智能安全技术
来源: 本站 发布时间: 2022-09-06 11:26:49
浏览次数: 151
随着2006年深度学习模型的提出，人工智能引入了层次化学习的概念，推动人工智能技术的井喷式、跨越式发展。凭借着当前信息化、网络化社会所积累的海量大数据，以及并行图形处理器（Graphics Processing Unit，GPU）处理技术、超算技术等计算能力的飞速提升，深度学习能够从大数据中提取、发现、甚至洞见前所未有的知识，具有强大的学习能力、推理能力与灵活性。特别是Google公司的人工智能围棋程序AlphaGo、IBM公司的专家辅助系统Watson、以及Boston Dynamics公司的人形机器人等产品，体现了专用人工智能的突破性进展以及深度学习的巨大潜力，也昭示着深度学习技术在网络空间安全领域广泛应用的可能性、必要性。
2.1.1 深度学习技术可提升网络空间威胁感知、防御能力
基于网络空间大数据提供的数据资源，深度学习技术提升了网络空间感知与防御手段对于各种不确定性环境的动态适应能力，能够对海量模糊、非线性、异构数据进行自动化的分类聚合与关联分析，全面感知网络安全威胁，自主学习认知网络空间态势；能够主动生成与快速调整网络威胁防御策略，在与自主化、智能化网络空间攻击手段的攻防博弈中不断学习演进，逐渐形成适应性强、反应迅速灵敏的网络空间安全防御“智慧”。我国必须高度重视网络空间安全治理领域深度学习技术的最新进展，包括基于迁移学习的高效威胁识别技术、基于聚类分析的精准威胁分析技术、基于深度强化学习的自主防御技术等。
2.1.2 重视深度学习技术中算法与数据的安全性、可靠性
人工智能的本体安全对于网络安全具有多维依赖关系。当前，深度学习等人工智能的算法尚缺乏鲁棒性、可解释性较差、易被干扰与欺骗。例如，卷积神经网络（Convolutional Neural Networks,CNN）、人工神经网络（Artificial Neural Network，ANN）等关键算法存在安全隐患，通过伪造数据、污染样本等方式能够干扰甚至操纵深度学习模型的运行结果。同时，深度学习的数据隐私性、可靠性较差，缺乏密码保护，容易遭到窃取、破坏、伪造，甚至重大泄密。我国必须筑牢人工智能本体的安全防线，提升深度学习等关键技术的可信性、可解释性，加强人深度学习软硬件的脆弱性分析和防护，研发面向大数据的个人生物特征加密技术，确定深度学习算法与数据等关键基础设施的安全性、健壮性。
2.1.3 大力加强深度学习基础理论与核心算法的储备攻关
深度学习等人工智能基础理论与核心算法是推动网络空间人工智能安全治理的核心竞争力与内在驱动力，也是确保网络空间人工智能安全的最后屏障。目前，深度学习算法基础研发平台也几乎为美国Google等大公司所垄断。许多公司与研究人员需要将训练样本数据、人工智能算法通过国际互联网上传到境外网站，才能开展深度学习的研究、开发与应用，这为网络空间人工智能安全治理带来了重大挑战。建议大力加强“Cyber+AI”理论研究与技术储备，发挥我国在网络空间大数据、人工智能商业模式创新等方面的优势，大力推动国产深度学习平台的大规模普及与应用。
