基于人工智能的网络安全检测与分解模型改进设计及其实现研究

摘要：随着现代计算机网络技术的全面应用和普及，网络安全已成为当今社会关注的重点。为实现网络安全的良好保障，以人工智能技术作为支持，对网络安全检测与分解模型的改进设计及其实现进行研究，包括网络安全检测现状，网络安全检测分解中的智能算法及其优化，人工智能支持下的网络安全检测与分解模型改进设计和实现分析。经研究可知，以往的支持向量机在网络安全检测与防护中存在一定不足。为有效应对其中存在的不足，需要在人工智能技术的支持下合理建立网络安全模型，以满足现代网络安全检测和分解等方面的实际需求。

关键词：人工智能技术；网络安全；检测与分解模型；模型改进；模型实现

一、前言

在现代网络安全检测与分解模型的研究和构建中，人工智能技术发挥着不可或缺的应用优势。基于此，该技术可被用作支持技术，结合网络安全检测及其分解等方面的实际需求，对相应的模型改进设计、实现及其应用测试等进行分析。如此方可对网络安全检测及其分解模型做出合理改进，从而使人工智能技术发挥出更好的应用优势，以满足现代网络安全检测及其防护等工作的实际需求。

二、网络安全检测现状

在当今大数据和云计算等先进技术的支持下，信息技术发展十分迅速。随着信息化技术的应用和发展，网络安全问题日益突出。因此，网络安全检测便受到网络信息领域和研究者们的高度重视。由于传统网络安全防御中的机器分类算法属于预防算法，其基本应用方法是根据目标网络实施防御，因此在实际的网络安全防护和管理工作中，此种智能算法并不能满足现代复杂网络的实际安全检测需求[1]。为有效解决传统的网络安全检测问题，支持向量机算法开始得到广泛应用。但是由于此种算法模型在实践应用中也存在一定不足，所以需要通过合理的措施对其进行改进，从而构建一个全新的网络安全检测和分解模型，以满足当前网络安全的实际检测需求，为信息化时代中的网络安全防护工作提供良好保障。

三、网络安全检测与分解中的传统智能算法及其优化措施

（一）传统智能算法

当前的网络攻击行为具有越来越显著的变化性与模糊性特点，其复杂性也在逐渐提升，使很多传统算法并不能有效满足其实际的安全检测与管理需求。在此种背景下，基于机器学习的支持向量机算法便成为传统网络安全检测中的典型智能算法。该算法的基本实现过程是通过铰链损失函数对网络安全方面的经验风险值进行计算，并将正则化项加入求解系统，以实现该计算模型结构风险的合理优化，从而实现网络安全的合理检测与分解。该算法模型具备透明化的编程逻辑，可有效解决确定性分类问题，在高维度、小样本网络安全问题的检测与分解中比较适用[2]。同时，在统计学算法的支持下，该模型可对各类网络统计行为做出合理分类。但是在实际应用中，该模型所采集到的网络攻击数据通常为大噪声、非线性数据，样本分布也不够平坦，因此对模糊性网络攻击行为并不能做出有效检测[3]。

（二）传统智能算法优化措施

基于传统网络安全防御智能算法模型中存在的问题，此次研究主要通过以下几项措施对问题加以优化：

第一，合理解决该智能算法模型实际应用中的局限性问题。因支持向量机模型在训练过程中会给予全部训练点同等对待，所以在处理网络安全攻击行为时，不仅要使该智能算法模型的作用发挥到最大程度，还需要尽量对其非支持向量实施弱化处理。在此过程中，为使其分类器具有更高的学习效率，可将模糊支持向量机算法模型用作基本算法，用该算法对部分文本进行分类。如此便可有效降低非重要性网络攻击对分类结果的干扰，使获取的网络安全检测与分解结果更加科学、准确。

第二，针对具体分析中的回归问题以及非线性分类问题，可通过核函数选取的方式来加以解决。若支持向量机算法模型以及模糊支持向量机算法模型中只含有单个核函数，在对网络安全实施检测与分解的过程中，不同对象之间存在的差异性将很容易对分类结果产生不利影响。为降低上述不利影响，就需要通过大量经验的支持来完成，从而使核函数的获取难度显著增加，网络安全攻击行为也难以实现科学高效的自动化分类。

四、人工智能支持下的网络安全检测与分解模型改进设计和实现分析

（一）模型设计分析

根据上述智能算法优化思路及其优化措施，主要以混合核函数支持向量机算法模型作为依据，提出了一种网络安全检测与分解模型的改进设计方法。该智能算法模型可在计算机的支持下，对网络安全攻击行为做出自动化检测和分解处理。在此过程中，其混合核函数算法模糊化模拟网络信号特征值的措施将以创建模糊隶属度矩阵的形式来实现。对于获取的函数，该模型可通过训练其线性组合参数值以及权重的方式，合理构建支持向量机分类器智能算法模型。具体构建时，其基本流程包括以下几个方面：

第一，完成支持向量机算法模型的初始化。

第二，完成数据集的模糊化。

第三，完成模糊支持向量机算法模型构建。第四，完成核函数组合以及相应的参数学习。第五，混合核函数支持向量机算法模型构建及其参数设置。

在此过程中，其基本的设计方法如下：

第一，对Libpcap函数进行调用，以该函数为基础，对网络端口和过滤机制等实施初始化处理，之后进入循环捕捉包流程中，对获取的所有数据包实施解析处理。此次研究中，在实际网络条件下获取的数据包共有20个，其中的10个是训练集环境类型的数据包，另外10个是随机选取的测试环境类型的数据包。

第二，将支持向量机算法模型中所具备的严谨统计学习理论作为支持，对获取的数据包实施数据分类处理。在此过程中，可将Linux2.4用作操作系统，将GCC+C用作编译器，采用Libpcap工具对数据包进行捕捉[4]。因该智能算法模型在高维度、非线性小样本识别中十分适用，且较其他最小化风险算法的泛化能力更强，所以在实际应用中可显著缩短智能算法模型的训练及其识别时间。

（二）模型实现分析

在此次基于人工智能支持向量机算法所研究的网络安全检测与分解模型改进过程中，该改进智能算法模型的主要实现过程如下：

第一，对特征矩阵里的数据实施归一化处理，按获得的处理结果建立分类数据模糊集。

第二，对于抓取的各个样本点数据包，应通过上述模糊集合理确定其模糊隶属度，再以此为依据对各类核函数进行合理选择和组合处理。

第三，利用抓取的数据包中的数据对支持向量机进行训练，并以此为依据来测试样本。以下是该改进智能算法模型实现过程中的主要逻辑步骤。

1.packet结构的实现

采用链路层中的Libpca工具捕捉和分析数据包，将分析结果储存在Packet内。其具体实现过程如下：

第一，将当前分析获得的current-off位置指向原始包头（以太网）的包头位置作为依据，对原始包里的ipv4以及ipv6包头位置做出科学确定。

第二，对于检测出的错误对包，应做好错误码存放，之后再指向原始数据包里的tcp头位置。

第三，上述过程完成后，方可进入下个packet处理过程。

2.statistic统计量确定

采用数据统计量统计接收到的数据包基本情况，该过程中的处理代码如下：

struct statistic{

u-int32-t pkt-get;

u-int32-t too-small-ip-header;

......

}

3.特征空间映射

以一个非负映射C的形式合并每一个特征空间映射，使合并之后获得的结果核也可以满足Mercer的基本条件。以下是特征空间映射的数据公式：

（1）

φ（x）代表特征空间映射合并之后获取的结果核，M代表Mercer条件，ωk代表各个特征空间映射的空间维度，φk代表特征空间映射数据集，k代表特征空间映射数量。具体计算时，考虑到不同隐式映射都可能存在一定的维度差异性，从而使以上数据公式的线性组合具有更高难度。为使其变换保持一致，此次研究又引入了一个新的映射数据集（φ=φ1，φ2.φ3，...，φM），将该数据映射集构建到原始的数据映射集上，便可使所有数据映射集中的映射维度都具有统一性特征。经上述处理之后，核函数映射数学模型便可在核映射的支持下实现从低维度空间到高维度空间的合理转变。以下是其数据变换公式：

（2）

在保障各个特征空间映射具有相同维度的基础上，我们可对其实施线性合并处理，同时对其做出较好的定义。对于上述的每一个元素维度，在合理进行统一处理之后，可按照以下公式来合理确定其表达式：

（3）

J（U，V）代表经统一先行合并处理之后获得的特征空间映射结果，即目标函数；U代表隶属度矩阵；V代表特征空间映射数据聚类中心；N代表数据集里的所有样本总数；C代表聚类处理过程中的类别总数；i代表第i个样本；umic代表第i个样本在第c个类别中的隶属度；m代表隶属度因子，其基本作用是对隶属度具体的模糊程度进行调整，若m的值在1以上，其值越大，算法模糊程度也将越高；d（xi，vc）代表第i个样本和第c个类别中心之间的距离，即距离函数。

在这样的情况下，获取的特征空间映射结果便会形成一个全新的正交基，通过对这个新正交基的合理分析，便可对获取的数据集做出有效训练，从而实现网络安全攻击行为的合理分类、检测与分解处理，为后续的网络安全防护工作提供有力支持。

在此过程中，模糊因子的确定对于支持向量机算法模型的应用性能具有决定性作用。确定的模糊因子值越小，其训练作用也会越低。如此便可显著降低其在支持向量算法模型分类器中的影响程度，从而获取更加科学准确的分类结果，以满足现代网络安全检测与分解过程中对于智能算法模型的实际应用需求，确保该模型改进设计效果[5]。

（三）模型应用测试分析

1.测试方法

在通过上述方法对基于人工智能的网络安全检测与解析模型进行改进设计之后，为确定改进模型的应用效果，特通过试验的方式，对其实践应用进行了测试[6]。具体应用测试中，所选的测试系统为Windows 10操作系统，其内存是8GB，CPU是Intel core型，算法模型程序的运行环境是Matlab。将该网络安全检测与解析智能算法模型部署在一广播局域网条件下，按上述参数设置情况对网络安全检测与分解过程中抓取的数据包进行训练与测试，其攻击测试方式主要包括tracert6命令测试以及ping6命令测试等（见表1）。

2.测试结果

在通过此次改进之后的智能算法模型对此次应用测试中的网络安全进行检测与分解之后，经实践应用中的分类结果数据分析发现，该模型获取的网络安全攻击行为检测与解析结果准确率超过90%，明显高于传统检测与解析结果准确率。表2为基于人工智能的网络安全检测解析改进模型实践应用中的网络安全检测与解析结果准确率及其和传统模型对比情况。

由此可见，改进之后的智能算法模型较传统智能算法模型具有更高的网络安全检测与解析准确率。将其合理应用到网络安全防护工作中，可更准确地检测出相应的攻击行为，从而将具有攻击性的数据包有效去除，为网络安全提供良好保障。

五、结语

综上所述，在对网络安全进行检测与解析的过程中，传统的支持向量机智能算法模型适用条件比较有限，并不能充分满足当前的网络安全检测、防护及其管理等实际需求。基于此，本次研究便提出了一种基于人工智能技术的混合核函数模糊支持向量机算法模型。经合理的设计与测试可知，该模型在网络安全攻击检测及其解析工作中较传统模型更具优势，可获取更加准确的攻击行为检测结果。

参考文献

[1]广州大学.一种针对模型反演攻击的检测方法[p].中国： 202410822970.3，2024-07-26.

[2]鹰潭冰雪网络科技有限公司.基于人工智能的网络安全漏洞位置检测系统及方法[p].中国：202410577791.8，2024-07-09.

[3]邹雨琛，郑志慧.人工智能在网络安全中的应用与挑战[J].信息记录材料，2024，25（06）：173-175.

[4]虢莉娟.人工智能技术在网络安全检测中的应用研究[J].科技资讯，2024，22（11）：21-23.

[5]鲍剑飞.基于人工智能的入侵检测与预警系统研究[J].数码设计，2024（08）：87-89.

[6]环球数科集团有限公司.一种基于人工智能的涉诈网址检测系统[p].中国：202410217934.4，2024-04-02.

作者单位：川庆钻探工程公司钻采工程技术研究院

责任编辑：王颖振 郑凯津