人工智能在计算机网络技术中的应用

2022-10-18史晨莹

通信电源技术 2022年11期

史晨莹

（61623部队，北京 100089）

0 引言

21世纪已经进入了智能化和信息化的时代，人们对计算机网络技术的安全需求和突然需求已经逐步提升，生活中已经处处透着智能化的影子。人工智能（Artificial Intelligence，AI）技术的融入大大提高了人们的生产生活效率，为科学技术前沿领域拓展提供更多新的可能。人工智能与计算机网络技术密切结合，以推动人工智能在计算机网络中的应用，充分发挥人工智能的关键性作用。

1 AI与计算机网络技术的关系

AI是一种综合性学科，它不仅涵盖了计算机网络技术，还包括生理学、心理学、语言学，能够通过人类的编程，以先进的科学技术对人类社会进行模拟，向AI发出一系列的指令，进行自主学习，更好地服务于人类。AI主要发展经历了3个阶段，包括逻辑推理、工作环境交互工作、自主学习能力[1]。

AI在计算机网络技术中的应用不仅可以帮助人们做好模糊数据，对数据进行分类管理，实现新型的区域化和便捷性，还可以根据逻辑推导作用和系统分层管理等计算机网络系统的功能，对各个信息进行协调调度，并进行智能化的处理，能够大大提高数据管理的有效性和实际性，真正实现用户的更深层次需求满足[2]。

AI与计算机网络技术是相互联系、相辅相成的。AI可以设计研发出更多符合个性化需求和时代发展需要的计算机网络技术，也可以让计算机网络技术渗透到各行各业当中，利用自身经济的发展优势与各行业渗透结合，使其应用领域得到更宽更深层次的延展[3]。计算机网络技术的发展，也可以使AI寻求更多的发展方向，更深层次科技的发展，既可以为AI提供坚实的智力保障基础，为提供好的模仿人类智慧思维助力，真正实现人性化发展，为人类服务。从二者的关系来看，AI在计算机网络技术当中应用是必然的，也是必须的。

2 AI在计算机网络技术中的应用

目前，互联网信息化发展越发成熟，但信息安全却受到网络入侵、病毒入侵等挑战。在此基础上，通过AI技术优化安全算法，实现各项数据优化管理，提升数据处理效率和准确度。

（1）AI具备更优的信息深度特征，不仅有助于安全优化过程中扩大信息规模，而且实现了网络数据多样化的特点[4]。

（2）AI具备管理性和稳定性特征，在进行算法优化调整过程中，有效增加了算法处理数据能力、数据交互性等，一定程度提升了网络信息安全算法运行实现效率和准确率。

（3）由于AI技术具备信息交叉验证、大量数据分析等特征，当网络信息安全受到分布式入侵、密码学入侵、协作入侵等攻击时，AI技术通过机器学习算法深度优化数据结构类型、分析数据源信息、分析密码资源信息，进而通过海量数据库信息分类检测分析后，实现安全保护系统的构建等，以降低网络信息遗失率，保障计算机信息系统更加稳定、安全、高效的运行，同时协同优质算法分析实现信息安全[5]。

2.1 AI数据安全优化算法及应用优势分析

选取 KDDCUP99 网络数据为安全算法对象，以AI及时性、高效性为技术基础，通过机器学习算法对计算机网络数据安全性、稳定性、多样性以及灵敏性等测试分析。在网络数据安全运营中，病毒入侵是数据损害的主要来源，而AI面对入侵损害，能及时协同机器学习算法提前进行预估评判，相比较传统数据安全算法，其工作效率、识别精度更为优质。

在网络安全管理中，AI技术协同机器学习算法对网络系统信息进行了解，进而实现对网络不确定性信息可控，提升了数据安全性[6]。

在网络信息安全实际应用中，网络安全算法在AI的辅助下，实现了对网络数据安全的定期有效检测，同时利用算法卷积运算能力，实现了在学习、数据处理过程等非线性方面解决问题能力的快速提升。

2.2 结果与分析

依据AI技术特征，选取ConversionMatrix 衡量网络数据安全性能，并通过准确率、精确率、召回率、真负率以及F度量（F-measure）等5方面进行算法优化调整后安全性能评估分析。

（1）准确率。图1为传统算法与基于AI的机器学习方法分析数据准确性示意结果。通过图1可知，传统K均值聚类算法（K-means clustering algorithm，K-means）算法准确性最低，为60.1%，优化后机器学习方法模糊光滑支持向量机（Fuzzy Smooth-Support Vector Machines，FS-SVM）算法准确性最高，为84.03%，两者算法精度相差23.93个百分点，表明经AI技术协同后机器学习算法对入侵式安全的检测结果更优，适用性和安全性更为出色[7]。

图1 网络数据传统算法和机器学习算法间准确率分析

（2）精确率。精确率是用于网络安全性能比较的另一个重要参数，其精确率变化表明正确预测的攻击与总预测攻击的比率。比较分析后，支持向量机（Support Vector Machine，SVM）模型和FS-SVM 算法精度值分别为98.02%和97.98%，显著优于传统算法精度。

（3）召回率。传统方法与改进后方法比较示意图如图2所示。召回率指标是分析预测的攻击观察值与实际攻击等级中所有观察值比率变化的重要指标，通过图2可知，机器学习FS-SVM 算法精度值最高（78.89%），与传统方法相比，该方法具有较高的查全率，同时高召回率结果表明在网络数据安全分析预测中，以对最相关数据进行了选取[8]。

图2 传统方法与改进后方法比较示意图

（4）真负率。真负率参数是正确的正常预测与正常观测总数比率的指标。通过图2可知，相较于传统方法，AI模式下的机器学习算法真负率高达96.16%，相较于其余指标结果更为出色，表明提出的模式也比传统检测到更多的正常数据。

（5）F度量。F 度量指标用于测量分类器的有效性，同时该指标明确精确性和召回率指标加权平均值，F度量也称为传统测量或平衡F-score。它不仅考虑了假阳性和假阴性，而且提升了筛选类型，提升了数据安全性能。结果表明，该方法比传统方法具有更高的故障检测率，故障检测率为87.41%，在入侵检测评估参数的各个方面都有较好的性能。

以AI特征开展互联网信息安全优化算法研究，通过对AI技术的数据安全算法设计分析、数据集算法优化分析和优化调整后，通过Spark工具对传统算法与AI技术的机器学习算法进行 5 项关键要素分析，并得到以下相关结论。

（1）Spark工具进行大数据入侵检测时，具有优化特征选择的支持向量机F比传统更适合于大数据入侵检测。

（2）与传统相比，准确率、精确率、召回率、真负率和F-measure 等所有评估参数都显示出更好的结果。

（3）与传统相比，优化的基于AI的机器学习算法所需的执行时间更少，能有效实现数据分类管理、防止病毒入侵等，准确地将数据分类为攻击或正常[9]。

3 AI在计算机网络技术中的应用展望

当前AI已经深入到人们生活的方方面面，生活中的每一台电子产品都体现着AI以人性化为需求的发展标准。在当前计算机网络盛行的时代里，保护自身的信息安全，提高计算机系统运行的稳定性，更深层次的延展计算机网络技术，AI的加持是不可避免的。由于计算机网络的普及，人们的工作和生活都越来越依赖于网络结合AI[10]。用好计算机网络，可以推动时代的发展，真正的让人性化的需求和智能的科技，服务于我们的生活。相信不久的将来，更深层次地使AI与计算机网络技术相互结合，打造更好的智能化时代。