《人工智能+大数据应用课件.pptx》由会员分享,可在线阅读,更多相关《人工智能+大数据应用课件.pptx(69页珍藏版)》请在三一办公上搜索。
1、大数据时代的人工智能,此PPT课件下载后可自行编辑,内容提纲,人工智能基本概念与发展历史人工智能与大数据人工智能在气象领域的应用案例人工智能在环保领域的应用案例人工智能在网络安全领域的应用案例人工智能面临的机遇与挑战总结与展望,2,内容提纲,人工智能基本概念与发展历史人工智能与大数据人工智能在气象领域的应用案例人工智能在环保领域的应用案例人工智能在网络安全领域的应用案例人工智能面临的机遇与挑战总结与展望,3,什么是智能,智力或知能是指生物一般性的精神能力。这个能力包括以下几点:理解、计划、解决问题,抽象思维,表达意念以及语言和学习的能力。智力三因素理论(Robert Sternberg)成分性
2、智力(componential intelligence),指思维和问题解决所依赖的心理过程。经验智力(experiential intelligence), 指人们在两种极端情况下处理问题的能力:新异的或常规的问题。情境智力(contextual intelligence)反映,在对日常事物的处理上,它包括对新的和不同环境的适应,选择合适的环境以及有效地改变环境以适应你的需要。,4,Robert Sternberg(1949-)是美国心理学家和心理测量学家。他是康奈尔大学人类发展教授。,什么是人工智能,人工智能(Artificial Intelligence, AI)也称作机器智能,是指由人
3、工制造出来的系统所表现出来的智能。通常人工智能是指通过普通计算机实现的智能。人工智能研究研究内容:包括认知建模、知识学习、推理及应用、机器感知、机器思维、机器学习、机器行为和智能系统等。研究动机:包括推理,知识,规划,学习,交流,感知,移动和操作物体的能力等。基础知识:包括搜索和数学优化,逻辑,基于概率论和经济学的方法等。应用系统:目前有大量的人工智能应用系统,如AlphaGo, Siri等。,5,人工智能的三大发展要素,6,基础理论引入,相关学科交叉,多领域应用,机器学习,数据挖掘,人工智能,数学,统计学,认知科学,神经科学,控制论,人工智能发展历程中的里程碑(1)-图灵测试,图灵测试(19
4、50)一个人(C)询问两个他看不见的对象(机器A和正常思维的人B)。如果经过若干询问后,C无法区分A与B,则A通过图灵测试。聊天机器人Eugene Goostman(2014)在5分钟内试图欺骗30%的人。,7,图灵测试额外加分项:说服测试者,令他认为自己是电脑。,你知道吗,你说的这些话真的很有道理。我我已经不知道自己究竟是谁了。,人工智能发展历程中的里程碑(2)-深蓝vs卡斯帕罗夫,1997年,IBM研制的超级电脑“深蓝”在标准比赛时限内以3.5比2.5的累计积分击败了国际象棋世界冠军卡斯帕罗夫,震惊世界。 “深蓝”的设计者许峰雄曾表示,一般的国际象棋手能想到后7步就很不错了,但“深蓝”能想
5、到12步,甚至40步远,棋手当然不是计算机的对手。插曲:卡斯帕罗夫在落败后曾称无法理解电脑下棋时做出的决定。他亦认为电脑在棋局中可能得到人类帮助并要求重赛,但IBM拒绝。思考:深蓝靠什么打败了卡斯帕罗夫?深蓝能否击败李世石?为什么?,8,人工智能发展历程中的里程碑(3)-Waston与人机大战,2011年2月16日,在美国智力竞猜节目危险边缘第三场比赛中,IBM另一超级电脑“沃森”以三倍的巨大分数优势力压该竞猜节目有史以来最强的两位选手肯詹宁斯和布拉德鲁特,夺得这场人机大战的冠军。“沃森”在比赛中没有连接互联网,其数据库中包括辞海和世界图书百科全书等数百万份资料,强大的硬件则助力其能在3秒钟之
6、内检索数亿页的材料并给出答案。思考:就面临的挑战来说,“沃森”相比深蓝有哪些不同?“沃森”的特点是什么?“沃森”有可能胜任AlphaGo的工作吗?,9,人工智能发展历程中的里程碑(4)- 图像识别领域机器首次超越人类,2015年的 ImageNet 挑战赛,在图像识别准确率上,机器的表现首次超过了人类。这被公认为是一个里程碑式的突破。在此之前,2010年算法的图像识别错误率至少在25%左右,但到2015年,计算机图像识别错误率已经低于人类(人类水平大概是4%左右)。2015年是0.03567,也就是3.5%。2016年,ImageNet 竞赛,图像识别错误率进一步下降,最好成绩为:平均错误率0
7、.02991,也就是2.99%左右。思考:这一次的人工智能突破和前几次相比有何不同?,10,人工智能发展(简史),11,混沌初生 开天辟地,百家争鸣 百花齐放,物竞天择 适者生存,达特茅斯会议的召开标志着人工智能的诞生。(1956年),图灵测试的提出标志人工智能进入萌芽阶段。,以DENDRAL系统为代表的专家系统大量涌现。(19701980),浅层机器学习模型兴起,SVM、LR、Boosting算法等纷纷面世。(19902000),多伦多大学教授Hinton开启深度学习在学术界和工业界的浪潮(2006),人工智能出现新的研究高潮,机器开始通过视频学习识别人和事物,AlphaGo战胜围棋冠军(2
8、011今),随着新的算法和模型不断涌现,学科交叉现象日趋明显,人工智能的研究进入了新的阶段。,奠定了人工智能的数学基础,出现了人工智能历史上的第一个应用。-西蒙和纽厄尔提出了“Logic Theorist”自动定理证明系统。,大数据时代的到来给人工智能的发展带来契机,人工智能全面融入人们的社会生活。,人工智能发展的真实历史过程(波浪式前进),12,最近一次的人工智能热潮兴起,是由于大数据时代使得数据需求得到了满足。,内容提纲,人工智能基本概念与发展历史人工智能与大数据人工智能在气象领域的应用案例人工智能在环保领域的应用案例人工智能在网络安全领域的应用案例人工智能面临的机遇与挑战总结与展望,13
9、,大数据是什么?,大数据( Big Data ):是指大小超出了常用软件工具在运行时间内可以承受的收集、管理和处理数据能力的数据集。大数据是目前存储模式与能力、计算模式与能力不能满足存储与处理现有数据集规模产生的相对概念。,14,大数据真正价值不在于大数据本身,而在于数据内容的分析和洞察。,大数据时代的5V特点,15,大数据时代的要求,大数据规模大小是一个不断演化的指标当前任务处理的单一的数据集当前数据规模:从数十TB到十几PB级处理大数据的可等待的合理时间依赖应用场景地震数据预测要求在几分钟内才有效气象数据应该在小时级别失联飞机数据处理要在7天之内数据挖掘一般要求在12小时内,16,大数据时
10、代需要人工智能技术同时满足以上两个要求。,大数据时代需要什么样的人工智能?,能适应反映大数据分布的抽样方法解剖麻雀基于大数据分布的算法庖丁解牛追求高效并行的人工智能算法曹冲称象反映全量特征的人工智能算法治大国如烹小鲜,17,大数据时代的人工智能技术不断涌现,18,互联网搜索,生物特征识别,汽车自动驾驶,智能机器人,选举结果预测,智能客服系统,人工智能的应用范围和领域不断拓展,19,人工智能应用,图像识别,语音识别,文字识别,其他信号识别,无人驾驶,人脸识别,场景感知,气象预报,文献筛选,污染预报,医学影像分析,虹膜识别,视频监控,计算机春联,手写数字识别,智能交通,智能客服,智能庭审记录,小米
11、基因筛选,网络安全,计算机写诗,内容提纲,人工智能基本概念与发展历史人工智能与大数据人工智能在气象领域的应用案例人工智能在环保领域的应用案例人工智能在网络安全领域的应用案例人工智能面临的机遇与挑战总结与展望,20,人机交互层,基于人工智能技术的强对流天气聚焦与推演,方案目标:聚焦:辅助决策。从海量数据中聚焦关键特征和重点区域,辅助气象专家进行决策;推演:协助研判。提供智能推演,协助气象专家对未来3小时的天气形势进行研判。方案特点:采用人工智能技术综合运用多种深度学习算法半结构化与非结构化大数据处理技术,雷达反射图,核心模块,气象数据,展示效果,模型算法,多层神经网络,Softmax线性模型,卷
12、积神经网络(CNN),循环神经网络(LSTM),卫星云图,GRIB2在分析预报场资料,关键特征识别,重点区域识别,时空特征学习,天气变化推演,未来3小时强对流天气模拟推演,关键特征和重点区域2维效果,展示层,系统层,模型层,数据层,辅助人工决策,提供智能推演,气象专家,最终气象预报结果,历史对流过程标注数据,与传统方法的比较,拥有深度自学习能力。认知计算无需先验知识,即可从海量历史数据中进行训练学习,并挖掘潜在的规律和模式。同时,认知计算能够根据每天产生的气象数据进行自动学习,自我调整以适应天气变化的最新情况。拥有基于大数据的辅助决策能力。能够充分利用气象历史数据。气象数据越多,收集时间越长,
13、认知计算模型的分析结果越准确。数据依赖程度低。认知计算系统只需少量的观察和再分析数据即可完成分析和推演。,基于空气动力学进行数值计算。传统数值方法主要依赖空气动力学公式对气象数据进行分析,计算开销高。基于少量历史数据进行人工决策。传统数值方法主要基于少量历史数据,进行人工外推。其历史气象数据未得到充分利用。依赖专家经验。传统数值方法依赖专家根据其掌握的经验进行分析和调整。需要大量的物理变量组合分析。传统数值方法很难处理物理变量缺失的情况。,传统数值方法,人工智能方法,强对流天气聚焦,700mb高度垂直速度,地面能见度,10米风,80米风,地表温度,历史对流天气标注结果,子系统的构成:气象图片资
14、料的自动解析多层神经网络模型Softmax线性模型特征预测效果评估模块多特征自动排序模块重点区域可视化模块子系统的特点:支持43+种气象图片的自动分析综合运用领先的深度学习技术支持端到端的关键特征识别和排序支持基于计算机视觉技术的重点区域可视化,气象图片资料,历史对流天气标注集,多层神经网络模型,单特征预测效果评估,训练数据,验证数据,多特征自动排序,气象图片资料,历史对流天气标注集,Softmax线性模型,格网不同位置权重解析,重点区域可视化,待分析特征,注:深度学习的结果只能揭示区域和预测目标的相关性,但不能解释区域和预测目标的因果关系。,关键技术1-关键特征识别与排序,高 低,6-10月
15、历史对流天气标注集, 针对2016年6月-10月间48个对流天气过程,根据其中43个候选气象特征,收集10w+张图片。, 针对每个候选特征,应用深度学习中的多层神经网络模型对其预测对流天气过程的能力进行评估。, 根据评估结果,对不同特征按照预测效果进行排序。,关键特征的识别与排序旨在从海量数据中提炼有效特征,协助气象专家提升对流天气过程的预报准确率。,重点区域,25, 针对待分析特征,按照发生对流过程的类型,对图片进行分别标注。,关键技术2-重点区域识别, 根据对流过程的类型,应用softmax线性模型对不同位置网格点(RGB取值)的重要性(权重)进行评估,进而识别出不同类型天气的重点区域,如
16、右图所示。,25, 网格点权重可视化。,示例 250mb高度风场,(b)待分析图片,如上图所示,通过比较待分析图片和标准模板,可以计算对应区域的偏差。通过对偏差的分析比较,可以准确地识别出待分析图片未来1-3h内可能发生的天气过程的类型。,(a)无对流过程标准模板,无对流过程,台风过程,大尺度天气系统降水过程,局地对流天气过程,26,重点区域识别结果验证(示例:250mb高度风场),局地对流天气2016年10月04日14:0017:00,偏差,0.03,0.41,0.21,0.09,偏差,0.03,0.33,0.19,0.11,偏差,0.05,0.21,0.07,0.14,偏差,0.01,0.
17、01,0.1,0.12,重点区域,无对流过程,台风过程,大尺度天气系统降水过程,局地对流天气过程,结果验证:系统为预报员提供无对流天气过程模板和重点区域具体位置。预报员可以通过比较重点区域的偏差情况,分析未来0-3h出现的天气类型。,2016年10月04日 14:00,2016年10月04日 15:00,2016年10月04日 16:00,2016年10月04日 17:00,强对流天气推演,强对流天气推演,子系统的构成:卫星云图和雷达反射图的自动解析卷积神经网络模型循环神经网络模型多层网络的深度学习模型支持未来天气的自动推演模块系统特点:通过海量历史数据训练模型时空特征认知空间特征:卷积神经网
18、络(CNN)时序特征:循环神经网络(LSTM)利用深度学习优化模型,历史卫星云图,雷达反射图,卷积神经网络层(空间特征提取),多层网络连接,数据集,未来天气自动推演,循环神经网络层(时间特征提取),时空特征学习,深度学习优化,输出结果,无监督学习,实时卫星云图,雷达反射图,28,关键技术3-基于多层卷积的时空特征学习,技术路线 1.通过卷积神经网络(CNN)提取空间特征:在每一层神经网络中,空间数据做卷积等操作,并通过误差反向传播学习卷积核2.通过循环神经网络(LSTM)提取时间特征:循环利用卷积神经网络学习天气变化的规律3.采用多层卷积层,并循环利用参数空间进行建模,优化后的模型可以很好的掌
19、握天气在空间和时间上的变化规律,1. 卷积神经网络层:通过卷积学习天气的空间特征,天气序列输入,天气序列输出,3. 多层网络连接,2. 循环神经网络层:通过循环层学习天气变化的时间特征,29,示例:强对流天气推演-雷达反射图(示例一),观测序列2016年8月1日00:0004:00,实际发生2016年8月1日05:0007:00,天气推演2016年8月1日05:0007:00,利用模型推演未来3个小时的天气变化,模型推演到了台风登陆的位置和时间模型推演到了台风移动的方向和旋转,30,示例:强对流天气推演-雷达反射图(示例一),实时天气2016年8月1日04:00,3小时后天气2016年8月1日
20、07:00,3小时后天气推演2016年8月1日07:00,模型可以推演出左上角逐渐消散的过程,模型可以推演出左下角的从无到有,模型可以推演出右下角台风中心的移动和旋转,利用模型推演未来3个小时的天气变化,推演到了台风登陆的位置和时间,31,示例:强对流天气推演-卫星云图(示例二),实时天气2016年8月3日04:00,3小时后天气2016年8月3日07:00,3小时后天气推演2016年8月3日07:00,模型可以推演出左上角的从无到有,模型可以推演出右下角的移动,推演出中心的消散,利用模型推演未来3个小时的天气变化,推演出右上角向下方移动,内容提纲,人工智能基本概念与发展历史人工智能与大数据人
21、工智能在气象领域的应用案例人工智能在环保领域的应用案例人工智能在网络安全领域的应用案例人工智能面临的机遇与挑战总结与展望,32,业务需求:需要利用大数据分析人工智能等技术,以数据驱动业务,以分析支持科研,业务需求许多小的功能由于结合不同时期的需求自主开发,较为零散,导致操作分散需要整合多维度数据辅助人工数据审核人工生成报表,查询指定时间、指定维度数据困难、工作量大使用excel模板生成报表,易出错,分析层次,1. 多维度综合查询,从Excel中解放出来,2. 常规统计分析报表,业务轻松一览,统一的数据资源池,3. 高级模型挖掘,获取深入洞察,大气环境业务数据和信息的数据视图,未来,小型监测设备
22、,京津冀数据,设计方案,数 据 层,模 型 层,应 用 层,展 示 层,内部网站,报表,GIS,曲线,外部网站发布,外部移动应用,报表,GIS,曲线,社交,图像,报表,GIS,曲线,图像,模型特征,业务规则,综合观测实验室数据应用,环境空气质量分析及业务应用,大气污染源管理及应用,重污染过程分析与案例库管理,统计与数值模型预报,综合会商,重污染应急决策支持,统计模型库,自动室,分析室,遥感室,污染源室,专家知识库,空气质量预报预警,空气质量综合分析,NAQPMS,CMAQ,MM5/WRF,SMOKE,数值模型库,CAMx,AQMDSS,ARIA,WRF-CHEM,ADMS,基于案例的推理,认知
23、计算,特征场挖掘,时空模式分析,模型融合,深度学习,关联分析,场分析,误差模式挖掘,大气室,外部数据,在线源解析,数据审核,管理与融合,基于情景的污染过程仿真,污染控制方案效果评估,空气质量大数据分析,空气质量指标体系,空气质量高级统计分析工具集,基于GIS的数据耦合展示,业务知识积累,数值模型工作原理,输入数据,模型库,统计模型工作原理,数 据 层,模 型 层,应 用 层,展 示 层,内部网站,报表,GIS,曲线,外部网站发布,外部移动应用,报表,GIS,曲线,社交,图像,报表,GIS,曲线,图像,模型特征(气象场、污染变化趋势等),业务规则(平稳天气研判、逆温识别等),综合观测实验室数据应
24、用,环境空气质量分析及业务应用,大气污染源管理及应用,重污染过程分析与案例库管理,统计与数值模型预报,综合会商,重污染应急决策支持,统计模型库,自动室,分析室,遥感室,污染源室,专家知识库,空气质量预报预警,空气质量综合分析,NAQPMS,CMAQ,MM5/WRF,SMOKE,数值模型库,CAMx,AQMDSS,ARIA,WRF-CHEM,ADMS,基于案例的推理,认知计算,特征场挖掘,时空模式分析,多预报模型融合,深度学习,多污染物关联分析,气象场关联分析,预报误差模式挖掘,大气室,外部数据,在线源解析,数据审核,管理与融合,基于情景的污染过程仿真,污染控制方案效果评估,空气质量大数据分析,
25、空气质量指标体系,空气质量高级统计分析工具集,基于GIS的数据耦合展示,业务知识积累,自动室,分析室,遥感室,污染源室,大气室,外部数据,统计模型库,基于案例的推理,认知计算,特征场挖掘,时空模式分析,多预报模型融合,深度学习,多污染物关联分析,气象场关联分析,预报误差模式挖掘,空气质量大数据分析,空气质量指标体系,空气质量高级统计分析工具集,基于GIS的数据耦合展示,业务知识积累,重污染过程分析与案例库管理,现有业务提升,个性业务分析,技术方案设计,人工智能技术应用-重污染案例分析,相关分析,区域传输分析,气象条件分析,时序分析,分布分析,跨行业分析,重污染案例设计,预报会商设计,现有业务提
26、升,个性业务分析,技术方案设计,重污染案例展示,人工智能技术应用-重污染案例分析,重污染案例设计,预报会商设计,现有业务提升,个性业务分析,技术方案设计,重污染案例匹配,人工智能技术应用-重污染案例匹配,重污染案例设计,预报会商设计,现有业务提升,个性业务分析,技术方案设计,人工智能技术应用-预报预警,重污染案例设计,预报会商设计,现有业务提升,个性业务分析,技术方案设计,人工智能技术应用-个性化业务分析,模 型 层,应 用 层,展 示 层,内部网站,报表,GIS,曲线,外部网站发布,外部移动应用,报表,GIS,曲线,社交,图像,报表,GIS,曲线,图像,模型特征(气象场、污染变化趋势等),业
27、务规则(平稳天气研判、逆温识别等),综合观测实验室数据应用,环境空气质量分析及业务应用,大气污染源管理及应用,重污染过程分析与案例库管理,统计与数值模型预报,综合会商,重污染应急决策支持,统计模型库,自动室,分析室,遥感室,污染源室,专家知识库,空气质量预报预警,空气质量综合分析,NAQPMS,CMAQ,MM5/WRF,SMOKE,数值模型库,CAMx,AQMDSS,ARIA,WRF-CHEM,ADMS,基于案例的推理,认知计算,特征场挖掘,时空模式分析,多预报模型融合,深度学习,多污染物关联分析,气象场关联分析,预报误差模式挖掘,大气室,外部数据,在线源解析,数据审核,管理与融合,基于情景的
28、污染过程仿真,污染控制方案效果评估,空气质量大数据分析,空气质量指标体系,空气质量高级统计分析工具集,基于GIS的数据耦合展示,业务知识积累,自动室,分析室,遥感室,污染源室,大气室,外部数据,空气质量大数据分析,空气质量指标体系,空气质量高级统计分析工具集,基于GIS的数据耦合展示,业务知识积累,现有业务提升,个性业务分析,技术方案设计,1. 选择有效指标进行PM2.5等级与气象条件的规律挖掘,2. 自动挖掘规律,3. 语义化展示,业务人员根据专业知识总结结论,人工智能技术应用-个性化业务分析,现有业务提升,个性业务分析,技术方案设计,模型全生命周期管理,人工智能,模式挖掘,时空分布/演化特
29、征,多污染物关联特征,气象场的关联分析,预报模型的误差性能特征,预报特征库,专家知识库,业务规则引擎,业务经验,模型融合,深度学习算法,统计/数据挖掘引擎,神经元网络随机森林C5.0, CART, CHAID,广义线性回归SVMKNN,Case based Reasoning,知识集成,统一数据资源池,人工智能技术应用-技术方案设计,现有业务提升,个性业务分析,技术方案设计,内容提纲,人工智能基本概念与发展历史人工智能与大数据人工智能在气象领域的应用案例人工智能在环保领域的应用案例人工智能在网络安全领域的应用案例人工智能面临的机遇与挑战总结与展望,45,背景,什么样的网页会被称为恶意网页?便利
30、的网络服务吸引了网络攻击者们通过钓鱼网站1-1,垃圾广告1-2和恶意软件1-3推广等方式进行非法牟利。尽管这些不法活动的目的和手段各不相同,但他们都需要不知情的用户访问攻击者提供的网页地址以达到攻击目的。这些网页因此被称为恶意网页。,46,背景,恶意网页的威胁有多大?国际反钓鱼组织APWG的数据显示,2012下半年间,使用恶意网页进行网络钓鱼从93,462起攀升到123,486起。卡巴斯基报告1-4显示,恶意网页在87.36%的网络攻击中出现,并已成为黑客谋求经济利益的重要工具。Google的研究指出,其搜索结果中1.3%的页面为被挂马网页1-4.1。,47,因此,如何有效地识别恶意网页已经成
31、为亟待解决的网络安全问题之一。,背景,恶意网页识别的一些研究进展观点:恶意网页的识别与检测是一个攻防博弈问题。攻击者视角:自动生成域名技术、隐匿技术。防御者视角:学术界:URL语法特征,DNS特征,网页内容特征等。工业界:SmartScreen筛选器和Safebrowsing采用的内置黑白名单方法等。,48,下面分别从恶意网页识别问题的基本概念,识别技术和面临挑战三个方面介绍。,目前,恶意网页尚无一个明确的、统一的定义。Google2-1将恶意网页限定为一种不安全的网站,发生的场景可以是恶意软件自动下载2-2,网页弹窗2-3诱骗用户输入自己的用户名和密码等。Birhanu E.等人2-3.1将
32、恶意网页定义为一类通过利用漏洞对一次性的访问行为发起攻击的网页。百度百科上2-4对恶意网站定义为故意在计算机系统上执行恶意任务的病毒、蠕虫和特洛伊木马的非法网站,并指出他们的共同特征是采用网页形式让人们正常浏览页面内容,同时非法获取电脑里的各种数据。一般来说,恶意网页是以网页木马,钓鱼网站为代表的一类网页。不同于正常网页,恶意网页往往通过伪装成合法网站或在网页中嵌入恶意脚本,从而在用户访问时对其网络安全构成威胁。,恶意网页基本概念与评价指标,49,因此,将恶意网页定义为以网页形式出现,以访问时窃取用户隐私,安装恶意程序或运行恶意代码等恶意行为为目的的网页集合。,恶意网页识别概述,50,恶意网页
33、识别概述恶意网页识别系统基本框架包括网页采集,特征抽取,网页判别三个步骤。恶意网页识别的应用场景攻击场景检测位置主要识别特征,恶意网页识别框架,51,恶意网页识别系统基本框架,图 1. 恶意网页识别的基本框架,(1) 网页采集。负责对互联网上的网页进行收集、去重和过滤。其中,按照网页收集方式,一般可分为主动和被动两种。(2) 特征抽取。依据网页自身特点和识别方法的不同,对网页信息的特征进行抽取,作为识别恶意网页的依据。这些特征包括但不限于URL词汇特征,主机信息特征,网页内容特征,URL(DNS)黑名单,链接关系以及跳转关系等。 (3) 网页判别。主要判别方法包括:黑名单过滤法,规则匹配法,机
34、器学习方法以及基于交互式主机行为的识别方法。,恶意网页识别概述,52,恶意网页识别概述恶意网页识别的应用场景攻击场景:钓鱼网页,恶意软件下载,跨站脚本执行(XSS),SQL注入,网页木马检测位置服务器端,客户端,网关端主要识别特征此外,一些研究从HTTP会话3-23, 搜索引擎提供的相似网页3-24出发,对恶意网页的识别提供了新的思路。,图 2. 识别恶意网页的特征分类,恶意网页识别研究进展,53,恶意网页识别的方法基于黑名单技术的识别方法基于启发式规则的识别方法基于机器学习的识别方法基于交互式主机行为的识别方法。,恶意网页识别研究进展,54,恶意网页识别的方法基于黑名单技术的识别方法典型应用
35、:Google Safebrowsing,DNSBL, PhishTank等。存在问题:不能及时更新,容易漏判基于启发式规则的识别方法基于机器学习的识别方法基于交互式主机行为的识别方法,图1黑名单示例,恶意网页识别研究进展,55,恶意网页识别的方法基于黑名单技术的识别方法基于启发式规则的识别方法典型应用:火狐Firefox, IE存在问题:误报率高,规则更新难。基于机器学习的识别方法基于交互式主机行为的识别方法,图2启发式规则示例/a-z*.phish.a-z*/a-z*.malicious.a-z*/a-z*.y0utube.a-z*/,图1黑名单示例,恶意网页识别研究进展,56,恶意网页识
36、别的方法基于黑名单技术的识别方法基于启发式规则的识别方法基于机器学习的识别方法常用分类算法:PA,CW,SVM存在问题:标注数据集较少,过拟合。基于交互式主机行为的识别方法,图 3. 分类算法的工作过程,图2启发式规则示例/a-z*.phish.a-z*/a-z*.malicious.a-z*/a-z*.y0utube.a-z*/,图3特征示例LabelFeatures01 0 0 0 1 010 1 0 0 1 010 1 1 0 0 1,恶意网页识别研究进展,57,恶意网页识别的方法基于黑名单技术的识别方法基于启发式规则的识别方法基于机器学习的识别方法基于交互式主机行为的识别方法一般与蜜灌
37、技术,虚拟化技术相结合使用。按照检测行为的不同,蜜罐技术可以细分为基于模拟的低交互式蜜罐和基于真实系统的高交互式蜜罐。,恶意网页识别研究进展,58,不同类别恶意网页识别方法的比较,表 2.不同识别方法的比较,内容提纲,人工智能基本概念与发展历史人工智能与大数据人工智能在气象领域的应用案例人工智能在环保领域的应用案例人工智能在网络安全领域的应用案例人工智能面临的机遇与挑战总结与展望,59,人工智能的发展机遇(1)-大数据时代为人工智能提供了广阔的数据资源,大数据价值利用的最大瓶颈不是千万亿次的计算能力和千兆级的网络通信能力,而是智能化的信息处理能力。,60,“目前,全球数据总量每年都以倍增的速度
38、增长,预计到年将达到万亿,中国数据量到年将占全球数据总量的近。” -中国科学院院长白春礼,人工智能是发掘数据金矿的钥匙,数据资源和识别任务的不断快速增长为人工智能提供了燃料和方向。,人工智能的发展机遇(2)-深度学习等新技术提供了方法创新,61,2007年前后逐渐发展起来的深度神经网络,深度置信网络以及对抗神经网络等多种网络模型结构,并在语音识别、图像识别等领域得到广泛应用。通过运用这一类技术,人类首次在图像识别领域战胜人类,首次在围棋正式比赛中战胜人类冠军。,深度学习技术的不断发展为人工智能提供了引擎和动力。,人工智能的发展机遇(3)-学科领域交叉与渗透,人工智能的广泛应用使得若干传统学科的
39、研究方法出现了巨大创新。而相关领域在大数据时代的研究成果也能够对人工智能理论与方法带来影响,进而推动人工智能学科与其他学科的协同创新。,62,学科领域交叉与渗透为人工智能的未来提供了无限可能。,人工智能的重大挑战-复杂的大数据(数据制约),63,海量庞杂,良莠不齐,异构多源,动态演变,64,人工智能的重大挑战-开放式动态环境(环境制约),数据分布恒定,样本类别恒定,样本属性恒定,评价目标恒定,数据分布偏移,样本类别增长,旧样本属性不全,评价目标多元化,开放式动态环境下如何保证“人工智能”技术的鲁棒性是解决问题的关键。,封闭静态环境,开放动态环境,数据规模扩大带来的计算效率问题。算法升级带来的计
40、算效率问题。,所有数据,大数据,65,人工智能的重大挑战-计算效率问题(性能制约),公开数据,公开政府数据,我的数据,人工智能面临的威胁(人工智能威胁论),“人工智能可能是人类生存的最大威胁。短期内,最直接的威胁是人工智能将取代人类工作。马斯克称,在未来20年,驾驶人员的工作将被人工智能所颠覆。之后,全球12%至15%的劳动力将因为人工智能而失业。”,66,“有些人是因为对人工智能的原理不理解而导致恐惧,有些人是为了个人名望而宣扬人工智能威胁论,有些人则是为了商业利益而推动人工智能威胁论。”,Yann LeCun Facebook AI负责人,特斯拉CEO 马斯克,指数式增长,波浪式增长,哪种
41、才是AI的未来?,总结与展望,67,1、逻辑(logical)2、语言文字(linguistic)3、空间(spatial)4、音乐(musical)5、肢体动作(kinesthetic)6、内省(intra-personal)7、人际(inter-personal)8、自然探索(naturalist)9、图形图像(Graphics),伴随大数据时代的到来,计算能力的大幅提升,人工智能技术在越来越多的领域取得了突破或者长足的进步。,AI离人类智能还有多远?对比哈佛大学心理学家加德纳的多元智能理论,在空间、音乐和肢体运动方面有差距,在内省、人际和自然探索方面尚无可比性。,历史是螺旋进步的,人工智能走到今天并非一帆风顺,经历了三个浪潮。,语音识别,图像识别,自然语言处理,明天,今天,昨天,68,