人工智能技術在計算機網絡中的應用研究

摘要：隨著科技的飛速發展，人工智能技術已經成為推動社會進步的重要力量。在計算機網絡領域，其應用不僅提升了網絡性能，還為用戶帶來更為便捷智能的體驗。該文通過探討人工智能技術在計算機網絡中的應用策略，以期為相關領域的研究與實踐提供有價值的參考。

關鍵詞：人工智能技術；計算機網絡；應用策略

doi：10.3969/J.ISSN.1672-7274.2024.10.048

中圖分類號：F 22；TP 18；TP 393 文獻標志碼：A 文章編碼：1672-7274（2024）10-0-04

Research on the Application of Artificial Intelligence Technology in Computer Networks

Abstract： With the rapid development of technology， artificial intelligence technology has become an important force driving social progress. In the field of computer networks， its application not only improves network performance but also brings a more convenient and intelligent experience to users. This paper explores the application strategies of artificial intelligence technology in computer networks， aiming to provide valuable references for research and practice in 3CMlklS+3HSHqtKKnsazIA==related fields.

Keywords： artificial intelligence technology; computer networks; application strategies

0 引言

隨著數字化和互聯網技術的快速發展，各種網絡設備和應用程序生成的數據量呈現爆炸性增長，這種增長不僅對數據存儲和處理能力提出了更高的要求，同時也為人工智能技術的應用提供了豐富的數據源[1]。在網絡安全領域，人工智能技術通過機器學習、深度學習等方法，能夠實現對網絡攻擊的實時檢測和防御；在網絡優化方面，人工智能技術能夠分析網絡流量，智能調度網絡資源，提高網絡傳輸效率；在智能服務方面，人工智能技術能夠為用戶提供個性化的服務體驗，如智能客服、智能推薦等[2]。

1 人工智能入侵檢測技術及其模型

人工智能入侵檢測在網絡隱患檢測與安全防護中發揮了重要作用，這也是傳統網絡病毒淡出網民視野的重要原因。不同于傳統殺毒軟件的機械性攔截，智能入侵檢測技術的攔截更加靈活、精準。

人工智能入侵檢測技術本質上是以入侵探測為基礎，通過高效率地探測到可能存在的網絡風險并對其進行分類，然后根據已建立的規則集對其采取不同的措施，從而達到探測入侵、攔截入侵或反擊入侵的目的[3]。

雖然不同公司應用的入侵檢測技術不同，整體上卻大同小異，通常是以IDS入侵檢測系統為基礎的功能延伸，因此IDS系統是AI入侵檢測技術的基礎模型[4]。IDS系統通常由三個協作組件構成，分別是事件產生器、活動記錄與規則集[5]。

這三個組件構成了最基礎的入侵檢測系統，其中，事件產生器通過利用系統活動信息來輔助檢測入侵行為，幫助系統識別網絡入侵的事件，通常由網絡監控服務器發出入侵信息；活動記錄則是事件產生器生成新事件后的結果，也是規則集數據分析的結果，常見活動記錄有日志文件、系統執行記錄、防火墻記錄等；規則集則是網絡入侵監測的前端，發揮著類似入侵檢測器的功能，其本質上是由一個系統保護規則組成，當檢測到動作不符合規則的行為后便會判定為“不信任”并發信息給事件產生器，激活入侵攔截或反擊動作[6]。活動記錄、規則集和事件產生器的協同作用實現了入侵的自動檢測與反擊，將人工智能應用于規則集是當前AI入侵檢測系統研究的重點所在。

2 人工智能入侵檢測專家系統

2.1 專家系統的應用

人工智能入侵檢測專家系統有兩種工作模式，分別是誤用探測和特殊探測，其中誤用探測是繼承了傳統殺毒軟件的工作模式，特殊探測則是基于現代人工智能產生的新型探測模式。本文著重闡釋專家系統模式的構建及應用[7]。

2.2 專家系統特殊探測模式的建立與描述

專家系統特殊探測可用代碼描述如下：

<rule-name>

<conditional-element>==><action>

根據代碼可以看出，特殊探測模式發揮作用存在三個環節，分別是推理邏輯、規則集合與行為記錄，其中規則集合是已建立的推導工作，是專家系統是否將行為認定為網絡攻擊的依據；行為記錄指的是專家系統對行為的認定的狀態，通常是TCP/IP及其延伸；推理邏輯則是專家系統搭載的內在工作邏輯。當一個行為被專家系統捕捉以后，在推理邏輯的作用下對行為做出判定，如果行為符合規則集中定義的攻擊特征，便會觸發攔截、反擊的動作結論。

2.3 專家系統的應用

2.3.1 緩沖區溢出攻擊檢測

緩沖區溢出攻擊規則集示例如下：

e.type == 'Exec"||"execve"

e.uid ！= ruid

contains（e.exec_arges，"＼＼" == 1）

e.size>"normal_length"

該示例中展示了一種最常用的、最簡單的緩沖區溢出攻擊檢測示例，其是以檢測setuid程序為目標的入侵檢測示例，檢測規則包含了是否存在amount字符以及audit調用長度，如果被檢測行為沒有通過該規則集判定，那么就會由入侵檢測系統的事件產生器激活攔截或反擊程序，完成對攻擊行為的對抗。

2.3.2 無效權限訪問檢測

無效權限訪問規則集示例如下：

e.type = "login_failure" ==> save in bad_login || current_failure++

cureent_failure>= threshold ==> make max_reached

max_reached ==> tick off || clear all

在這個規則集下，用戶如果發起訪問，但因為各種原因訪問失敗便會觸發bad_login，然后被記錄為一次login_failure，隨著觸發bad_login頻率的增加，最終會達到make max_reached狀態，依據規則集事件產生器便會做出tick off的動作，將用戶踢出系統并清除訪問產生的參與數據避免冗余信息堆積造成服務器荷載過高。

3 人工智能入侵檢測神經網絡

3.1 神經網絡的應用

神經網絡是一種通過計算機模擬生物信息處理過程的網絡模型，其具有較強的學習能力，通過訓練能夠掌握復雜信息的處理方法。神經網絡與專家系統構成了AI入侵檢測系統的一體兩面，專家系統能夠在事前攔截絕大多數已被識別的網絡入侵，但對于一些非常規入侵以及新型入侵的識別能力不足，神經網絡基于自習慣性而掌握基于用戶行為的特殊規則集，從而完成特殊檢測，識別非典型網絡入侵活動。

3.2 神經網絡的建立與描述

合法用戶行為特征是神經網絡訓練的對象，通過訓練幫助神經網絡掌握合法用戶行為邏輯，這些行為邏輯便是合法訪問者在系統內活動的特征，然后神經網絡會將這些特征轉化為向量的形式記錄下來，形成檢測模型[8]。當一個訪問行為被發現，神經網絡會將該條行為轉化為向量，通過比對輸入向量（被檢測行為）與輸出向量（已學習行為）之間的非線性關系來發現入侵。

3.3 神經網絡的應用

用戶根據網絡系統的結構在系統中能夠進行的行為是相對固定的，因此在訓練時可以采用窮近列舉的方式進行訓練。以一般工作信息網站為例，用戶可執行行為大約在100個左右，大體如下：

as awk bc bibtex calendar cat chmod comsat cp cpp cut cvs date df diff du dvips egrep elm emacs expr fgrep filter find finger fmt from ftp gcc gdb ghostview gmake grep gs gzip hostname id ifconfig ispell last ld less look lpq lpr lprm ls machine mail make man mesg metamail mkdir more movemail mpage mt mv netscape netstat nm objdump perl pgp ping ps pwd rcp resize rm rsh sed sendmail sh sort strip stty tail tar tcsh tee test tgif top tput tr tty uname vacation vi virtex w wc whereis xbiff++ xcalc xdvi xhost xterm

在BP訓練中對其進行編碼并生成特征向量，通常在訓練數十個周期后，BP神經網絡便能夠準確地識別非可執行行為，從而高速判斷是否存在入侵活動。此外，在訓練過程中可以加入用戶行為模擬，對不同行為發生頻率進行聚類，然后根據不同聚類行為可能產生的影響進行事件產生規則設定，能夠在BP神經網絡基礎上再構建非監督性學習模型，進一步提高神經網絡識別入侵行為的效率。

4 人工智能技術在計算機網絡中的應用

策略

4.1 強化技術研發與創新

人工智能算法是人工智能技術的核心，決定了其在各種應用場景下的性能表現。相關企業需要持續投入研發力量，不斷優化和改進AI算法，以增強其在計算機網絡技術中的應用效果，這包括提高算法的準確性、降低誤報率、加快處理速度等方面。只有算法不斷優化，才能確保人工智能技術在計算機網絡技術中發揮出更大的作用。隨著人工智能技術的不斷發展，其應用場景也在不斷拓展。相關企業需要關注行業趨勢，了解用戶需求，積極探索人工智能技術在計算機網絡技術中的新應用場景。例如，在網絡安全領域，人工智能技術可以幫助相關企業快速識別并防御網絡攻擊；在大數據分析領域，人工智能技術可以幫助相關企業挖掘出數據中的隱藏價值；在云計算和物聯網領域，人工智能技術也可以發揮重要作用。相關企業不斷拓展新的應用場景，能夠進一步推動人工智能技術在計算機網絡技術中的發展。只有將人工智能技術與計算機網絡技術緊密結合在一起，才能充分發揮出人工智能技術的優勢，這需要相關企業加強跨領域合作，推動不同領域之間的技術交流和融合。只有這樣，相關企業才能打造出更加智能化、高效化的計算機網絡系統。

4.2 構建安全可靠的AI應用環境

人工智能技術往往涉及大量的數據傳輸和存儲，如果網絡安全防護不到位，這些數據就可能面臨被竊取、篡改或濫用的風險。因此，相關企業需要采用先進的網絡安全技術，如防火墻、入侵檢測系統、數據加密等，來確保網絡系統的穩定性和數據的安全性。一些不法分子可能會利用人工智能技術的漏洞或弱點進行攻擊，如利用人工智能技術制造虛假信息、實施網絡詐騙等。為了防止這種情況的發生，相關企業需要加強對人工智能技術的監管和審核，及時發現并修復潛在的安全隱患，同時提高用戶的防范意識，避免被不法分子利用。在人工智能技術的應用過程中，用戶的個人信息和敏感數據往往會被收集和存儲。為了保障這些數據的安全和隱私，相關企業需要建立完善的數據保護機制，如數據加密、匿名化處理、訪問權限控制等。同時，相關企業還需要加強對數據使用情況的監管和審計，確保數據不會被濫用或泄露。

4.3 推動跨學科合作與交流

人工智能技術在計算機網絡技術中的應用，涉及計算機科學、數學、物理學、心理學等多個學科領域，這種跨學科的特性要求相關企業必須打破傳統的學科壁壘，匯聚不同領域的專家學者，共同研究人工智能技術在計算機網絡技術中的應用問題。跨學科的合作與交流，不僅可以為人工智能技術在計算機網絡技術中的應用提供新的思路和方法，還可以加速技術突破和應用創新。例如，在計算機網絡安全領域，人工智能技術可以幫助相關企業更準確地識別網絡攻擊行為，提高網絡防御能力；在計算機網絡優化方面，人工智能技術可以通過分析網絡流量數據，優化網絡資源配置，提高網絡性能。此外，跨學科的合作與交流還可以促進學科之間的交叉融合，推動新學科的產生和發展。因此，在人工智能技術與計算機網絡技術的交叉融合中，相關企業應探索新的研究方向，如智能網絡管理、智能網絡服務等，這些新的研究方向將為計算機網絡技術的發展注入新的活力。

5 結束語

人工智能技術在計算機網絡領域的運用展現出無限的光明前景與巨大潛力。為充分發掘這一技術優勢，相關機構與部門亟待加大技術研發力度，持續創新，致力于構建一個既安全又可靠的人工智能應用環境。此過程中，強調跨學科合作的重要性顯得尤為關鍵，通過整合不同學科的知識與PcPE8QYIXSZPzX4GyZ9n2Uqa+hrlg02lVLmF6P1S+cw=智慧，可以更有效地發揮人工智能在計算機網絡中的核心優勢。同時，積極推動技術與實際應用的深度融合，不僅能夠顯著提升計算機網絡的性能與效率，還能為網絡安全加固提供強有力的智能支持。因此，全面深化人工智能技術在計算機網絡中的應用，將是推動該領域持續健康發展、邁向更高層次的重要途徑。

參考文獻

[1] 董新頤．大數據背景下AI技術在計算機網絡技術中的應用現狀及隱患研究[J]．軟件，2022，43（4）：145-148．

[2] 余月．大數據背景下AI技術在計算機網絡中的應用研究[J]．信息技術時代，2022（19）：94-95．

[3] 熊瑋．大數據時代人工智能在計算機網絡技術中的應用分析[J]．通信電源技術，2023，40（9）：178-180．

[4] 郭俊杰．大數據下AI在計算機網絡技術中應用研究[J]．網絡安全技術與應用，2023（2）：161-163．

[5] 梁思源．大數據下AI在計算機網絡技術中的運用探討[J]．網絡安全和信息化，2023（5）：54-56．

[6] 周能兵;齊世龍;劉棟．基于計算機視覺識別的AI技術在工地安全管理的應用[J]．建筑安全，2022，37（8）：74-77．

[7] 史紅麗．人工智能在計算機網絡技術中的應用[J]．有色金屬設計，2022，49（1）：63-65，69．

[8] 張澹．大數據下AI在計算機網絡技術中的應用研究[J]．科海故事博覽，2024（3）：7-9．