與基于AI的機器學習方法分析數據準確性示意結果。通過圖1可知，傳統K均值聚類算法（K-means clustering algorithm，K-means）算法準確性最低，為60.1%，優化后機器學習方法 模糊光滑支持向量機（Fuzzy Smooth-Support Vector Machines，FS-SVM） 算法準確性最高，為84.03%，兩者算法精度相差23.93個百分點，表明經AI技術協同后機器學習算法對入侵式安全的檢測結果更優，適用性和安全性更為出色[7]。

圖1 網絡數據傳統算法和機器學習算法間準確率分析

（2）精確率。精確率是用于網絡安全性能比較的另一個重要參數，其精確率變化表明正確預測的攻擊與總預測攻擊的比率。比較分析后，支持向量機（Support Vector Machine，SVM）模型和FS-SVM 算法精度值分別為98.02%和97.98%，顯著優于傳統算法精度。

（3）召回率。傳統方法與改進后方法比較示意圖如圖2所示。召回率指標是分析預測的攻擊觀察值與實際攻擊等級中所有觀察值比率變化的重要指標，通過圖2可知，機器學習FS-SVM 算法精度值最高（78.89%），與傳統方法相比，該方法具有較高的查全率，同時高召回率結果表明在網絡數據安全分析預測中，以對最相關數據進行了選取[8]。

圖2 傳統方法與改進后方法比較示意圖

（4）真負率。真負率參數是正確的正常預測與正常觀測總數比率的指標。通過圖2可知，相較于傳統方法，AI模式下的機器學習算法真負率高達96.16%，相較于其余指標結果更為出色，表明提出的模式也比傳統檢測到更多的正常數據。

（5）F度量。F 度量指標用于測量分類器的有效性，同時該指標明確精確性和召回率指標加權平均值，F度量也稱為傳統測量或平衡F-score。它不僅考慮了假陽性和假陰性，而且提升了篩選類型，提升了數據安全性能。結果表明，該方法比傳統方法具有更高的故障檢測率，故障檢測率為87.41%，在入侵檢測評估參數的各個方面都有較好的性能。

以AI特征開展互聯網信息安全優化算法研究，通過對AI技術的數據安全算法設計分析、數據集算法優化分析和優化調整后，通過Spark工具對傳統算法與AI技術的機器學習算法進行 5 項關鍵要素分析，并得到以下相關結論。

（1）Spark工具進行大數據入侵檢測時，具有優化特征選擇的支持向量機F比傳統更適合于大數據入侵檢測。

（2）與傳統相比，準確率、精確率、召回率、真負率和F-measure 等所有評估參數都顯示出更好的結果。

（3）與傳統相比，優化的基于AI的機器學習算法所需的執行時間更少，能有效實現數據分類管理、防止病毒入侵等，準確地將數據分類為攻擊或正常[9]。

3 AI在計算機網絡技術中的應用展望

當前AI已經深入到人們生活的方方面面，生活中的每一臺電子產品都體現著AI以人性化為需求的發展標準。在當前計算機網絡盛行的時代里，保護自身的信息安全，提高計算機系統運行的穩定性，更深層次的延展計算機網絡技術，AI的加持是不可避免的。由于計算機網絡的普及，人們的工作和生活都越來越依賴于網絡結合AI[10]。用好計算機網絡，可以推動時代的發展，真正的讓人性化的需求和智能的科技，服務于我們的生活。相信不久的將來，更深層次地使AI與計算機網絡技術相互結合，打造更好的智能化時代。

4 結 論

綜上所述，隨著科技的發展，互聯網技術和AI技術都得到了前所未有的發展機遇。本文從AI與計算機網絡技術的關系入手，分析了AI在計算機網絡技術當中的應用，并提出了相關展望。