前言：中文期刊網精心挑選了網絡安全與人工智能范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
網絡安全與人工智能范文1
關鍵詞：人工智能；計算機網絡技術；應用探究
關于人工智能技術，通過各領域的發展與應用逐步進入人們的視線，當下人工智能已經在市場上得到充分應用，該技術帶給人類社會生活以一個全新的生活體驗，教會人們如何正確利用計算機網絡技術處理生活中的一些事情。人工智能技術以人性化、智能化為出發點，利用計算機網絡技術的智能化運算，可以幫助人們完成一些程序較為繁瑣、多重復性的計算工作。例如財務會計領域中的財務數據計算工作，利用人工智能技術可以高效、準確地計算出財務數據，在很大程度上幫助財務人員減輕工作負擔。生活中的人工智能系統同樣給著人類社會全新的體驗。于此同時，人工智能在我國工業領域、計算機網絡技術領域中都已經得到了廣泛的應用，并已經受到了來自社會上多個領域的好評。人工智能一直以來都在計算機網絡技術領域有著頗深的造詣，它在計算機網絡技術中的具體應用一直以來都受到了來自各界的關注。
1人工智能的概念
人工智能這個詞匯在當今時代背景下已經成為了一個常見詞匯，該技術的出現給人類社會帶來的作用是顯然可見的。那么什么是人工智能呢？人工智能（ArtificialIntelligence），英文縮寫為AI，是集研究開發模擬人類行為以及思考能力的一種科學技術，該技術主要以研究人類具體行為為依據，對計算機進行編程，利用計算機網絡技術來實現模仿人的行為、人的思維、人的語言交流能力、人的思考問題的能力等等。新時代背景下，以計算機網絡技術為基礎實現的人工智能在擁有人類智慧的同時還將具備計算機網絡的強大計算能力和執行能力，與人類不同的是，人工智能在使用過程中并不會出現對飲食和睡眠的需求，強大的計算機執行程序使得他們可以長時間按照計算機指令去執行重復的工作。自人工智能誕生以來，伴隨著計算機網絡技術的不斷成熟，人工智能理念與技術都在不斷進步，人工智能所應用到的領域也在不斷擴大。但需要意識到的是在研究人工智能的過程中，必須始終堅著最初的發展理念，堅持以造福人類社會為研究目的，明確人工智并不是人的智能，而是利用高新技術創造出可以像人類一樣思考的智能。就目前的發展而言，人工智能在自我思考這一模塊還缺乏一定的理論性與創造性。相信不久之后人工智能技術將會發展的更加成熟，給人類社會的發展帶來更多的便利。
2人工智能在計算機網絡技術中應用的可行性分析
人工智能之所以能夠被應用到計算機網絡技術領域中，其根本原因在于人工智能具有高度的可行性。它自身具有的獨特特點，使得其可以在運行過程中彌補計算機網絡技術中存在的一些不足和緩解計算機網絡技術存在的局限性問題。首先，人工智能能夠從真正意義上實現對計算機網絡中的一些不確定信息的高效處理，該處理模式更加符合實際情境中的根本需求，使得應用結果較為理想。一旦計算機網絡系統因為一些原因系統資源發生變化時，單一依靠計算機網絡技術很難找到有效的信息，進而獲取到準確的信息數據。但是依靠人工智能就可以解決計算機網絡技術中存在的缺陷，當系統資源發生變化時，利用人工智能可以在短時間內完成對系統資源的掌握和跟蹤任務，進而獲取到相關的系統數據信息，根據查詢到的信息的詳細程度，復原發生變化的系統資源，給客戶提供更具有時效性和真實性的信息化數據。人工智能具備的另一特性是協作能力，這一能力的開發使得人工智能在信息整合處理環節將一些工作中相對其他信息較為有效的信息篩選出來，進而實現信息共享，完成信息傳輸工作，這將會在很大程度上提高日常工作效率。給以人類社會以更好的服務體驗，這種高效的協作能力正是當今時代背景所需要的。人工智能主要以模仿人的思維能力和行為能力為創作源頭，在制作過程中我們對人工智能的要求往往是非常高的，這種情況之下使得當今時代背景之下的人工智能已經具備了特別強大的學習能力與運算能力，這使得人工智能在計算機網絡技術中可以得到更好的應用，在計算機網絡技術中引入人工智能，可以在很大程度上提高計算機網絡程序的推算能力，加強計算機網絡技術中信息處理的效率。人工智能具備了強大的處理問題的能力，這一能力的出現將會給計算機網絡技術的發展帶來很大的促進作用。在日常網絡運營過程中，要想構建一個安全的用網環境，就必須做好系統的安全防護工作。人工智能可以在實現提高網絡管理工作高效性的同時，還能夠有效地檢測好各個網絡環節中的資源應用的安全性，做好系統安全管理工作，使得計算機網絡在保證安全環境的同時提高網絡管理工作的工作質量，這對計算機技術有著很高的要求標準。
3人工智能在計算機網絡技術中的具體應用
3.1人工智能在計算機網絡安全方面的應用
3.1.1在智能防火墻中的應用目前，人工智能在計算機網絡安全方面得到了很好的應用，同傳統的計算機網絡安全防火墻相比利用人工智能所形成的智能防火墻在網絡安全維護工作方面上能夠更好地發揮其智能防護作用。智能防火墻也具備著更高的安檢效率。利用人工智能，我們可以在智能計算機防火墻的設置中增設智能識別技術，這一技術可以更高效率地識別出系統內部的一些數據，進而做好網絡安全防護作用，防止病毒的傳播。
3.1.2入侵檢測的應用作用計算機網絡所處的環境是一個復雜性偏高的環境，入侵檢測往往是計算機網絡安全防護工作的重要組成部分。之所以要提出入侵檢測這一安全防護環節，其目的是為了檢測一些進入網絡系統的信息是否安全，營造一個安全的網絡運行環境。人工智能能夠強化計算機網絡系統的入侵檢測技術，在檢測入侵的過程中，能夠自動對系統內部的進行進行篩選、檢測，并及時形成分析完善的入侵檢測報告。
3.2人工智能在計算機網絡系統管理及評價中的應用
3.2.1人工智能問題求解技術人工智能問題求解技術的出現可以更好地幫助計算機網絡做好系統管理和評價工作，從根本上改變傳統計算機網絡技術中存在的一些不足，進而提高網絡資源的管理效率，增強網絡資源的利用率。在這一環節，智能求解技術可以幫助計算機網絡技術實現自動搜索、分析、求解操作，提高計算機網絡的搜索效率與搜索信息的準確度。能夠從多種同類信息中篩選出更加精確的信息，進而輔助用戶選擇出最優解。
3.2.2專家知識庫技術專家知識庫技術的出現主要是利用現代化人工智能與互聯網技術，將傳統的計算機網絡系統管理和評價經驗進行數據更新化處理，并重新進行網絡編碼、建立全新的數據庫，為了使得數據庫中的知識庫能夠更加專業化，需要同一些經驗成熟的專業進行協商，進而獲取到他們的支持，一同完成健全的計算機網絡系統管理及評價工作的構建工作。
網絡安全與人工智能范文2
【關鍵字】人工智能，計算機網絡技術，措施手段
中圖分類號：G623文獻標識碼： A
一、前言
人工智能手段在我國的很多的領域都有所涉及，人工智能的應用不僅僅方便了人們的生產生活，而且有助于我國各項科學技術的運行和發展。我們根據現今先進的人工智能的計算機網絡應用模式進行了具體的分析和探討，有如下的幾點結論，希望有一定的借鑒作用：
二、人工智能
1.人工智能(Artificial Intelligence)簡稱AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能研究如何用計算機去模擬、延伸和擴展人的智能；如何把計算機用得更聰明，如何設計和建造具有高智能水平的計算機應用系統。人工智能是相對于人類智能而言的，它是采用人工的方法和技術來模擬、延伸和擴展人類智能行為的一門綜合學科。隨著計算機硬件和軟件突飛猛進的發展、計算機速度的不斷提高、存儲容量的不斷擴大、價格的不斷降低以及網絡技術的不斷發展，許多原來無法完成的工作現在已經能夠實現，AI具備了更多的現實應用的基礎，AI研究出現了新的。目前人工智能研究的3個熱點是：智能接口、數據挖掘、主體及多主體系統。
2.智能接口技術是研究如何使人們能夠方便自然地與計算機交流。數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。主體是具有信念、愿望、意圖、能力、選擇、承諾等心智狀態的實體，比對象的粒度更大，智能性更高，而且具有一定自主性。下一步就是模仿人類右腦的模糊處理功能和整個大腦的并行化處理功能。人工神經網絡是未來人工智能應用的新領域，未來智能計算機的構成，可能就是作為主機的馮．諾依曼型機與作為智能的人工神經網絡的結合。研究表明：情感是智能的一部分，而不是與智能相分離的，因此人工智能領域的下一個突破可能在于賦予計算機情感能力。情感能力對于計算機與人的自然交往至關重要。
3.在人工智能中，這樣的領域包括語言處理、自動定理證明、智能數據檢索系統、視覺系統、問題求解、人工智能方法和程序語言以及自動程序設計等。隨著計算機網絡的普及，特別是Internet的出現，各種計算機技術包括人工智能技術的廣泛應用推動著人機關系的重大變化。據日美等國未來學家的預測，人機關系正在迅速地從“以人為紐帶”的傳統模式向“以機為紐帶”的新模式轉變。人機關系的這一轉變將引起社會生產方式和生活方式的巨大變化，同時也向人工智能乃至整個信息技術提出了新的課題。這促使人工智能進入第三個發展時期。在這個新的發展時期中，人工智能面臨一系列新的應用需求。
三、人工智能在網絡技術中的應用。
1.人工智能在網絡安全中的運用?；ヂ摼W將千千萬萬的用戶聯系起來。極大地方便了人類的生活。目前，威脅用戶個人資料安全的網絡隱患層出不窮。如果能將人工智能技術運用到網絡安全領域，將大大提高計算機網絡性能，確保用戶隱私得到充分的保護。人工智能具有處理不確定性以及不可知性的能力、協作能力、處理非線性能力、學習、解釋以及推理能力等，這些能力均在網絡安全領域得到了廣泛的應用利用統訓、記憶、概率以及決策等智能方法對數據進行甄別．達到訪問控制目的的智能防火墻技術以及利用基于專家系統、人工神經網絡、模糊識別、自治面向對象技術等開發的入侵檢測技術有效阻止了病毒的入侵．保障r資源的完整性、保密性和可用性。
2.人工智能Agent技術推動計算機網絡信息服務水平的提高。人工智能Agent技術的全稱為人工智能技術。通過每個Agent所有的知識域庫處理新信息，并給予其解釋推理機制對周圍環境進行判斷，當一個Agent獲得一項任務．利用便捷的通訊網絡，實現各個之間的相互溝通，共同完成任務。人工智能Agent技術具有自主性、學習型、協作性、個性化、智能化以及社會性等特征。該技術的運用使計算機能夠自動執行由人所分配的工作，大大改善了計算機的使用方式。促進了計算機網絡信息服務水平的提高。
3.軟件方面，新的開發工具不斷出現，使人工智能越來越方便地運用于各種領域。硬件方面，性能更好、價格更低的人工智能芯片，如模糊芯片、神經網絡芯片甚至“知識芯片”將不斷涌現，模糊計算機、神經計算機等新一代計算機將出現，以代替在該領域的數字計算機，這無疑又將給人工智能的實際應用帶來徹底革命。人工智能與計算機圖形學之間的相互結合和相互影響正在迅速地發展，新的智能自主圖形角色開始普及到游戲、動畫、多媒體、多用戶虛擬世界、電子商務和其他基于web的活動領域。智能自主圖形角色建模是多方面努力的成果，從底層的幾何模型、物理模型，中間層的生物力學模型到高層的行為模型。
4.由于計算機芯片的微型化已接近極限。人們越來越寄希望于人工智能能夠帶動全新的計算機技術的發展。目前至少有三種技術有可能引發新的革命，他們是光子計算機、量子計算機和生物計算機。根據推測，未來光子計算機的運算速度可能比今天的超級計算機快1000到1萬倍人工智能一直處于計算機技術的前沿，人工智能研究的理論和發現在很大程度上將決定計算機技術的發展方向。
四、“信息一系統一機制”方法論與人工智能的新進展
1.發現“智能生成的共性核心機制”和“人工智能的機制模擬方法”，在研究中體會到，雖然人類智能的定義相當復雜。但是依然可表述如下。智能所模擬的，實際上只是人類智能的“顯性智能”。于是，可把這個方法稱為“人工智能的機制模擬方法”，或簡稱為“機制模擬方法”。這是在新的方法論啟迪下發現的人工智能模擬的新方法。
2.發現“知識的生態學結構”根據“以信息觀、系統觀、機制觀為主要標志的復雜信息系統科學方法論”，發現了智能生成的共性核心機制是“信息一知識一智能轉換”。
3.發現“機制模擬方法是人工智能的統一模擬方法”把人工智能的機制模擬方法“信息一知識一智能轉換”與知識的生態學系統“經驗知識一規范知識一常識知識轉換”相結合，就發現：機制模擬方法可有四種具體的工作模式：
模式A：信息一經驗知識一經驗型智能策略轉換(人工種經網絡是它的特例)；
模式B：信息一規范知識一規范型智能策略轉換(物理符號系統是它的特例)；
模式C：信息一常識知識一常識型智能策略轉換(感知動作系統是它的特例)；
模式D：信息一奉能知識一本能型智能策略轉換。
不難證明，基于結構模擬的人工神經網絡方法就是機制模擬方法的模式A，它們都是利用經驗知識生成經驗型智能策略?；诠δ苣M的物理符號系統方法就是機制模擬方法的模式B，它們都是利用規范知識生成規范型智能策略。把原先看不見的本質聯系揭示出來，這就是先進方法論的威力。
五、結束語
綜上所述，我國的人工智能的科學技術已經有了很大的突破和創新，科學技術與計算機網絡在人工智能上的應用和發展是顯而易見的。因此，相信只要在我國科學家的不斷探索和研究下，會有更加廣泛的人工智能的應用，我國的各個領域的生產生活也會更加的智能化和系統化。
參考文獻：
[l]蔡自興。徐光佑．人工智能及其應用．北京：清華大學出版社，2012.
[2]劉樹玲．基于Internet的草坪病害診斷專家系統．華中農業大學．2013.
[3]廖桂平．棉花病蟲草害診斷與防護專家系統．湖南農業大學．2012.
網絡安全與人工智能范文3
關鍵詞：大數據；計算機網絡；人工智能；神經網絡系統
中圖分類號：TP393
文獻標志碼：A
0引言
近年來，大數據、云計算、AI、5G等許多新名詞不斷涌現，推動信息技術發展進入了新紀元。在金融科技的推動下，各大券商也相繼開始了人工智能項目的研發，將券商業務與AI相融合，已經成為時下的一門熱點話題。從現階段部分證券公司推出的一些APP來看，人工智能主要在智能服務、量化交易、精準分析等方面，展現出了明顯的優勢。通過開展人工智能在證券領域的應用研究，目的在于人以大數據、物聯網為依托，進一步提高“智慧證券”的成熟度，在為客戶提供個性化服務，精準化預測等功能的基礎上，探索大數據時代券商行業發展的新路徑[1]。
1大數據與人工智能的關系
1.1人工智能是大數據技術應用的基礎
大數據時代，數據的海量化特征，導致有效數據的篩選和提取難度增加。AI技術的應用，能夠通過人工設置篩選條件的方式，以極高的速度對數據庫中的數據進行過濾，其中符合篩選標準的數據會被留下來，存儲在數據庫的一個獨立單元內，而其他不符合使用需求的，則被視為無效數據被清除。這樣既可以釋放更多的存儲空間，同時也進一步提高了有效數據密度，為下一步數據的整合、利用奠定了基礎。AI還具有自主學習功能，隨著應用時間的延長，應用領域的擴展，智能化程度也會不斷提升，在支持大數據技術應用方面也會發揮更大的作用。技術人員可以深化AI研究與開發，利用其強大的學習能力，在提升客戶服務體驗、增強券商風險防控能力上，發揮大數據技術的應用價值。
網絡安全與人工智能范文4
關鍵詞:支持向量機;網絡安全;風險評估;統計學習理論
中圖分類號:TP393.08文獻標識碼:A文章編號:1009-3044(2009)33-9380-02
Study on the Network Security Risk Evaluation SVM and ANN
GAO Shu-tao
(Hunan Foreign Economic Relations & Trade College, Changsha 410114, China)
Abstract: In this paper, SVM and ANN in the network security risk assessment carried out a comparative study of the application, first introduced the working principle of ANN, and then the two methods are respectively applied to the network security risk assessment, their assessment results were compared. The results showed that SVM training samples in a small classification accuracy rate, generalization ability and training, test speed, are superior to ANN, is a more superior risk-assessment methodologies.
Key words: support vector machine; network security; risk evaluation; statistical learning theory
近年來,網絡安全逐漸成為人們關注的焦點,而網絡安全的核心就是對網絡系統進行風險評估[1]。風險評估是從風險管理角度出發,運用科學的方法和手段,系統地分析網絡與信息系統所面臨的威脅及其存在的脆弱性,評估安全事件一旦發生可能造成的危害程度,提出有針對性的抵御威脅的防護對策和整改措施,將風險控制在可接受的水平,從而最大限度地保障網絡信息系統的安全。
1 風險評估中的ANN方法
ANN是人工智能方法的重要分支,是一門交叉學科,在許多領域得到了越來越廣泛的應用[2]。ANN具有高度的非線性映射能力,強大的自學習、自適應能力和優良的聯想記憶功能。ANN模型主要有:Adaline,BPNN,RBF網絡以及Hopfield網絡等,其中BPNN是最典型的ANN,本文的ANN采用BPNN。
1.1 BPNN的結構
BP神經網絡學習算法,實現了多層網絡設想,是目前最成熟、應用最廣泛的ANN之一[3]。最基本的BPNN是一種二層前饋網絡,它不僅含有輸入層和輸出層,而且含有一層或多層隱含層。本文用網絡安全風險評估指標變量作為輸入層,風險評估值作為輸出層,則輸入層含有12個節點,輸出層含有一個節點,輸入信號先向前傳遞到隱含層,經過處理后,再把隱含層的輸出信息傳遞到輸出層,最后得到輸出結果。節點的激發函數一般選用Sigmoid型函數。BPNN算法的學習過程由正向傳播和反向傳播兩個階段。在正向傳播過程中,輸入信息從輸入層經隱單元層逐層處理后,傳至輸出層。每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到期望輸出,那么就轉為反向傳播,將實際值與網絡輸出之間的誤差沿原來連接的通路返回,并通過修改各層神經元的連接權值,使誤差減小,然后再轉入正向傳播過程,反復迭代,直到誤差小于給定的值為止。
1.2 SVM與ANN的關系探討
統計學習理論和SVM的發展與ANN有著密切聯系[4],但目前尚沒有針對SVM與ANN關系的權威性定論,這主要是因為對于輸入輸出關系模型的分析也沒有統一的理論框架和認識。就如同計算智能與人工智能的關系一樣,連接主義與符號主義似乎是它們間的明顯區別,但從解決問題的本質上講也難以給出清晰的界限。本文主要從以下幾個角度對他們之間的關系做出簡要分析探討。
從統計學習的角度:兩者具有相同的學習過程的統計性質,其實質都是在觀測得到的訓練樣本集基礎上,實現一組輸入一一輸出映射函數模型。SVM很好的實現了統計學習中的結構風險最小化(SRM)原則,ANN則應用經驗風險最小化(ERM)原則,但在實際的ANN模型設計中,設計者已將SRM原則蘊含在經驗或先驗知識當中。另外,當SVM采用Sigmoid型核函數時就構成了一個兩層的前饋網絡。在此方面,更多學者認為可以將ANN如同SVM一樣納入到統計學習的背景之下統一考慮。
從連接主義的角度:與ANN中的多層前饋網絡相比較,SVM也具有極為相似的組織結構;在某種意義上兩者是等價的,由前面輸入層到最后輸出層的轉換來完成測試任務;ANN作為連接主義的主要代表技術,更喜歡將SVM作為一種ANN模型來考慮,無非是一種隱層節點和中心向量由算法自動確定的多層前饋神經網絡。但ANN技術還包括除多層前饋神經網絡以外的自組織網絡和反饋網絡等結構模型,比SVM內容更豐富。
上述從不同的視角對SVM和ANN的關系進行了討論,可以看出兩者的基礎和本質是一致的,都是基于樣本數據,以連接為主要表現形式,來完成一個輸入一一輸出映射關系的學習模型;都是解決學習問題的技術方法。
2 SVM和ANN理論上的對比分析
SVM作為一種新近興起的機器學習模型,將其與流行的ANN機器學習方法進行對比分析是十分必要的,對深入研究機器學習具有重要意義。同時,理論分析與實際應用效果是否相一致也應是重點研究內容。
2.1 維數災難問題
SVM通過把處理約束最優化問題集中于其對偶問題,繞過了維數災難的困難,其推廣性與變換空間的維數無關,SVM通過引入核函數,將輸入原空間映射到非常高維的特征空間實現線性可分。映射后的特征空間可以很高,但并不增加網絡的復雜性。對于ANN而言,在少量樣本、高維的數據環境下,很可能導致網絡不收斂或訓練誤差很大,容易出現“欠學習”現象。
2.2 全局極值點問題
ANN中的誤差反傳算法一般都最小化一個二次損失函數,其基于最陡下降算法經常會出現多個局部極小點,有時還會出現平臺。當輸入向量X的維數N較大且網絡的規模很大時,還可能出現更多的局部極小點和平臺。SVM針對模式分類和非線性回歸等不同的學習任務構造不同的目標函數;并且SVM對任何學習任務都提供一種獨立于維數的控制模型復雜性的方法。SVM的訓練算法包含一個二次規劃問題,它能保證找到誤差曲面的全局極值點,并且計算可以被有效執行。
網絡安全與人工智能范文5
[關鍵詞] 電子商務 人工智能 數據挖掘
電子商務的飛速發展給全球經濟帶來的沖擊是巨大的。基于人工智能技術的電子商務將能更好地為其發展帶來良好的基礎，這一過程是電子商務向著良性發展的必然趨勢。本文從人工智能技術與電子商務的國內外動態、人工智能技術在電子商務中的應用例子，以及數據挖掘技術在Web上的應用等幾個方面對其進行論述。
一、電子商務與人工智能技術的國內外動態
1.省略域名22220個，BtoB電子商務市場廣闊，遠遠未達到飽和狀態，大量的服務和贏利渠道還處于空白狀態。電子商務不僅是企業建網站，宣傳企業產品及形象；也不是簡單的網上購物。真正的電子商務應該是以internet為核心的信息技術進行商務活動和企業資源處理，說穿了就是信息流的高效管理、增值運用。商務中國在開發的每個欄目力求幫助企業在客戶及供應商之間建立信息共享、高速流動，改變商貿傳統運作方式，在不受時間、地域限制的虛擬商業網進行交易。
本世紀90年代以來，取得了顯著效果的企業信息系統模式是外貿部門的edi系統、商業部門的商場信息系統以及制造業的mrpⅡ系統。這些系統的成功，主要是解決了過去手工作業的速度慢、效率低的問題。而國外在這一階段比較成功的一些例子是制造業的cals系統、流通業的edi和金融業的電子商務系統。這些系統的最大的特點都是在于企業之間的協作。1996年，日本將三菱汽車、日本電裝等汽車公司和部件公司聯合起來，成立了“v-cals聯合體”。它們的目標不僅是將新車的開發周期縮短一半，而且要將各種部件調撥活動的信息、cad設計信息、各種沖突、噪音試驗信息等構成共享數據庫，從而形成一個多企業的有機聯合體。
2.人工智能技術的國內外動態
從1956年正式提出人工智能學科算起，40多年來，人工智能學科取得了長足的發展，成為一門廣泛的交叉和前沿科學?？偟恼f來，人工智能的目的就是讓計算機這臺機器能夠像人一樣思考。如果希望做出一臺能夠思考的機器，那就必須知道什么是思考，更進一步講就是什么是智慧。什么樣的機器才是智慧的呢？科學家已經作出了汽車，火車，飛機，收音機等等，它們模仿我們身體器官的功能，但是能不能模仿人類大腦的功能呢？到目前為止，我們也僅僅知道這個裝在我們天靈蓋里面的東西是由數十億個神經細胞組成的器官，我們對這個東西知之甚少，模仿它或許是天下最困難的事情了。
當計算機出現后，人類開始真正有了一個可以模擬人類思維的工具，在以后的歲月中，無數科學家為這個目標努力著。現在人工智能已經不再是幾個科學家的專利了，全世界幾乎所有大學的計算機系都有人在研究這門學科，學習計算機的大學生也必須學習這樣一門課程，在大家不懈的努力下，現在計算機似乎已經變得十分聰明了。例如，1997年5月，IBM公司研制的深藍（Deep Blue）計算機戰勝了國際象棋大師卡斯帕洛夫（Kasparov）。大家或許不會注意到，在一些地方計算機幫助人進行其它原來只屬于人類的工作，計算機以它的高速和準確為人類發揮著他的作用。人工智能始終是計算機科學的前沿學科，計算機編程語言和其他計算機軟件都因為有了人工智能的進展而得以存在。
在大多數學科中存在著幾個不同的研究領域，每個領域都有其特有的感興趣的研究課題、研究技術和術語。在人工智能中，這樣的領域包括語言處理、自動定理證明、智能數據檢索系統、視覺系統、問題求解、人工智能方法和程序語言以及自動程序設計等。在過去30多年中，已經建立了一些具有人工智能的計算機系統；例如，能夠求解微分方程的，下棋的，設計分析集成電路的，合成人類自然語言的，檢索情報的，診斷疾病以及控制太空飛行器和水下機器人的具有不同程度人工智能的計算機系統。
人工智能理論進入21世紀，正醞釀著新的突破――人工生命的提出，不僅意味著人類試圖從傳統的工程技術途徑，而且將開辟生物工程技術途徑，去發展人工智能；同時人工智能的發展，又將作為人工生命科學的重要支柱和推動力量?？梢灶A言:人工智能的研究成果將能夠創造出更多更高級的智能“制品”，并使之在越來越多的領域超越人類智能；人工智能將為發展國民經濟和改善人類生活作出更大貢獻。
二、電子商務中應用人工智能技術
人工智能就是設計和開發出各種計算機程序來模擬人的思維結構、推理和求解問題的行為。由于人工智能的研究范圍十分廣泛，對電子商務也有多方面的影響。
1.數據倉庫
數據倉庫是把分布在網絡中不同信息孤島上的數據集成到一起，存儲在一個單一的集成關系型數據庫中。利用這種集成信息，用戶可以方便地對信息進行訪問，還可以使決策人員對一段時間內的歷史數據進行分析、研究，以獲得事物發展的趨勢。
數據倉庫有兩大優點：一是不必重新編制輸入（事務）處理系統就能夠建立一個結構化的環境，將輸出（決策支持）處理移入新環境（數據倉庫）中；二是數據倉庫建立概念模式（邏輯數據模型）、內部模式（歷史文件）和外部模式（數據倉庫）的三模式環境。其中歷史文件中的“多對多”（mn）維護關系可以簡化為三模式環境下的多個“一對多”（m*n）關系。
2.數據挖掘與知識發現
數據挖掘（DM. Data Mining）和數據庫知識發現（KDD. Kwowledge Discovery in Data base）是隨著數據庫技術、人工智能技術和網絡技術的發展而提名的。尤其是隨著電子商務的開展，信息總量不斷增加，更迫切地需要有效的信息分析工具，以便能發現大量商業數據間隱藏的依賴關系，從而抽取有用的信息或知識，指導商業決策。過去只有簡單的數據統計技術，還未達到成為智能數據分析工具。因此，在數據生成和數據理解之間還存在很大的差距。DM和KDD就是一種新型的數據分析技術，旨在從大型數據庫中提取隱藏的預測性信息，構建高校的數據倉庫，發掘數據間潛在的模式，以便于用理解和觀察的形式反映給用戶，從而為企業做出前瞻的，基于知識的決策參考意見。
DM與KDD需要解決的問題有：超大規模數據庫和高維數據；數據丟失；變化中的數據和知識；模式的易懂性；非標準格式數據；多媒體數據以及面向對象數據的處理；與其他系統的集成；網絡與分布式環境下的KDD問題等。
DM與KDD的區別是：KDD是一個綜合的過程，包括實驗記錄，疊代求解，用戶交互以及許多定制要求和決策設計等，而DM只是KDD中的一個具體但又是關鍵的步驟。當然，它們都對數據倉庫進行有效利用的技術手段。
3.生物認證技術
目前，許多磁卡、存單大都是用密碼來進行安全保障的，一旦密碼泄漏，也就不安全了。
在電子商務中，電子貨幣將得到急速的發展，對安全水平的要求也相應提高，從而帶動了人工智能的一個分支領域――生物認證技術的研究與開發。
生物認證技術是指利用人體某一具有特征的部位，或個人的習慣，如指紋、掌紋、手形、網膜、虹膜、臉形、聲紋及筆跡等來識別人們的身份的技術。這種識別技術與磁卡式的靠持有物認證的方法和密碼式的靠知識認證的方法相比，具有極大的優越性，它不會丟失、被盜和被偽造。
生物認證技術作為一種準確、快速和高效的身份認證方法，正應用于如銀行、海關、醫療保險、重要通道控制、信息網絡安全等領域。這是一項集現代化生物科技與計算機科學相結合的高科技實用項目。微軟公司宣布將把生物認證技術添加到自己的視窗操作系統中，這對這項新技術的發展將起到促進作用。
4.智能數據庫信息檢索
在電子商務平臺應用實踐中，如何根據用戶的意圖、興趣和特點自適應地和智能化地從現有的客戶信息、商品庫存信息等大量數據信息中對信息進行相關性排列，調整匹配機制，以獲得用戶滿意的檢索輸出，成為電子商務今后應用所面臨的一個技術問題。
三、結束語
本文從人工智能技術和電子商務在國內外的發展動態、人工智能技術在電子商務中的應用實例，以及數據挖掘技術在Web上的應用幾個方面對人工智能技術在電子商務中的應用進行了概括的論述。隨著電子商務的不斷發展和人工智能技術的不斷完善，兩者在各個領域、各個層次的相互融合將更加密切。作為各自的成功因素，電子商務和人工智能技術的融合必將成為一種關鍵技術。
參考文獻:
[1]王桂森李向陽楊立東:我國電子商務發展的制約因素分析[J].商業研究,2007，04
[2]（加）韓家煒堪博著范明孟小峰譯:數據挖掘概念與技術（原書第2版）[M].機械工業出版社，2007，03
網絡安全與人工智能范文6
【關鍵詞】大數據 人工智能 算法設計
1 大數據的發展概述
大數據指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合。大數據包括海量的數據信息與高強度的數據處理能力，大數據是相對于傳統數據處理應用程序來說，不足以處理大型、復雜的數據集的新型處理模式，包括分析、捕獲、數據整理、搜索、共享、存儲、傳輸、可視化查詢、更新和信息管理。大數據通常僅指使用預測分析、用戶行為分析或某些其他高級數據的分析方法，這些方法從數據中提取價值，很少涉及特定大小的數據集。數據集分析可以發現新的聯系與信息?？茖W家、企業高管、醫學從業者、廣告和政府都定期在互聯網搜集大數據，這些數據在金融、城市信息學和商業信息學等領域更為重要。科學家在電子科學工作中遇到了很多需要處理海量數據的問題，涉及氣象學、基因組學、復雜物理模擬、生物學和環境研究等。大數據包括文本、圖像、音頻、視頻，它通過數據融合可以完成未來數據的機器學習，大數據通常是數字交互的無成本的產品。越來越成熟的概念更清楚地描述了大數據和人工智能之間的區別，人工智能使用具有高信息密度的數據的描述性統計來測量事物、檢測趨勢等。大數據使用歸納統計和來自非線性系統識別的概念，從具有低信息密度的大量數據集中推斷出法則，例如回歸、非線性關系和因果效應，以揭示關系和依賴性或者進行結果和行為的預測。
2 大數據技術中的算法分析
2.1 神經網絡算法
神經網絡系統是由眾多的神經元可調的連接權值連接而成，具有大規模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。神經網絡是一種計算方法，基于神經單元的大集合，解決由軸突連接的生物神經元的大群集的問題。 每個神經單元與許多其他神經單元連接，并且可以對所連接的神經單元的激活狀態影響中實施抑制。每個單獨的神經單元可以具有將所有其輸入的值組合在一起的求和功能。在每個連接和單元本身上可以存在閾值函數或限制函數，使得信號在傳播到其他神經元之前必須超過極限。這些系統是自學習和訓練的，而不是明確編程的，并且在傳統計算機程序中難以表達的，這種方案在特征檢測領域中效果很好。神經網絡的目標是以與人類大腦相同的方式解決問題，現代神經網絡項目通常使用幾千到幾百f個神經單元和數百萬的連接， 這比人類大腦的復雜性還要少幾個數量級，更接近于蠕蟲的計算能力。 為了訓練它們，通常發生幾千次交互循環。 神經網絡已被用于解決使用普通的基于規則的編程難以解決的各種各樣的任務，如智能化學習。歷史上，神經網絡模型的使用向高級人工智能的方向移動，其特征在于包含在具有一些動力系統的認知模型的參數中的知識。
2.2 灰色關聯度分析
灰色關聯分析方法，是根據因素之間發展趨勢的相似或相異程度，來進行歸納和評價，作為衡量因素間關聯程度的一種方法?；疑P聯度分析使用特定的信息概念。它定義沒有信息為黑色的情況以及具有完美信息為白色的情況，這些理想化的情況都不會出現在現實世界的問題中。事實上，這些過渡階段的情況被描述為灰色。因此，灰色系統意味著其中部分信息是已知的并且部分信息是未知的系統。根據這個定義，信息質量形成從信息的缺乏到完整信息的存在過渡過程。由于不確定性總是存在，灰色分析可以得出一系列關于解決方案的清晰陳述。在一個極端情況下，這種方案無解，在另一個極端情況下，具有完美信息的系統具有獨特的解決方案。在中間情況中，灰色系統將給出各種優化的解決方案?；疑治鲈噲D找到最好的解決方案，提供了確定一個好的解決方案的技術來解決現實世界的問題。
3 大數據平臺的設計
3.1 平臺層
大數據分布式存儲系統：研究大規模、非結構化數據的存儲問題，突破大數據的存儲、管理和高效訪問關鍵技術，當前需要構建至少 PB 級存儲能力的大數據平臺才能滿足一般的科研和應用需求。
分布式數據挖掘運行時系統：突破 MapReduce 技術的局限，研究有效支持迭代、遞歸、層次及集成機制的海量數據挖掘編程模型和運行時系統，構建大數據運行時系統。
3.2 功能層
高可擴展性大數據挖掘算法：基于云計算的分布式大數據處理與挖掘算法，構建高可擴展的大數據處理與挖掘算法庫，實現 TB 級數據的建模能力。
分布式工作流引擎：基于云計算的分布式工作流調度、負載均衡技術，構建高效分布式工作流執行引擎。
交互式可視化分析技術：啟發式、人機交互、可視化數據挖掘新技術，實現大數據挖掘的高度人機交互功能。
3.3 服務層
基于 Web 的大數據挖掘技術：Web 的大數據挖掘方法和流程，實現易于使用的基于 Web 的大數據挖掘技術，構建基于 Web 的大數據分析環境。
基于Open API 的大數據挖掘技術：Open API 的大數據挖掘方法，研究大數據挖掘開放接口、開放流程，構建基于 Open API 的大數據分析模式。
4 大數據算法的應用分析
4.1 數據挖掘
數據挖掘是發現大數據數據規律的計算過程，涉及人工智能、機器學習、統計和數據庫系統結合的方法，它是一個跨學科的計算機科學子領域。數據挖掘過程的總體目標是從數據集中提取信息并將其轉換為可以理解的結構以供進一步使用。除了原始數據分析外，它涉及數據庫和數據管理方面、數據預處理、模型和推理、復雜性考慮、結構整合處理、可視化和在線更新。數據挖掘是一個熱門的領域，并且經常應用于各種形式的大規模數據或信息處理，主要包括收集、提取、存儲、分析和統計以及計算機決策支持系統的應用，包括人工智能、機器學習和商業智能。實際的數據挖掘任務是大量數據的自動或半自動分析，從而提取先前未知的數據存在模式，例如聚類分析、異常數據檢測和關聯規則挖掘、順序模式分析等，這通常涉及使用諸如數據索引的數據庫技術。數據收集、數據準備或結果解釋和報告都不是數據挖掘步驟的一部分，但是作為附加步驟屬于整個數據挖掘過程。數據挖掘、數據捕獲和數據窺探是指使用數據挖掘方法對較大數據集的部分進行抽樣分析。雖然這些數據集太小，不足以進行可靠的統計推斷以得出更多有價值的信息。然而，這些方法可以用于創建新的假設，以測試更大的數據群體。
4.2 機器學習
機器學習是計算機科學的子領域，它使計算機能夠學習而不用明確編程。從模式識別和計算學習理論在人工智能的研究演變而來，機器學習探索學習對數據進行預測算法的研究和構建，這樣的算法克服了嚴格的靜態程序指令數據驅動的預測或決策，通過從樣本輸入來建立一個模型。機器學習在一系列計算任務中使用，其中有著明確算法的設計和編程是不可行的，比如垃圾郵件過濾、檢測網絡入侵者或惡意內部人員、光學字符識別、搜索引擎和計算機視覺，這些方面都沒有明確的算法表示。機器學習與計算統計密切相關，并且經常與計算統計重疊，計算統計也集中在通過使用計算機的預測中。它與數學優化有著緊密的聯系，它將方法、理論和應用領域傳遞到現場。機器學習有時與數據挖掘相結合，后者的子領域更側重于探索性數據分析。機器學習也可以是全自動化的，用來學習和建立各種實體的行為預測，然后用于發現有價值的異常情況。在數據分析領域，機器學習是一種用于設計適合預測的復雜模型和算法的方法，在商業應用中，這被稱為預測分析。這些分析模型允許研究人員、數據科學家、工程師和分析師通過學習數據中的歷史關系和趨勢來產生可靠的、可重復的決策和結果并揭示隱藏的規律。
5 總結與展望
大數據技術算法的創新是一條光明而曲折的路，在這條路上會出現很多難題與挑戰，這個任務長期而又艱巨，需要結合實際經驗，不斷地進行總結歸納。為實現自身的長遠發展而進行大膽革新，利用創新思維進行現代化建設，從而大踏步地走向智能化的大稻莘⒄鼓勘輟
參考文獻
[1]陳曉，趙晶玲.大數據處理中混合型聚類算法的研究與實現[J].信息網絡安全，2015（04）.
[2]楊婷婷，林昌露，劉憶寧，張勝元.基于多方排序協議的安全電子投票方案[J].計算機系統應用，2015（08）.
[3]文坤，廖瑛，楊雅君.帶有空間機械臂的航天器系統慣性參數辨識[J].飛行器測控學報，2015（04）.
[4]何鋒，谷鎖林，陳彥輝.基于編輯距離相似度的文本校驗技術研究與應用[J].飛行器測控學報，2015（04）.
[5]黃冬梅，杜艷玲，賀琪.混合云存儲中海洋大數據遷移算法的研究[J].計算機研究與發展，2014（01）.
[6]孔凡新，劉麗.云環境下的隱私保護密文排序查詢[J].計算機工程與設計，2014（01）.
[7]何清，李寧，羅文娟，史忠植.大數據下的機器學習算法綜述[J].模式識別與人工智能，2014（04）.
[8]程芳權，彭智勇，宋偉，王書林，崔一輝.云環境下一種隱私保護的高效密文排序查詢方法[J].計算機學報，2012（11）.
[9]王茜，楊正寬.一種基于加權KNN的大數據集下離群檢測算法[J].計算機科學，2011（10）.
[10]陳書讓.超大數據量的快速排序法[J]. 物探化探計算技術，2000（04）.
作者簡介
李躍（1979-），男，黑龍江省大慶市人。研究生學歷?，F為大慶師范學院講師。
