1956年，在由達特茅斯學院舉辦的一次會議上，計算機專家約翰·麥卡錫首次提出了“人工智能”一詞，這也被人們看作是人工智能正式誕生的標志。此后的人工智能發(fā)展歷程經(jīng)歷了多次波折：

人工智能的第一次高峰就是達特茅斯會議之后長達十幾年的時間里，計算機被廣泛應用于數(shù)學和自然語言領(lǐng)域，用來解決代數(shù)、幾何和英語問題，有很多學者認為“20年內(nèi)，機器將能完成人能做到的一切”。但很快人工智能發(fā)展遇到了技術(shù)瓶頸：一是計算機性能不足，很多程序無法在人工智能領(lǐng)域運行；二是用于深度學習的數(shù)據(jù)嚴重缺乏，無法支撐智能訓練；三是人工智能程序處理復雜問題不堪重負。由于以上原因，上個世紀70年代人工智能發(fā)展陷入低谷。

人工智能的第二次高峰是以卡內(nèi)基梅隆大學設(shè)計的一套名為XCON的“專家系統(tǒng)”為代表，這是一套具有完整專業(yè)知識和經(jīng)驗的計算機智能系統(tǒng)。在這個時期，僅專家系統(tǒng)產(chǎn)業(yè)的價值就高達5億美元，衍生出了像Symbolics、Lisp Machines和IntelliCorp、Aion這樣的軟硬件公司。但到1987年時，蘋果和IBM公司生產(chǎn)的臺式機性能都超過了Symbolics等廠商生產(chǎn)的通用計算機，從此，專家系統(tǒng)風光不再。

人工智能再次崛起是以IBM的計算機系統(tǒng)“深藍”戰(zhàn)勝了國際象棋世界冠軍卡斯帕羅夫事件為代表，這是人工智能發(fā)展的一個重要里程碑。而2016年AlphaGo戰(zhàn)勝圍棋冠軍李世石則把人工智能推上了一個新的頂峰。在最近3年人工智能則引發(fā)了一場商業(yè)革命，谷歌、微軟、百度等互聯(lián)網(wǎng)巨頭以及眾多的初創(chuàng)科技公司，紛紛加入人工智能戰(zhàn)場，掀起一輪又一輪的智能化狂潮，人工智能技術(shù)已經(jīng)開始應用在各行各業(yè)，在網(wǎng)絡和安全領(lǐng)域的研究和應用也得到了各科技公司的重視，其應用價值開始浮現(xiàn)。

人工智能在網(wǎng)絡領(lǐng)域的應用

人工智能在網(wǎng)絡最重要的應用包括智能運維、網(wǎng)絡加速和網(wǎng)絡優(yōu)化三部分。

1. 智能運維

智能運維目前是人工智能發(fā)展最好、價值最高的應用，受到了各大公司的重視。傳統(tǒng)的運維方式在監(jiān)控、問題發(fā)現(xiàn)、告警以及故障處理等各個環(huán)節(jié)均存在明顯不足，需要大量依賴人的經(jīng)驗，工作效率低下，并且在數(shù)據(jù)采集、異常診斷分析、告警事件以及故障處理的效率等方面都有待提高，而人工智能結(jié)合大數(shù)據(jù)分析技術(shù)，可以在智能監(jiān)控、智能問題發(fā)現(xiàn)和預警、智能故障處理等方面最小化人為干預程度、降低人力成本以及提高運維管理效能。

1） 智能監(jiān)控

隨著企業(yè)IT系統(tǒng)規(guī)模的擴大、運維環(huán)境的復雜化，使得運維人員從海量的數(shù)據(jù)中發(fā)現(xiàn)問題的難度也越來越大。智能運維可以通過智能異常檢測、故障關(guān)聯(lián)分析、故障根因分析和智能異常預測等能力，幫助運維人員快速定位問題、追溯故障根源，并實現(xiàn)故障的預測預警。以智能異常檢測為例，通過歷史數(shù)據(jù)模型的異常檢測等方法并結(jié)合AI技術(shù)，能夠自動、實時、準確地從監(jiān)控數(shù)據(jù)中發(fā)現(xiàn)異常，為后續(xù)故障的分析與處理提供基礎(chǔ)。

2） 智能問題發(fā)現(xiàn)和預警

對故障進行根源分析是在眾多可能引起故障的因素中，追溯到導致故障發(fā)生的癥結(jié)所在，并找出根本性的解決方案。利用機器學習或者深度學習的方法可以找出不同因素之間的強相關(guān)關(guān)系，并利用這些關(guān)系，推斷出哪些因素是根本性的因素，幫助用戶快速診斷問題、提高故障的定位速度以及修復效率。

在告警方面，傳統(tǒng)的告警管理一般使用固定閾值并且需要運維人員手動設(shè)置，這種方式不僅工作量巨大且十分依賴運維人員的經(jīng)驗，閾值設(shè)置不當可能導致告警風暴或者告警漏報等后果。當監(jiān)控環(huán)境發(fā)生變化時，原先的固定閾值無法滿足告警管理的要求。而智能運維采用動態(tài)基線告警方式，智能分析數(shù)據(jù)的動態(tài)極限，彌補了以往人為設(shè)置固定閾值的缺陷，智能地分析數(shù)據(jù)的發(fā)展趨勢以及分析數(shù)據(jù)動態(tài)極限，從而對告警做出智能的判斷，也就有更大靈活性和適用性。

3） 智能故障處理

在智能故障處理方面，傳統(tǒng)運維管理中對故障的處理非常依賴運維人員的經(jīng)驗，但人的經(jīng)驗無法覆蓋所有故障范圍，運維人員經(jīng)驗不足可能會使運維效率低下或者產(chǎn)生錯誤決策。智能運維將實時監(jiān)測結(jié)果或者預測結(jié)果引入智能專家決策系統(tǒng)，智能生成決策建議，根據(jù)實際結(jié)果及趨勢判斷采用的處理策略，可以是人工處理或者自動處理，有效減少問題排查的時間、大幅提升問題解決的效率，提升企業(yè)運維的標準化程度。

2. 網(wǎng)絡加速

人工智能在網(wǎng)絡加速最重要的應用是利用強化學習的思想，深度參與網(wǎng)絡協(xié)議擁塞控制算法，加速各個應用的傳輸速率，提高網(wǎng)絡的帶寬利用率和減小網(wǎng)絡時延，其典型應用是用強化學習改進TCP的網(wǎng)絡擁塞算法。TCP具有慢啟動、快恢復的特點，但是其快恢復是以擁塞窗口直接減半為代價，這就導致TCP傳輸帶寬是一個鋸齒形的形狀，傳輸帶寬不穩(wěn)定。而強化學習則通過丟包預測自適應地調(diào)整擁塞窗口，使擁塞窗口穩(wěn)定在一個較小的范圍內(nèi)波動，從而保證了TCP傳輸?shù)目値捄蜁r延。國外有相關(guān)論文指出，跟傳統(tǒng)的TCP擁塞算法相比，基于強化學習的方法可以使傳輸?shù)膸捥岣?0％以上，端到端時延減小7％，圖1是測試效果圖。

圖1 基于強化學習和普通TCP擁塞算法測試對比圖

在圖1中，紅色是采用普通NewReno算法的測試效果，綠色則是采用強化學習的LP-TCP測試效果，從圖1中可以清楚看到，基于強化學習的TCP擁塞窗口非常穩(wěn)定，這也是為什么能提高網(wǎng)絡帶寬利用率的原因，同時因為擁塞窗口的穩(wěn)定，設(shè)備的隊列深度也維持在一個穩(wěn)定的水平，端到端時延也同時減少了。

3. 網(wǎng)絡優(yōu)化

人工智能在網(wǎng)絡優(yōu)化上的應用主要是轉(zhuǎn)發(fā)路徑優(yōu)化、資源優(yōu)化和流量優(yōu)化。傳統(tǒng)的ECMP算法一般是基于五元組原則進行Hash計算，在大象流都Hash到同一個路徑的情況下，很容易引起路徑流量的不對稱，起不到流量均衡的作用，而引入人工智能技術(shù)，則可以考慮鏈路實時帶寬，動態(tài)計算每一個流的轉(zhuǎn)發(fā)路徑，從而保證在任何流量情況下均可以實現(xiàn)鏈路的流量均衡，避免了傳統(tǒng)Hash算法的不足。國外有一些學者和專家也在研究通過強化學習的方法來進行路由的計算，以替代傳統(tǒng)的路由協(xié)議（如OSPF）等。在資源優(yōu)化方面，人工智能在無線核心網(wǎng)資源分配、無線信道利用率、轉(zhuǎn)發(fā)芯片包緩存動態(tài)調(diào)整方面均有良好的表現(xiàn)，其可以有效提高資源的利用率，根據(jù)環(huán)境和壓力自動調(diào)節(jié)資源分配，以保證資源利用總是處于最佳的一個狀態(tài)。

人工智能在安全的應用

人工智能在安全領(lǐng)域的應用十分廣泛，并且有其獨特的價值和優(yōu)勢，比如加密流量的威脅識別問題和APT（高級持續(xù)性威脅）識別問題，傳統(tǒng)的基于規(guī)則和特征匹配的方法完全失效，必須依賴人工智能的方法來加以甄別。同時，人工智能在欺詐檢測、惡意軟件檢測、入侵檢測、網(wǎng)絡風險評分和用戶/機器行為分析等方面也有重要的應用價值，下面介紹人工智能在安全領(lǐng)域的兩個典型應用。

1. 加密流量威脅檢測

目前網(wǎng)絡上50%以上是加密流量，加密是保護隱私的一個重要手段，能夠保護我們的數(shù)據(jù)不被窺探，但同時也讓不法分子有了可乘之機，加密能夠像隱藏其他信息一樣隱藏惡意軟件，從而帶來一系列安全問題。而傳統(tǒng)DPI（深度報文檢測）需要解密原始報文，這是不可能完成的任務。而人工智能基于特征提取和行為分析的方法，可以在不解密報文的情況下，提煉出惡意軟件的特性，從而識別出有害威脅。以HTTPS流量為例，通過提取TLS聯(lián)接的初始數(shù)據(jù)包信息、數(shù)據(jù)包長度和時間的順序、有效載荷上的字節(jié)分布等特征數(shù)據(jù)，經(jīng)過人工智能模型推理，可以檢測出加密流量中的惡意流量，如圖2所示。

圖2 用人工智能對提取的TLS聯(lián)接的數(shù)據(jù)包進行分析

2. APT防攻擊檢測

APT攻擊具有不同于傳統(tǒng)網(wǎng)絡攻擊的5個顯著特征：針對性強、組織嚴密、持續(xù)時間長、高隱蔽性和間接攻擊，攻擊者能適應防御者的入侵檢測能力，不斷更換和改進入侵方法，具有較強的隱藏能力，攻擊入口、途徑、時間都是不確定和不可預見的，使得基于特征匹配的傳統(tǒng)檢測防御技術(shù)很難有效檢測出攻擊，必須要引入新的檢測技術(shù)。人工智能則可以在這方面發(fā)揮特有的優(yōu)勢，通過特征提取和行為分析、結(jié)合沙箱和大數(shù)據(jù)分析技術(shù)，準確判定C&C異常、Web異常、隱蔽通道、郵件和流量異常檢測等，可以有效識別并阻斷勒索病毒、海蓮花、震網(wǎng)、BlackEnergy、Google Aurora等APT攻擊。

此外，借助于人工智能增強學習的優(yōu)勢，可以構(gòu)建并完善一套主動式安全防御系統(tǒng)。如今的網(wǎng)絡攻擊和病毒具有易變性的特點，被動防御已經(jīng)不能滿足當前網(wǎng)絡安全的要求，主動防御成為趨勢和必須，借助人工智能的學習和進化能力，可以針對即將發(fā)生或者未知的攻擊行為，與安全策略和威脅情報有機結(jié)合，最終實現(xiàn)智慧型、主動型的安全防御系統(tǒng)。

結(jié)束語

當然，我們同時也要意識到人工智能并非是萬能的，甚至發(fā)展到某些時候還可能帶來負面的效果。人工智能作為一門當前最熱的技術(shù)之一，其在網(wǎng)絡和安全的應用和探索仍然還在進行當中，但網(wǎng)絡智能化和安全智能化的趨勢不可阻擋，人工智能在其中也扮演著不可或缺的角色。

責任編輯：ct