0 引　言

当今的网络技术得到飞速的发展，高层次的威胁攻击可以渗透到方方面面，传统的网络安全技术也很难有效地防范各类病毒^[1-3]。为保障船舶网络的信息安全，必须运用信息技术进行风险管理，而信息风险的控制是实现船舶网络信息安全的关键。目前已有的多种评价方法都有很大差异，主要是由于目前的评价算法不能很好地反映出网络的层次与结构，而人工智能技术，则可以很好解决这个问题。因此本文对此进行研究，并对其进行了验证，最终结果表明，本文提出的船舶网络安全监测技术是切实可行的。

1 网络安全防护的传统方式及其不足 1.1 网络安全防护的传统方式概述

安全保障主要包括以下几个维度：物理维度、技术维度、数据层面、操作层面、用户层面、系统层面。本文从技术上对网络的安全保障问题进行探讨，船舶网络运行模式，如图1所示。

站在技术层面严格地说，常规安全措施有防火墙和入侵检测、防病毒软件及漏洞扫描等。就网络安全而言，软件比硬件重要，防火墙通过制定具体安全规则，在两安全区域间经过防火墙对数据进行过滤，若数据未达到安全标准则拒收^[4-6]。

为了保障计算机网络的安全，必须加强计算机的自我保护，并采取相应的安全措施，以保证计算机的安全。入侵检测技术是一种利用网络安全装置，对网络进行实时检测的技术，其中包括贝叶斯推理、模式预测、特征筛选、检测等，一旦发现异常，立刻发出警报，以防止网络攻击。系统以病毒特征码为基础，然后依次进行识别、隔离和杀灭，以防止电脑系统遭受病毒侵袭。在此基础上，提出一种动态负载机制，以提高其运行效率和可靠性。此时必须在终端中设置杀毒系统，在服务器设置虚拟化系统可以极大地提升人工智能系统的运转效率。本文主要研究一种基于漏洞扫描技术的计算机安全系统的漏洞扫描与处理。该漏洞扫描基于一个漏洞数据库来实现，能有效地探测到系统的安全性，并为系统的安全提供保障^[7]。

1.2 传统方式的不足之处

以往的安全屏蔽方法主要有防火墙、入侵检测以及防病毒软件、漏洞扫描多种安全技术。在这种情况下，防御系统必须将攻击记录在属性库中，这样才能防御攻击。但是，由于安全设备的特性具有滞后和限制，无法对恶意代码进行快速的识别和清除。近年来，各类病毒、木马以更快的速度发生了变化，其隐蔽性也在不断增强，威胁也越来越大。新的攻击方式变得更加聪明，针对的是网络的基础协议和操作系统，而黑客工具的使用，也更加的方便，让许多初学者，都能轻松掌握。传统的基于特征匹配的网络安全防护模式很难适应不断升级的病毒、木马和攻击手段。因此，在新的环境下，要实现以人工智能为基础的网络安全防护策略，才能真正提高网络的安全防护水平。

2 人工智能网络安全控制系统设计 2.1 安全控制系统的功能层次

为了提高系统的稳定性和效率，有必要开发智能跟踪病毒和其他恶意攻击，以实现网络的实时保护。系统使用网络模型与最终用户和系统交互，然后在系统网络的中间层和网络应用层进行相应的功能设计。中间网络层是输入和输出网络信息的过程，需要合理配置和管理，网络信息在发布期间必须保证其传输的正确性，这是保障网络信息数据安全的基础环节，也是保障网络稳定的基础环节。

通过图2可知，在这种网络层次上，必须要有一个功能性的设计来保证恶意的信息可以被智能的拦截和修改，从而在网络攻击的时候有效的应对。网络应用层级实质上是使用者所能获得的服务层级，在设计和防护体系中，这是最关键的一环，该系统以应用层为基础，与用户进行了直接的交互。因此，要保证网络的正常运转，保证网络的安全，保证网络信息和数据的安全，就必须对网络进行安全防护，以防止网络中的实时攻击、智能入侵者等行为，从而增强网络的安全性和稳定性。

2.2 安全防护功能

基于上述异常信息提取与预警机制，构建一个网络信息安全防护模块，运用人工智能技术建立一种动态的入侵信息防护机制。该机制以各种安全组件为平台，将各种组件进行整合与连接，然后连接在一个处理器上，并将各组件单独组成具体的功能组合，以达到即时的资讯交换。保护功能模块主要是为了分析报警信息，并进行相应的处理，保证网络的安全，将此网络的防御流程设定为三元组，其模型如下：

$\theta = \frac{{E\left| {\text{s}} \right|{\text{p}}}}{\beta } \text{。}$

其中：E|s|为攻击者和防御方的联合参与；s为相应防护特征参数；p为攻击者和防守方的效用关系。在分析了入侵数据所带来的噪声干扰基础上，提出一种基于广义误差的泛化误差估计方法：

${u}=\frac{1}{{n}}{\displaystyle \sum _{({a}，b)}{s}({{\rm{con}}}({a}))} \text{。}$

式中：n为数据集X中所包含的数据数量；u为一般错误。上述误差估算中，如果错误值超过1，需要重新进行置信度的计算，如果误差小于1，说明它的错误程度不足以对最后的结果产生影响，可以忽略，继续进行下一步的处理。通过与数据库相匹配的防御机制，由中央处理器的控制单元发出相应的控制命令，对相应的防御机制进行控制，并将所获得的数据处理后存入内存，实现对网络的实时智能处理，从而增强系统的安全防护能力，保证网络的安全运行。

3 基于人工智能技术的船舶网络安全信息风险评价 3.1 网络结构层模型建立

在进行风险评价前，必须对不同层次的信息进行目标评价，并进行层次特征的划分。根据不同的信息等级对应的结构层次，建立相应的层次结构，利用此模型，可以清楚地了解各层次信息在网络中的分布。把网络结构层次上的资料分成对应的层次，通过对各层次信息的分析，得出不同层次的信息风险系数，并将其分为数字级，并以中间整数表示，由此得到一套完整的分级数据。在分级后，将信息结构层次的风险干扰系数考虑在内，再进行细分，得到对应的分布概率因子Bn，对应分布概率系数如图3所示。

在模型结构参数分割时，将5个扰动权重（S₁，S₂，S₃，S₄，S₅）作为约束条件，且

$\sum\limits_{{{l}} = 1}^5 {{{{s}}_{{l}}}} = 1 {，}$

按照限制条件，一般可靠性根据以下公式计算：

${\varepsilon _{{l}}} = \varphi \mathop {\frac{{{{{s}}_{{l}}}}}{{{\text{max}}{{{s}}_{{l}}}}}}\limits_{0\langle {{l}}\langle 5} \text{，}$

依据加权系数分布函数所对应的概率关系调整分布值，经调整得到如下结果：

${{}^{{{i}}^{\cdot }}}_{{lnk}}({{j}}_{{c}})={\varepsilon }_{{l}}{{i}}_{{lnk}}({{j}}_{{c}}) \text{。}$

3.2 网络结构层信息的全局风险评价

利用所得到的风险误差函数，分析网络结构的整体风险，并给出最佳输出率。结果表明：当初始攻击数v与攻击节点的分布概率相关时，若攻击节点的目标信息点为真实，则该节点的信息被允许通过；信息点被成功攻击的可能性是q_o，而F1ash状态是1-q₀，q₀对应的值取决于此时的网络信息状况。

通过进一步的分析，可找到关联子信息点，并结合信息在遭受攻击后的风险系数进行分析，可以确定在一定时间之内，如果r被攻击成功，那么v相应的攻击危险系数就会增大。根据以上的分析，如果将全局信息水平量和数值设为s，并且被攻击的危险信息数目为y，那么，存在危险的信息概率分布函数如下：

$Qt({y}|{r}=T\text{rue})=\dfrac{1-\dfrac{{{z}}_{{y}}({{z}}_{{y}}-1)}{2}{{f}}_{{y}}}{{{z}}_{{y}}}+({{z}}_{{y}}-1){{f}}_{{y}} 。$

为了进一步简化计算，以实现估值因子1、风险限制0和更新的风险评估函数：

${E_n} = \sum\limits_{n = 1}^i {{e_n}} .{l_n}\rangle {e_\nu } 。$

式中：e_v为该信息初始安全的系数；n为攻击的次数；E_n为风险发生的概率；l_n为常规的全局信息的风险。风险发生的概率分布图如图4所示。

4 人工智能技术网络安全管理应用价值

在应对未知、不确定性、非线性、强推理等问题时，人工智能技术有着巨大的优越性。由于网络是面向大众的，其存在的信息安全风险往往不确定，因此，利用人工智能技术对网络资源进行有效的控制和管理，可以有效地提高信息的处理能力。由于网络结构复杂，存在着大量的非线性对象，所以利用人工智能来求解非线性问题有其特有的优点。在网络的非线性结构下，利用人工智能技术可以使网络安全得到更好的保护，人工智能的学习能力很强，可以将人工智能与其他学科相结合，从而拓展网络的安全保护范围，增强网络的安全性。

5 结　语

随着船舶网络安全问题日益突出，对加强网络安全管理的能力提出了更高的要求。以人工智能为核心的网络安全保护是当今世界的一大发展趋势，采用智能防火墙，可实现对网络病毒的拦截；以人工智能技术构建船舶网络安全感知系统，并运用机器学习技术，可以不断地增强计算机网络的安全防范能力，实现智能化、自动化。本文针对当前船舶网络中存在的问题，提出一种基于误差的可追溯性分析方法，并提出了相应的对策。对提出的方案进行研究，证明了该方案在减少评估误差方面是有效的。