篇（1）

［作者简介］凌广宇，广西广播电视信息网络股份有限公司鹿寨分公司总经理，工程师，研究方向：广播电视传输，广西 柳州，545600

［中图分类号］ TP277 ［文献标识码］ A ［文章编号］ 1007-7723（2014）01-0021-0003 鹿寨县作为广西柳州市最早的平安城市试点地区，经过5年多的发展和建设，视频监控前端已经基本覆盖了全县的主要路口、路段以及重点场所。鹿寨县是安防监控系统最早开始高清化视频改造的地区之一，2011年后新建的公共安全监控点全部采用数字百万高清视频，部分重点区域的老旧摄像机也进行了升级改造。由此鹿寨的安防监控从过去的“看得见”，逐步向 “看得清楚”发展。

但随着视频监控前端规模越来越大，一些潜在问题也暴露出来。首先，目前视频监控的最重要环节仍旧是靠人监看。人工监看不但成本高，而且存在无法避免的问题，譬如人眼观看同一画面超过一定时间后会自动漏掉内容信息，或人是一定会疲劳、会有注意力不集中等等情况，导致靠人工无法实现预警作用。其次，由于监控前端的快速增加以及较长的存储时间要求，形成了海量的视音频存储数据，想要查找、调阅有效的视音频数据需要庞大的工作量。因此，传统视频监控系统面临更新换代的局面。

一、智能高清是必然趋势

监控视频由早期的D1分辨率，逐步发展到现在的720P、1080P甚至4K分辨率，从技术上解决了图像清晰度的问题。而智能视频分析技术，由于其具有视频目标实时提取、跟踪、分析的能力，可以实时发出预警，从而改变了传统视频监控系统的被动监看状态。同时，事后取证难的问题也迎刃而解。其相比于传统视频监控系统更加快速的反应时间以及更加强大的数据检索和分析功能，使得监控能力得到极大的改善。

智能视频分析技术具有以下主要功能：

1.提前预警。智能视频分析技术不仅能实现事件事后查询、取证，而且能主动、实时地对视频图像内容进行分析，根据预先设置的报警规则，及时发现、预警可疑事件的发生。

2.自动管理。智能视频分析技术可以同时对所有接入视频的信号进行处理，而不仅仅限于电视墙或者监控客户端上看到的，不会遗漏任何一个可疑事件。

3.全天候监管。智能视频分析技术实现24小时的全天候监控，而不必依赖于管理人员。

4.提取有效内容。智能视频分析技术从海量视频中提取出有用的关键信息，对于用户关心的人、车、物进行动态标记，实现随时随地按需查询。

5.自动分析行为。智能视频分析技术功能应用多样化，能够逐步扩充自动识别的行为，可更为广泛的应用。

二、智能高清的核心――智能视频分析算法

智能高清应用中，智能视频分析算法是核心。智能视频分析算法即计算机图像视觉分析技术，其通过将场景中背景和目标分离，进而进行分析，并追踪场景内出现的目标。用户可以根据视频分析功能，通过在不同的场景中预设不同的报警规则，一旦场景中出现了违反预定义规则的行为，系统便会自动发出报警，前置式的智能摄像机便会自动将报警图像上传到后端监控PC机，使用户可以根据情况采取相关措施。

上图1为智能视频分析技术处理事件过程示意图。

在智能视频分析算法中，有四项关键技术：

1.目标识别和跟踪。视频监控中90%以上的内容都是无用的静止画面或者用户不关心的内容，这些视频内容占据了绝大部分的网络传输通道和存储空间，也大大增加了用户寻找有用信息的难度，如何有效地获取需要的视频内容成为难题。智能视频分析技术中，目标识别和跟踪是最基础、最核心的技术，识别算法一般将识别目标分为人、车、物三大类。在1080P的高清画面中，识别目标最小可以是4×4个像素。当智能视频分析算法提取了目标以后，就可以根据用户的需求设置不同虚拟规则，从而自动提示报警，我们所熟知的视频拌线、区域入侵、目标徘徊、人数/车辆统计等等，都是在目标提取的基础上虚拟的规则应用。

2.视频内容分析。在视频画面针对不同类型的目标，可以归纳、分析不同的行为，比如人物的体态特征、暴力打架、异常奔跑等，有了这些内容分析，就可以针对一些常见的突发事件进行预先报警设置，实现事件的预警和最短事件处警。

3.视频场景自学习。智能视频分析技术是根据动态场景中，提取有效的目标，场景中的常态画面或者外部环境的自然变化需要智能视频分析算法自动过滤。目前的最新技术方向是自动学习、认知场景。也就是智能视频分析算法可以学习，认识场景中目标，并作为常态背景进行处理。视频场景自学习能力的高低直接关系到视频目标识别、跟踪以及分析的效果。

4.局部图像增强。局部图像增强是图像处理技术与智能视频分析技术的结合，视频编码算法根据智能视频分析技术提取的目标进行最高质量的处理，对于其他画面进行弱化处理，也就实现了最小传输带宽和存储空间的条件下，保证有效目标的最清晰图像处理。

三、智能高清系统形态

从现行的技术来看，智能高清视频系统主要分为三类：基于PC服务器的智能分析系统、嵌入到NVR/DVR中的智能分析系统以及内置到前端摄像机的智能分析系统。

（一）基于PC服务器的智能分析系统

智能视频分析算法运行在中心服务器或者PC上，前端采用普通的高清摄像机。目前主流的PC，一台机器可以实现16~32路的智能视频分析。基于PC构架的智能分析系统具有灵活部署的优势，在新建系统中可以按需部署，随时扩容；在老旧系统改造中，也可以最大限度地利用原有投资。鹿寨县公安局利用这种方式在指挥中心进行了试点应用，实现了对县政府、办、法院等场所的人群密度的自动检测，一旦有人群聚集发生，智能视频分析系统会自动识别提示报警，并切换视频到指挥中心大屏。不过，由于PC性能的限制，无法进行大规模部署，限制应用范围，同时对于中心带宽也带来更大的压力。

（二）嵌入到NVR/DVR中的智能分析系统

在NVR或者DVR中嵌入智能视频分析算法是一套非常灵活高效的方案，它可以分散管理中心识别构架压力，可以灵活配置智能视频分析前端数量，同时不额外占用系统带宽。不过，由于嵌入式芯片性能的限制，导致识别能力不足，每台设备最多只能同时识别1~4路，无法完全满足系统的部署要求。

（三）内置到前端摄像机的智能分析系统

将智能视频分析算法内嵌到前端摄像机中，就好比让“眼睛”学会了“思考”，每个监控点都可以根据用户需要设置自动识别规则。由于智能高清摄像机内嵌了智能视频分析算法，也就意味着每个监控点都有了独立工作的能力，可以根据用户需要传输视频内容，最大程度地节约传输带宽和存储空间；对视频内容中的信息进行自动识别标记，方便检索查找；对视频场景中的人、车、物进行识别跟踪，一旦触发预设规则立即报警。

四、智能高清在平安鹿寨中的应用

截至2013年底，鹿寨县基本实现了城市主要路口、路段以及重点场所全覆盖，关键监控点的高清升级改造。整个系统采用了前端智能视频分析与中心智能分析相结合的方式，充分利用原有视频监控资源，同时发挥新建高清监控前端的优势，大大的提高了实时预警能力，极大地缩短了事后视频查找时间。系统具有了快速、有效和全面的管理能力和功能。

（一）三级系统框架，两级行政管理

整个系统由前端设备、传输网络以及管理中心三部分组成，县级指挥中心为一级管理单位，各个派出所为二级使用单位。所有监控图像统一汇总到县级指挥中心，进行集中录像、分发和上墙处理。派出所根据所辖区域范围，通过客户端可以浏览和调阅监控视频。

（二）重点区域智能视频分析预警

对于县政府、公安局、办以及人民广场等重要场所，通过智能视频分析技术，对高清监控视频进行人员聚集、人员打架、冒烟着火以及物品遗留/遗失等功能自动检测，一旦发现异常自动切换视频到指挥中心大屏，并通知值班复核处理。

（三）可疑车辆跟踪、布控

通过路口、路段的智能高清卡口摄像机，可以实时检测、识别和跟踪所有车辆，并对可疑车辆形成全城布控，一旦有突发事件可以迅速定位到目标车辆，并分析出所有行车轨迹。

（四）报警联动预案

单点监控视频发生报警后，可以根据其地理位置信息，迅速将相邻路口、路段视频切换到电视墙和监控客户端上，形成完整视频布控。同时，根据目标移动速度，系统自动延时切换稍远地理位置图像到监控客户端或者电视墙上。

（五）人机有效结合

系统通过智能分析技术全天候的对视频进行分析检测，一旦发生异常后迅速通知管理人员复核处理，对于有效的报警实时处理上报到二级报警管理，进行相关预案联动，对于误识别或者错误报警进行消除管理。

五、智能高清技术发展趋势

智能视频识别技术虽然一直在发展、完善，但是依然存在环境要求高、误报率高、成本高的问题。也正是这些问题阻碍了智能技术的全面普及应用。

不过，在全球最前沿的智能视频分析领域，一些突破性的技术已经有了研究成果，这些成果将有可能极大地改善目前智能技术存在的主要问题。其中，最重要的两个研究方向是三维视频分析和机器智能技术。

三维视频分析技术是以三维图像为基础，进行目标提取、跟踪和分析。该技术解决了二维场景中，目标景深的问题，对于目标定位和提取具有显著改善。

机器智能技术是指依靠机器本身对目标进行分类、特征提取以及行为分析技术。原来的智能视频分析技术依靠人对目标进行特征提取、分类，然后再进行分析，这种方法对于一般性的简单事件可以较好的分类、提取和分析，但是对于很多复杂的事件则有些力不从心了。而机器智能技术则是充分理由机器本身对大量目标素材的总结分析，形成一套机器自身理解的分类、提取和分析方法，这种方式对于原有的智能视频分析研究方向有了颠覆性的改变，真正地由人工智能向机器智能转化。

六、结 语

安防视频监控已经迈向高清安防视频监控，正在牵手智能，未来视频监控高清化、智能化的特征将更加凸显。智能高清视频监控的应用，将大幅度提升安防监控在维护社会公共安全方面的价值，对保障人民生命财产安全，提高社会生活、生产质量、防御各种灾害，促进节能减排具有非常重要的意义。

篇（2）

中图分类号：TP31 文献标识码：A 文章编号：1006-8937（2016）11-0077-02

1 概 述

近年来，视频监控技术取得飞速的发展，其中视频监控系统设备虽然拥有了较好的性能，但仍存在一些因素限制，使得视频监控出现一些误差缺陷，导致整个系统的安全性和实用性大大降低。此外，社会的不断发展和人口数量的不断增多使得人们对安全性要求越来越高，监控摄像的覆盖面不断扩大，传统的视频监控技术只能实现监控记录实况，无法实现预测和报警，而实现实时监控，就需要人工监看视频，时间过久就会出现疲劳，甚至在面对多路视频监控时容易出现错误，无法及时对异常情况作出反应。这些问题的解决就需要将智能监控技术引入视频监控系统中，辅助视频监控人员做好监察工作。

目前，计算机的视觉进步使得智能监控技术得到广泛的重视和研究，也使得智能视频监控技术成为研究的热点。为从众多数据中高效提取出有用的信息，监控工作就需要充分应用智能视频监控技术。具体来讲，智能视频监控技术就是由计算机储存摄像图像并对图像序列内容进行理解和分析，及时检测出异常情况，进行自动预警和报警。

2 智能视频监控技术的发展史

视频监控技术的研究有助于相关人员做好安全防范工作，尽可能地从被监控的区域用最短时间获取有用的信息。最初我国监控是完全依赖人工获取信息和处理信息的，比如清朝的东厂，以及飞鸽传书、守门之犬。乔家大院的“万人球”是中国历史上最早被采用来进行监控的外部设备，本质上是水银玻璃制作的镜子，主要用它来监视房间内的一举一动。到了19世纪70年代才真正出现了现在的视频监控，人类开始采取摄像来获取信息，这也是智能视频监控技术的最初萌芽时期。鉴于信息科技的不断发展和市场需求得不断提高，现代的视频监控技术发展大体上三个阶段：模拟化、数字化和智能化。本部分将具体对这三个阶段进行阐释。

2.1 模拟化的视频监控技术

在20世纪70年代开始，光学成像技术飞速发展，电子技术也取得了较大的成就。这些成果都使得视频监控设备制作和使用可能性加大。为了实现这样的目标，世界出现了电子监控系统，满足了利用电子设备进行监控的需要。此阶段主要是以CCTV监控为主，这也就是早期的模拟视频监控系统。CCTV的工作原理就是采用同轴电缆进行传输信息，信息由模拟监视器显示、由磁带录像机进行信息储存。模拟视频监控技术的价格较为低，安装简易，主要广泛被采用到规模较小的安全防范系统中。

2.2 数字化的视频监控技术

到了20世纪90年代，数字压缩编码技术和芯片技术取得了较为突出的进步。再者模拟化的视频监控技术出现了一些缺陷，比如磁带录像机的储存量较小，监控范围有限等。初期主要采用NVR，被称为半数字时代，慢慢发展到后期主要采用DVR进行监控，这才真正实现了数字化的视频监控。DVR最显著的特点就是可以使得监控系统储存较多的视频信息，容纳较多的摄像头，从而解决了模拟视频监控系统的储存量问题。数字化的视频监控技术应用广泛，具有良好的扩展性，使用维护较为简单容易。数字化的视频监控技术发展为以后智能化的视频监控发展奠定了基础。

2.3 智能化的视频监控技术

进入21世纪，计算机视觉和模式识别技术获得了飞速的发展，使得第二代的数字化视频监控技术取得较大进步。因此，大规模的布置监控系统的可能性加大。目前全球对视频监控系统需要迫切，各区域的摄像头越来越多，这样方便了大规模的安全防范工作，可以及时获取大量的数据信息进行实时监控，但是也给人类带来较大的挑战。鉴于这些问题，世界上出现了智能化的视频监控系统，主要利用计算机视觉和模式识别技术对视频图像利用各种算法进行分析，依据事先设置好的安全程序及时发出报警信号，做好事中分析和预警工作。

3 智能视频监控技术的核心算法

作为智能化的视频监控系统，最大的特点就是可以自动化运行，全天二十四小时对监控画面进行实时分析和报警。这样既能及时识别异常情况，还能提醒安保人员做好准备工作。智能化应用于视频监控技术得到了各界的认可，本部分主要介绍从底层、中层和高层三个层次智能视频监控技术的核心算法。

3.1 目标检测算法

目标检测算法主要是在底层对视频图像进行采集获取终端上的图像序列，对异常情况目标进行检测，跟踪目标以便及时对目标做好后续的处理分析工作，其中关键就是确定目标的位置和储存量。

目前根据处理对象不同可将目标检测分为两种：基于目标建模的目标检测和基于背景建模的目标检测。前者主要特征就是应用场景较为广泛：既能对固定摄像机记录的视频图像进行分析，还能对静态图像和移动摄像机记录的视频图像进行分析。主要应用于检测速度较慢、扫描视频图像较多的区域，此检测方法实时性较差，且对受遮挡影响较大，容易漏检。后者只能适用于背景不变的运动目标，若背景发生变化时无法检测。此检测方式主要针对视频进行较快的处理，对受遮挡部分的影响较小，一般实时性较强，广泛应用于固定摄像机检测。

3.2 目标跟踪算法

目标跟踪算法主要是针对底层阶段确定好的目标进行跟踪，确定目标的具体轨迹。目标跟踪问题的解决关键点在于处理好计算机视觉的问题，这也是实现智能视频监控技术的关键环节，应用性较为广泛。目前依据应用场景的差别将目标跟踪算法分为两种：单一场景目标跟踪和综合场景目标跟踪，前者具体细分为跟踪单个目标和跟踪多个目标，后者具体细分为重叠场景目标跟踪和非重叠场景目标跟踪。在单个场景中，一个目标可以在连续的空间里非常相似；而在重叠场景中的目标跟踪时较为复杂，目标可以从一个场景进入另一个场景，需要在连续的空间里确定好新进入场景的目标的具体信息；在非重叠场景的目标跟踪算法中，鉴于场景间相互存在盲区，不同场景会影响到同一目标的观测数据信息。

3.3 目标的分类识别算法

目标的分类和识别主要是在中层阶段以底层上获取的信息为基础，对其进行判断识别，具体认知目标，做好定位目标的工作。简单来说，就是判断识别视频图像中的物体类别，以识别目标的具体情况。这也是高层计算机视觉得到广泛应用的前提。近十年来主要有词袋模型和深度学习模型这两种算法得到广泛的应用。前者主要是将大量的工作集中在特征编码和特征汇聚上，主要是由特征提取出来数据信息，接着对其进行特征聚类、编码和汇聚，最后由分类器做好分类工作。而后者主要是模拟人脑的神经元处理结构听过学习层次化的方式将目标由底层到中层再到高层的特征进行记录，最终建立反馈机制并形成认知。

3.4 行为分析算法

行为分析主要是在高层充分应用计算机视觉信息对行为主体即目标的具体运动进行分析的算法。根据信息的复杂度不同可将行为分析分为静态姿态识别、运动行为识别和复杂事件分析方法三种。第一种主要是将静态图像作为研究对象，根据时空特征对其进行识别，分析目标的时空体特征、局部特征和轨迹特征。第二种主要是利用时序推理其行为，并利用统计模型和句法模型对目标的行为进行分析。第三种主要是分析目标的交互行为和群体行为。

4 物联网时代下的智能视频监控的挑战及发展方向

4.1 跨场景挑战

目前全球的摄像头数量越来越多，急需智能视频监控技术可以跨各个场景适用。同时监控使用的摄像机不单单包括固定摄像机，还包括移动摄像机等，这些都是的监控摄像机在全球各场景下广泛分布，而如何将这些设备建立成一个系统的体系是将来智能视频监控技术面临的一大挑战。

4.2 跨空间挑战

从视频监控系统开始发展至今，监控数据种类也由单一变得复杂多样，很多信息都可以作为监控数据的载体，进行数据储存。这使得处理数据工作也变得繁琐复杂，因此如何处理好各个载体中的信息，获取有效的信息，将大数据转变成为小数据是未来智能视频监控技术面临的一大问题。

4.3 发展方向

基于物联网时代的迅速发展，智能视频监控技术将面临巨大的机遇和挑战。物联网时代下，信息的传送和集中可以实现跨空间获取有用的数据，还可以扩展到多样化的智能分析。大体上将来的智能视频监控技术具有三大特性：高效视觉网、主动视觉网和协同视觉网。这也是将来智能视频监控系统发展研究的主要方向。

5 结 语

综上所述，智能视频监控技术的发展时间较长，且具有广阔的发展空间；智能视频监控的核心算法还处于积累阶段，需要不断应用验证技术，做好研究工作。物联网时代下的智能视频监控技术面临着巨大的机遇和挑战。我们坚信在未来智能视频监控技术将为监控系统发挥最大的作用，适应时代的发展。

参考文献：

篇（3）

一、背景描述

 

当前，中国通信业竞争不仅体现在价格上，更体现在服务上，在当前通信市场客户需求多元化、服务竞争越来越成为竞争焦点的背景下，只有不断创新，为客户提供优质的、人性化的服务，才能赢得客户，赢得市场。为了简化投诉处理流程，限时解决用户投诉，进一步提高公司全业务运营后客户投诉处理工作效率，保障客户投诉得到及时有效的解决，我们引入了一种基于信息的智能匹配技术，采用数据库相似字段匹配技术实现源数据库与目标数据库的表与字段的匹配。该系统的建立是在总结大量处理的投诉问题基础上，对问题进行归纳总结，将问题分类划分。针对不同类别问题设计不同的解决问题的思路，做到最快速的定位问题，同时给出最佳解决问题的方案。

 

二、系统设计概要

 

经过需求分析，我们将投诉智能支持系统的设计主要分以下两个方面：首先，在投诉受理阶段，主要体现智能分类、智能分拣：建立问卷式、引导型的投诉受理和信息推送智能模块。根据投诉处理的问题，梳理出投诉受理模型、场景，由被动式向主动式转变，使投诉受理规范化，投诉的问题明确、智能化分类和分拣，提高客服人员投诉自处理能力。其次，处理客服投诉工单时要实现智能处理：即建立统一投诉处理管控平台——投诉智能支持系统平台，目前平台已经建设完成，以信息化为切入点解决了信息化部的投诉处理。下一步系统功能进一步完善、外延，支撑解决通信公司的投诉处理，提高公司投诉处理人员的工作效率。

 

通过输入问题信息与当前场景信息进行匹配，将符合问题的场景按照逻辑步骤逐条分析，定位出问题产生的原因，并按照标准化的答复模板进行回复，实现投诉智能处理。投诉智能支持系统平台的后台服务采用Struts2+hibernate+Spring轻量级J2EE架构，基于Tomcat应用服务器，具备高度的灵活性和可靠性。

 

三、系统功能简介

 

a、智能检测。智能检测可以根据用户的投诉问题内容智能判断出问题的归属类型，并根据输入的号码做出初步判断，系统将80%以上的问题可以自动检测出来，同时54%以上的问题可以自动产生直接回复客服系统的答复模板。

 

b、自动化运行。智能客服投诉辅助系统核心思想是针对具体问题提供快速准确的解答方案，系统根据输入的内容可以直接调用适用的案例场景，整个过程都是系统自动处理，不需要人工干预。

 

c、处理逻辑透明化。每个案例场景的数据分析，都是经过长期处理投诉的专业人士通过头脑风暴的方式将所有分析情况汇总而成，分析步骤清晰而有逻辑性，该系统将这些投诉分析的经验总结用JAVA语言和MYSQL数据库方式，将处理过程界面化，处理逻辑透明清晰，简单易懂。

 

d、全平台接口。目前，该系统与计费系统、CRM系统、资源系统等多个系统进行了接口连接，并且与多个数据库进行连接，自动搜索处理该问题需要的数据，不需要多个系统多个地市间的工号转换，节省的大量的登陆不同系统，查询不同表数据的操作步骤。

 

四、系统应用情况

 

目前许多通信公司还采用传统的方法获取产品和服务的思路，这样难以改进客服服务提升。对客服投诉信息挖掘和分析是关键，因此采用智能分析与场景相结合，以计费规则及数据为辅，可以准确定位到客服投诉的真实原因，以下是系统的主要特性：1.采集场景及客服投诉信;2.与业务支撑系统建立接口，进行数据交互;3.制定匹配规则，与场景结合一一对应;4.展现投诉处理步骤及统一回复口径。

 

使用智能分析投诉系统可以满足不同角色的需求：1.管理层：通过投诉热点的变化、投诉热点的关键词、投诉原因等信息，迅速掌握热点的变化，制定满意度改善决策。2.分析人员：可以通过关键词分析，快速定位投诉原因，发现产品和服务问题，寻求优化工作及解决问题。3.一线人员：可以在客户投诉时，根据投诉内容实时定位投诉原因，同时显示相关数据。系统可以输入投诉内容，自动显示处理步骤和结果。

 

五、结束语

 

篇（4）

中图分类号：TP391 文献标识码：A

0.引言

2016年3月15日，备受瞩目的“人机大战”终于落下帷幕，最终Google公司开发的“AlphaGo”以4∶1战胜了韩国九段棋手李世h。毫无疑问，这是人工智能历史上一个具有里程碑式的大事件。大家一致认为，人工智能已经上升到了一个新的高度。

这次胜利与1997年IBM公司的“深蓝”战胜国际象棋世界冠军卡斯帕罗不同。主要表现在两个方面：

（1）AlphaGo的胜利并非仅仅依赖强悍的计算能力和庞大的棋谱数据库取胜，而是AlphaGo已经拥有了深度学习的能力，能够学习已经对弈过的棋盘，并在练习和实战中不断学习和积累经验。

（2）围棋比国际象棋更加复杂，围棋棋盘有361个点，其分支因子无穷无尽，19×19格围棋的合法棋局数的所有可能性是幂为171的指数，这样的计算量相当巨大。英国围棋联盟裁判托比表示：“围棋是世界上最为复杂的智力游戏，它简单的规则加深了棋局的复杂性”。因此，进入围棋领域一直被认为是目前人工智能的最大挑战。

简而言之，AlphaGo取得胜利的一个很重要的方面就是它拥有强大的“学习”能力。深度学习是源于人工神经网络的研究，得益于大数据和互联网技术。本文就从人工智能的发展历程与现状入手，在此基础上分析了人工智能的未来发展前景。

1.人工智能的发展历程

AlphaGo的胜利表明，人工智能发展到今天，已经取得了很多卓越的成果。但是，其发展不是一帆风顺的，人工智能是一个不断进步，并且至今仍在取得不断突破的学科。回顾人工智能的发展历程，可大致分为孕育、形成、暗淡、知识应用和集成发展五大时期。

孕育期：1956年以前，数学、逻辑、计算机等理论和技术方面的研究为人工智能的出现奠定了基础。德国数学家和哲学家莱布尼茨把形式逻辑符号化，奠定了数理逻辑的基础。英国数学家图灵在1936年创立了自动机理论（亦称图灵机），1950年在其著作《计算机与智能》中首次提出“机器也能思维”，被誉为“人工智能之父”。总之，这些人为人工智能的孕育和产生做出了巨大的贡献。

形成期：1956年夏季，在美国达特茅斯大学举办了长达2个多月的研讨会，热烈地讨论用机器模拟人类智能的问题。该次会议首次使用了“人工智能”这一术语。这是人类历史上第一次人工智能研讨会，标志着人工智能学科的诞生。其后的十几年是人工智能的黄金时期。在接下来的几年中，在众多科学家的努力下，人工智能取得了瞩目的突破，也在当时形成了广泛的乐观思潮。

暗淡期：20世纪70年代初，即使最杰出的AI程序也只能解决问题中最简单的部分，发展遇到瓶颈也就是说所有的AI程序都只是“玩具”，无法解决更为复杂的问题。随着AI遭遇批评，对AI提供资助的机构也逐渐停止了部分AI的资助。资金上的困难使得AI的研究方向缩窄，缺少了以往的自由探索。

知识应用期：在80年代，“专家系统”（Expect System）成为了人工智能中一个非常主流的分支。“专家系统”是一种程序，为计算机提供特定领域的专门知识和经验，计算机就能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。不同领域的专家系统基本都是由知识库、数据库、推理机、解释机制、知识获取等部分组成。

集成发展期：得益于互联网的蓬勃发展、计算机性能的突飞猛进、分布式系统的广泛应用以及人工智能多分支的协同发展，人工智能在这一阶段飞速发展。尤其是随着深度学习和人工神经网络研究的不断深入，人工智能在近几十年中取得了长足的进步，取得了令人瞩目的成就。

人工智能发展到今天，出现了很多令人瞩目的研究成果。AlphaGo的胜利就是基于这些研究成果的一个里程碑。当前人工智能的研究热点主要集中在自然语言处理、机器学习、人工神经网络等领域。

2.人工智能l展现状与前景

人工智能当前有很多重要的研究领域和分支。目前，越来越多的AI项目依赖于分布式系统，而当前研究的普遍热点则集中于自然语言处理、机器学习和人工神经网络等领域。

自然语言处理：自然语言处理（Natural Language Processing，简称NLP），是语言学与人工智能的交叉学科，其主要功能就是实现让机器明白人类的语言，这需要将人类的自然语言转化为计算机能够处理的机器语言。

自然语言处理主要包括词法分析、句法分析和语义分析三大部分。词法分析的核心就是分词处理，即单词的边界处理。句法分析就是对自然语言中句子的结构、语法进行分析如辨别疑问句和感叹句等。而语义分析则注重情感分析和整个段落的上下文分析，辨别一些字词在不同的上下文定的语义和情感态度。

当前自然语言的处理主要有两大方向。一种是基于句法-语义规则的理性主义理论，该理论认为需要为计算机制定一系列的规则，计算机在规则下进行推理与判断。因此其技术路线是一系列的人为的语料建设与规则制定。第二种是基于统计学习的经验主义理论，这种理论在最近受到普遍推崇。该理论让计算机自己通过学习并进行统计推断的方式不停地从数据中“学习”语言，试图刻画真实世界的语言现象，从数据中统计语言的规律。

机器学习：机器学习（Machine Learning）是近20年来兴起的人工智能一大重要领域。其主要是指通过让计算机在数据中自动分析获得规律，从而获取“自我学习”的能力，并利用规律对未知数据进行判断和预测的方法。

机器学致可以分为有监督的学习和无监督的学习。有监督的学习是从给定的训练数据集中练出一个函数和目标，当有新的数据到来时，可以由训练得到函数预测目标。有监督的学习要求训练集同时有输入和输出，也就是所谓的特征和目标。而依据预测的结果是离散的还是连续的，将有监督的学习分为两大问题，即统计分类问题和回归分析问题。统计分类的预测结果是离散的，如肿瘤是良性还是恶性等；而回归分析问题目标是连续的，如天气、股价等的预测。

无监督学习的训练集则没有人为标注的结果，这就需要计算机去发现数据间的联系并用来分类等。一种常见的无监督学习是聚类分析（Cluster Analysis），它是将相似的对象通过静态分类的方法分成不同的组别或者是特定的子集，让同一个子集中的数据对象都有一些相似的属性，比较常用的聚类方法是简洁并快速的“K-均值”聚类算法。它基于K个中心并对距离这些中心最近的数据对象进行分类。

机器学习还包括如半监督学习和增强学习等类别。总而言之，机器学习是研究如何使用机器来模拟人类学习活动的一门学科，而其应用随着人工智能研究领域的深入也变得越来越广泛，如模式识别、计算机视觉、语音识别、推荐算法等领域越来越广泛地应用到了机器学习中。

人工神经网络：在脑神经科学领域，人们认为人类的意识及智能行为，都是通过巨大的神经网络传递的，每个神经细胞通过突出与其他神经细胞连接，当通过突触的信号强度超过某个阈值时，神经细胞便会进入激活状态，向所连接的神经细胞一层层传递信号。于1943年提出的基于生物神经元的M-P模型的主要思想就是将神经元抽象为一个多输入单输出的信息处理单元，并通过传递函数f对输入x1，x2…，xn进行处理并模拟神经细胞的激活模式。主要的传递函数有阶跃型、线性型和S型。

在此基础上，对神经网络算法的研究又有诸多进展。日本的福岛教授于1983年基于视觉认知模型提出了卷积神经网络计算模型。通过学习训练获取到卷积运算中所使用的卷积系数，并通过不同层次与自由度的变化，可以得到较为优化的计算结果。而AlphaGo也正是采用了这种深度卷积神经网络（DCNN）模型，提高了AlphaGo的视觉分类能力，也就是所谓的“棋感”，增强了其对全盘决策和把握的能力。

3.人工智能的发展前景

总体来看，人工智能的应用经历了博弈、感知、决策和反馈这几个里程碑。在以上4个领域中，既是纵向发展的过程，也是横向不断改进的过程。

人工智能在博弈阶段，主要是实现逻辑推理等功能，随着计算机处理能力的进步以及深度学习等算法的改进，机器拥有了越来越强的逻辑与对弈能力。在感知领域，随着自然语言处理的进步，机器已经基本能对人类的语音与语言进行感知，并且能够已经对现实世界进行视觉上的感知。基于大数据的处理和机器学习的发展，机器已经能够对周围的环境进行认知，例如微软的Kinect就能够准确的对人的肢体动作进行判断。该领域的主要实现还包括苹果的Siri，谷歌大脑以及无人驾驶汽车中的各种传感器等。在以上两个阶段的基础上，机器拥有了一定的决策和反馈的能力。无人驾驶汽车的蓬勃发展就是这两个里程碑很好的例证。Google的无人驾驶汽车通过各种传感器对周围的环境进行感知并处理人类的语言等指令，利用所收集的信息进行最后的决策，比如操作方向盘、刹车等。

人工智能已经渗透到生活中的各个领域。机器已经能识别语音、人脸以及视频内容等，从而实现各种人际交互的场景。在医学领域，人工智能可以实现自动读片和辅助诊断以及个性化t疗和基因排序等功能。在教育领域，机器也承担了越来越多的辅助教育，智能交互的功能。在交通领域，一方面无人车的发展表明无人驾驶是一个可以期待的未来，另一方面人工智能能够带来更加通畅和智能的交通。另外人工智能在安防、金融等领域也有非常广阔的发展前景。总之，人工智能在一些具有重复性的和具备简单决策的领域已经是一种非常重要的工具，用来帮助人们解决问题，创造价值。

参考文献

篇（5）

中图分类号：F23

文献标识码：A

doi：10.19311/ki.16723198.2017.01.046

1引言

自2016年3月9日，韩国首尔的“人机大战”围棋赛上，AlphaGo以4：1战胜韩国九段李世石，人工智能再度引起了社会的高度关注。环顾我们的生活环境，无论医疗方面，人类发现新的治疗癌症的药物，还是交通科技方面，发明出全自动座驾，抑或是简单的身份证明，识别人的面孔或者指纹等等，都离不开人工智能。虽然在上市企业年报审计这样的财务会计方面，人工智能目前涉及得并不深，但我们相信，如果有人工智能做技术铺垫，以其为背景，年报审计模式一定能够有很好的创新与前所未有的改革，以此更好地满足客户以及行业的需求。

2人工智能背景下上市企业年报审计模式的内涵

在人工智能背景下，上市企业年报审计模式，是在会计信息化的审计环境下产生的。它是上市企业专门针对财务报表的审计内容，以实现审计为目标，运用信息化审计方法进行财务信息处理的一种信息化审计模式。其各个核心要素具体解释如表1。

3人工智能背景下上市企业年报审计效率极大提高

上市企业在人工智能背景下使用会审软件，不仅可以使企业的员工无需花费过多的时间与精力在机械重复地处理财务信息上，也可以很大程度地提高上市企业年报审核工作的效率。审计部门通过应用会审软件，使人力资源的耗费在一定程度上得到降低，更可以通过该软件在最短的时间内，对各种报表、交易账目等进行更为全面的分析，对各种数据进行较为客观的风险评估，能够尽快找出问题所在，以使上市公司的年报审计效率得到极大提高。

4人工智能背景下上市企业年报审计信息质量加强

纵观前些年的上市企业年报审计信息，信息失真可以说是整个财会审计行业存在的普遍现象。究其根本原因，还是因为在没有人工智能的时期，审计信息是靠人力的手工编制。在人为操作中，失误肯定在所难免的，现象也会有所出现。而一旦将人工智能运用于上市企业年报审计中，人工智能取代部分人为，那么由于人工失误造成的年报审计信息失真的可能性自然会降低，人为的现象出F的可能性也会减少。因此，人工智能背景下上市企业年报审计信息质量便会有所加强。

5人工智能背景下上市企业年报审计工作模式精简化

之前的上市企业年报审计工作通过手工进行财务信息处理，这种工作模式繁琐又单一，较为程式化。而现在的上市企业大多会以业务流程为依据为会计人员分配工作，它们引进的人工智能打破了长久以来企业对年报审计工作的分工模式。在人工智能的背景下，上市企业年报审计的工作岗位中有一部分一定会被取代甚至取消。被取代或取消的财务人员岗位则很有可能被设为程序操作员的岗位以及管理审计岗位。由此看来，人工智能对上市企业年报审计工作的分工格局可谓有大幅的影响。

6人工智能背景财会岗位需要复合型人才

人工智能背景下，上市企业年报审计工作已经从财会工作转化成财会管理工作。这也就说明，如今的上市企业需要的不仅仅是能够熟练掌握财会理论和进行实务操作的财会人员，更需要复合型人才。这就要求，该人员既能掌握财会专业知识，又能管理财会审计软件、精通IT技术，既懂业务，又可以处理数据。也只有这样的人，能够以其自身敏锐的洞察力，独到的判断力，适应如今的人工智能时代，更好地完成上市企业年报审计的工作。

7总结和展望

虽然人工智能时代的来临，为上市企业年报审计模式带来了创新与改革，很大程度上展现出其相对于人脑独特的优势，它强大的处理数据的能力也正是年报审计工作需要的。但是从目前实际应用情况来看，人工智能应用的深度并不深，应用层次也不高，上市企业年报审计模式依旧有待改革，会计人员能力如何快速提升转型为复合型人才，更是人工智能背景下上市企业年报审计工作面临的一项不小的挑战。

参考文献

篇（6）

中图分类号：TP393 文献标识码：A 文章编号：1009-914X（2016）05-0358-01

引言

视频监控是物联网中的重要组成部分。在以往的安防行业中视频监控只是其一个重要的应用领域，并没有将系统、互联网这些概念掺杂其中。而随着我国经济的不断发展，越来越多的领域需要视频监控，从而也将视频监控原本只是安防行业的传统狭窄领域给打破，越来越多的新需求也在物联网的背景下被人们所提出来。信息的采集点是摄像头的本质，而编码设备的本质则在于数字信息化的变化，而将摄像头和编码设备进行有效的结合，也就形成的第一步功能的物联网。而随着第一步功能的完成接下来就是全面的IT化互联网化，也就是对架构、系统以及技术的IP化[1]。在当下物联网的趋势和背景下，有效的结合IT和安防是必须要做的工作，因此，联网对于监控来说也是必不可少的。

1.物联网中智能视频的作用和发展现状

1.1 智能视频的发展作用

随着我国科技的不断发展，全数字化时代已经在视频监控中得到全面使用，也就是当下视频监控系统的网络化，它是通过标准的TCP/IP协议而建立的，因此它又叫做IP监控系统，是在2001年被发明并使用的。视频监控的数字化的优点就在于可以使模拟闭路电视监控的局限性得到很好的解决，例如可以在计算机网络上不受距离限制的传输数字化视频的图像数据，而且也不会干扰到传输信号，使图像的品质和稳定性得到大幅度的提升；视频监控的数字化可以很好的运用计算机网络进行联网，可以重复使用网络宽带，而且对于网线的布置上也可以不用重新布置；数字化存储功能也得以实现，通过对视频数据的压缩处理，使其可以有效的在磁盘阵列中得到存储或者在光盘中得以保存，从而更加方便快捷的进行数据查询[2]。

在智能化方面，目前的视频监控系统都试图对摄像机采集的视频信息上运用计算机视觉技术来进行理解、分析和处理，过滤和排除掉一些无关紧要的信息，报告给监控人员处理的都是一些提取出的有用信息，从而让预警、防范以及主动监测等功能得到实现，进而使代替人来进行监控任务的目的得以实现。

1.2 智能视频技术的应用领域

目前，智能视频技术已经得到了广泛的应用，很多行业都开始依赖智能视频技术来促进行业的发展。例如，（1）高级视频的移动侦测：在雨雪或者大风、大雾等复杂环境中，可以对一个或者多个物体的动作方向、运动特征等一系列的运动情况做到精准的侦测和识别。（2）物体追踪：在对移动物体侦测到后，可以结合物体的运动状况自动的进行控制指令的发送，从而使的摄像机可以对物体进行自动跟踪，而当跟踪物体超出跟踪范围后还能自动的对物体所在区域的摄像机发出通知，从而让物体区域的摄像机进行再次跟踪和监控。（3）识别任务的面部：通过对任务的面部特征进行识别，将人物的面部特征和数据库进行对比，从而对人物的身份进行识别和验证。这种面部识别主要分为两种，一种是需要人物在摄像机面前停留一段时间，在一些门禁系统中比较普遍，还有一种是在一群人中对一些特定的个体进行识别，这种在机场、火车站等安防工作中的运用比较普遍。除此之外还有很多地方都得到了广泛的应用，如通过对车辆的形状等信息进行识别、对交通流量进行控制等[3]。

2.智能视频监控技术的技术介绍

所谓的运动目标检测是从视频序列的图像中将目标物体所在区域给分离出来。在对目标物体进行正确检测盒识别的基础上进行后续工作中的运动目标提取、跟踪以及行为理解。可以说视频监控中运动目标的检测是前导工作。在运动目标的检测中主要分为两种检测，分别是背景检测和目标检测。

当下的背景检测方法主要有四种：背景模型法、背景统计法、卡尔曼滤波法以及Surendra背景更新算法。背景模型法是建立各个像素点的统计模型，通过对像素点的灰度分别来找出最为符合的概率分布，例如非参数化模型。背景统计法是对像素点的灰度进行统计，在结合其平均值估计背景点的灰度，对剧烈变化的部分进行过滤。卡尔曼滤波法是通过将灰度的时间序列看成具有噪音的观测值，结合时域递归低通滤波对缓变的实际图像进行估计[4]。Surendra背景更新算法是对侦察图像进行计算，得出物体运动的区域，保持区域的背景的不变，更新非运动区域，从而估计背景图像。

目标检测算法中光流法、帧间差分法以及背景减法最为常用。光流法是对运动目标的光流特点，通过对光流场进行计算，从而进行运动目标的提取。这种方法在计算上较为复杂，且耗时比较长，对一些实时性检测很难满足。帧间差分法对相邻两个图像灰度值存在的差异进行对比进行运动目标的提取。这种方法在计算上较为简单，也能很好的感应到运动物体区域的变化，但是会拉伸检测出的物体运动方向，不能明确的确定运动目标位置，还会去除掉部分运动目标的信息数据，使得运动目标不能被完整的提取出来。背景减法对当前的帧图像与背景图像之间的数据进行相减，若某个像素点比域值要大，则这个点出现在运动目标上，目标的位置、形状以及大小等信息都通过相减的结果而确定。这种方法可以很好的估计和更新出背景，却对运动物体的定位也非常的精准，但是对一些变化的光照以及环境非常的敏感[5]。

3.总结

总而言之，物联网实现智能交通、智能安防、智能监控以及一些其他智能化控制的方法就是物体和物体之间相连的庞大网络。在物联网中最早得到应用的重要技术之一就是智能视频监控。因此，物联网能够直接影响到职能视频监控的发展。智能视觉监控技术所涉及到的诸多领域的研究，属于综合性跨学科问题，是非常具有挑战性的一种前沿课题。当下，对智能视频技术的相关研究依旧还存在于探索和研究的一个阶段，需要大量的工作才能真正的使监控技术的智能化得以实现。

参考文献

[1] 李万才.物联网中智能视频技术的现状与分析[J].警察技术，2010，06：8-10.

[2] 沈沛意，杨刚，张亮，肖潇，张小平，常启鹏，于公.物联网的智能视频接入终端――高清晰智能相机的研制与应用[J].物联网技术，2011，03：41-45.

[3] 朱方，吴莉，陈飞凌，袁卫忠.智能视频监控终端在物联网中的应用和发展研究[J].中国电子科学研究院学报，2011，06：561-566.

[4] 奚吉，蒋银忠.基于物联网和视频分析技术的监狱智能监控系统[J].电子器件，2014，06：1183-1188.

篇（7）

Abstract: the video intelligent analysis technology refers to computer image visual analysis technology, the background and the target will be scene separation and analysis and track in the camera appeared in scenes of target, has a variety of different function, in industries of the application of the industry is very extensive.

Keywords: intelligent video analysis; Intelligent identification; Behavior analysis; Hd monitor

中图分类号：TN915.5文献标识码：A 文章编号：

一、智能视频分析的概念

智能视频分析是指计算机图像视觉分析技术，通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。用户可以根据的视频内容分析功能，通过在不同摄像机的场景中预设不同的报警规则，一旦目标在场景中出现了违反预定义规则的行为，系统会自动发出报警，监控工作站自动弹出报警信息并发出警示音,用户可以通过点击报警信息，实现报警的场景重组并采取相关措施。

当前，智能视频分析技术越来越受到安防界的重视，不少项目已经开始应用智能视频分析功能。

二、智能视频分析的分类

从智能分析系统的产品形态来说，分为两类，一类是由智能算法+DSP来实现，常见于安装在前端的智能分析摄像机与智能分析视频服务器。目前，采用此种方式的系统较多，其是将具智能分析功能的软硬件前置在视频采集端。在常规视频监控系统中，视频占用了大量的存储空间和传输带宽，如何来解决这些问题是首要面临的难关。大量无用视频信息被存储、传输，既浪费了存储空间又占用了带宽，采用智能分析的目的是为了缓解视频存储所需要的空间和传输所需的带宽压力，或者对于一些不重要的视频采用低码流方式进行压缩和传输。这样，更有助于提升监控系统的应用价值。算法处理由前端来实现，后端的服务压力非常小，由此可以在一个系统中配置大量的智能分析摄像机。

另一类是采用后端PC服务器加智能分析软件的运行模式，像Aimetis、iOmniscient都是采用此种方式。采用此种方式因为由后端PC服务器来进行处理，从处理的性能上来说，要优于前端智能分析摄像机的处理，由于算法对硬件资源占用很大，在同时处理多个分析时，系统的处理能力不足就表现出来了。因为后端PC服务器有强大的分析处理能力(与前端DSP+软件方式相比)，所以PC服务器处理方式通常被应于非常重要的智能分析场合。

三、智能视频分析的主要功能

从智能分析的主要功能来看，有两个大的发展方向。其一是以车牌识别、人脸识别为核心代表的智能识别技术，主要应用于电子警察、机杨、海关。

另一个是以周界防范、人数统计、自动追踪、逆行、禁停等规则为代表的行为分析技术，主要应用于围墙周界警戒区、商场、交通、景点流量统计，道路禁停禁放、违章逆行、场景跟踪等方面。

1、双机自动跟踪：智能分析摄像机加普通快球方式。可应用于城市报警应急预案。突发事件的物体跟踪。

2、人流量统计：统计框选区域进出人员的数量，应用于超市商场顾客流量的分析统计，帮助商家制定相应的销售策略。应用于景点、地铁口，提供流量数据供人员管制应用。

3、穿越警戒区：通过设置虚拟围篱，对周界进行侦测。当发现可疑人员或者物体穿越围篱，即触发报警，并将报警信号上传至监控管理中心。同时可将报警画面通过网络上传至远程监看用户。应用于交通马路人行横道或斑马线、厂区重点区域围墙、学校、看守所围墙等。

4、丢失分析：通过在监控画面上画出一块放置重要物品的区域作为警戒区域，只要此物品离开了警戒区域，那么将立即触发报警规则。应用于重点保护区域如博物馆，展览厅，拍卖会，金银店等。

5、方向分析：在实际监控中，人们可能会关心人流的方向和车流的运动方向，通过方向的识别可以判断目标是否为不合法走动或行驶，如果出现逆向行为，目标将会被自动锁定，并同时报警。应用于单向行驶的道路;重要出入口等。

6、智能跟踪：对可疑人或物体进行目标锁定，对目标的运动轨迹进行记录，同时摄像机将跟随目标转动并报警。应用于高档小区，人员禁入区域，机密区域，重要保护区域等。并可作为案发后，对案件回放过程的轨迹进行分析。达到迅速破案的作用。

四、智能视频分析技术的应用

智能视频分析应用大致可分为公安执法和安全类、文博类、烟草工业类。

执法类会更侧重于模式识别，如车牌识别、人脸识别;安全类则会侧重于逆行监测、非法入侵、人群聚集、滑倒、遗留物的检测；文博类重点在于物品看管及人员的安全监控，可对物体丢失、拿走、徘徊报警以及对特殊通道进行逆行监测，也可对人数进行统计、人员密度进行监测;烟草工业类应用偏向于行为分析，如针对禁用区的遗留物进行检测，结合生产设备故障的特殊表现进行故障检测。高清智能与非高清智能在基础算法采用相同原理。

高清算法需要提供更多的计算能力去进行分析。目前，行为分析类，采用CIF分辨率已经足够，当输入的是高清视频时，会先对像素进行裁剪后再分析;对于模式识别类，要采用高清视频进行分析，以获取更精确的结果。

就可实现的智能视频分析功能来说，几乎所有的应用都主要针对于人、车、物体三个方面，根据具体应用的不同可以分为三类：

1、公共安全预防类。它包含了目标移动轨迹的跟踪、目标移动范围、目标移动方向、特殊人体行为、特殊车辆行为的监测等等，它比较突出的特点是可针对可疑异常事件进行及时预警。

2、数据统计分析类。典型例子如客流统计、车流统计类应用。这一类应用相对较独立，它以数据输出为最终结果，多以提供不同类型数据报表来辅助管理决策。

3、智能交通监控类。典型如车牌识别、闯红灯违法监测、交通综合违法监测等，这一类应用主要针对车辆进行分析，相对较为成熟，应用案例也较为普遍。

除此之外，结合国内视频监控的现状问题，还有一类专门针对视频图像质量本身的应用，以通过对每一路视频图像的信号质量进行监测，对视频图像出现的视频丢失、雪花、滚屏、模糊、偏色、画面冻结、增益失衡等常见摄像头故障做出准确判断，帮助用户及时的发现前端摄像头的视频质量故障，有效掌控前端设备运行情况，保证监控系统的正常运行。

不同的行业对于视频监控的需求一般有着非常明显的差异，特别是对于智能视频分析技术的应用需求，由此也决定了不同行业间检测行为类型与异常事件的特殊性。只有结合行业应用实际，深入了解不同行业的具体问题，才能更好地抓住用户的需求，将智能视频分析技术的功能落实到应用的实处，这也是智能视频分析技术未来产业化价值的最终体现。

五、高清智能视频分析技术

对于视频监控而言，图像越清晰，细节越明显，观看体验越好，智能等应用业务的准确度也越高，所以图像清晰度是视频监控永恒的追求。以往视频清晰度低，给监控人员寻找有价值的线索造成很大的难度，高清视频技术的运用给我们提供了高清晰的，包含丰富完整信息的高质量视频源，从而提高了视频智能分析的准确率，避免了因场景问题而损失信息量。从这个方面来说，视频的智能分析是以高清为前提的，因此智能视频分析对前端摄像机清晰度的要求是比较高的，高清意味着存储压力的增大，相应的，对后端存储设备的稳定性和容量也有一定要求。

高清监控智能视频分析与非高清智能视频分析技术上没有太大的差异，但是带来的结果是完全不同的。高清监控可以提高智能视频分析的效率，同时可以从视频中获取更多更有效的信息。比如说，人脸和车牌识别，就需要图像更多的细节，可以提高识别率的同时可以提供更有说服力的图片和视频。

六、智能视频分析技术的未来

篇（8）

一、智能视频分析的发展过程

智能视频监控技术是基于图像处理、模式识别的新型视频监控技术。简而言之，就是发现图像中运动的物体，并对其进行跟踪、分析，及时发现“异常”行为，触发报警并采取其它措施进行干预。

智能视频分析技术综合了多学科的研究成果。主要包括图像处理、跟踪技术、模式识别、软件工程，数字信号处理等领域。2001年“911”事件发生后，美国在安防科研方面大大加强了投资力度。许多研究机构和研究人员纷纷加入了安防类技术研究和开发，智能视频分析是其中的一个亮点。从研究论文的数量来看，2002年到2005年有一个明显的高峰期，这和此期间科研经费的大量投入是相吻合的。目前此研究领域的科研论文逐渐转移到细分问题和方向。这并不代表智能视频监控变成了一个已经解决了的问题，恰恰相反，即使目前最优秀的商业系统离人们对此类技术的期待值还有一些距离。解决问题的方法也没有达成共识，它实际上反映了原创性的理论工作在减少，此项技术的进步在未来可能更多地依赖企业自身科研开发力量。

国内此市场的发展滞后北美大概3到4年，现在具有自主知识产权和研发能力的国内公司并不多，主要有北京的文安、智安邦，上海的安维尔、弘视等。由于公司都处在早期的市场拓展阶段，已经完成的有代表性工程项目并不多，典型的有核电站、军队项目、港口等。

二、长江水运智能视频监控的主要监管应用

（1）规划航道，船舶偏离航道，非法停靠报警。智能监控系统自动检测场景内移动目标（如：人、车、船）的非法进入（离开）重要敏感区域，按系统警戒线、警戒区域、滞留检测设防机制，如果有移动目标穿越警戒线或进入了预先设定的禁止区域等异常情况发生，智能监控系统将锁定框标识目标在面中的具置进行智能分析，可应用于船舶偏离航道、穿越违禁线、失控船舶跟踪、闯入禁航区、安全作业区域、交通管制区域、遇险冲滩点区域船舶进入等警情。

（2）移动目标跟踪，逆向规则，计数统计，拉近监视。智能监控系统自动检测场景内移动目标进行跟踪，VTS中心管理人员可通过智能监控系统，可对渡口过江客渡船进行全程跟踪，一旦有违反设定规则情况或险情发生时，系统将按预定机制进行报警，告知海事人员做警情处理，在第一时间启动报警预案。

智能监控系统自动检测场景内移动目标，VTS中心管理人员可通过智能监控系统，对任一路需要智能分析的视频进行设置，可对航行方向规定，如有逆行情况发生系统将进行报警，告知海事人员及时处理。智能监控系统自动检测场景内移动目标，可对穿过设定线 } window.open(vurl); } function txtFocus(obj) { obj.value = ''; } function zh(txt) { return typeof txt == 'undefined' ? "" : txt; } function txtblur(obj, txt) { if (obj.value == '') { obj.value = txt; } if (!(/^\d+jQuery/).test(obj.value)) { obj.value = txt; } } function GetRadioValue(RadioName) { var obj; obj = document.getElementsByName(RadioName); if (obj != null) { var i; for (i = 0; i < obj.length; i++) { if (obj[i].checked) { return obj[i].value; } } } return null; } function IsExists(vlink, str) { vlink = vlink.toString().toLowerCase(); str = str.toString().toLowerCase(); var tmp = vlink.replace(str, ""); if (tmp != null) { if (tmp.length == vlink.length) { return false; } else { return true; } } else { return false; } } function setCookieC(obj) { SetCookie("aa1", ""); SetCookie("aa11", ""); SetCookie("aa2", ""); SetCookie("aa34", ""); SetCookie("aa3", ""); SetCookie("aa4", ""); SetCookie("aa5", ""); SetCookie("aa6", ""); SetCookie("aa7", ""); SetCookie("aa8", ""); SetCookie("aa9", ""); SetCookie("aa10", ""); SetCookie("aa12", ""); SetCookie("aa13", ""); SetCookie("aa14", ""); SetCookie(obj.toString(), "onchannel") } var vlink = window.location.href; var surl = 'text.aspx'; if (IsExists(vlink, "Text") == true) { setCookieC("aa1"); } else if (IsExists(vlink, "Special") == true) { setCookieC("aa11"); } else if (IsExists(vlink, "Original") == true) { setCookieC("aa2"); } else if (IsExists(vlink, "VoiceIndex") == true) { setCookieC("aa34"); } else if (IsExists(vlink, "PeopleVoice") == true) { setCookieC("aa3"); } else if (IsExists(vlink, "TTSVoice") == true) { setCookieC("aa4"); } else if (IsExists(vlink, "Multimedia") == true) { setCookieC("aa5"); } else if (IsExists(vlink, "EReader") == true) { setCookieC("aa6"); } else if (IsExists(vlink, "otherlink") == true) { setCookieC("aa7"); } else if (I勘杲屑剖臣疲院降懒髁客臣凭哂胁慰甲饔谩

智能监控系统自动检测场景内移动目标，如有警情发生，VTS中心管理人员可以通过预设的联动机智调动附近球机进行拉近拍照或现场情况监视，以得到更为清晰的画面以及对警情的全面把控，实现中心调度指挥功能。

（3）水上加油站，烟雾探测。智能监控系统具备烟雾火灾检测功能，借助远红外成像摄像机，VTS中心管理人员可通过HRI智能监控系统对任一路需要智能分析的视频进行设置火灾预警机制，进行24小时全天候防控，一旦有符合设定规则情况发生，系统将按预定机制进行报警，告知海事人员做警情处理，在第一时间启动报警预案。

（4）视频源异常自动报警。在正常情况下对，由气候（阴、晴、雨、雪、雾）以及白、昼交替等自然变化，通过视频采集设备优化，以及智能监控系统具备的强大自适应环境能力，系统能通过背景自学习过程适应天气场景变化，能对视频进行全天候不间断智能分析。

（5）局域网PC查看功能。长江海事局相关主管部门可以在办公室的PC上通过局域网查看下属各分控点的报警画面和处理情况，有报警发生时，办公室电脑所显示的电子地图可以直观的查看是什么分控点，什么地方发生了什么警情，并可以在办公室电脑上控制并处理报警信息，并可通过巡航搜救远程报警系统作出工作指示，同时指挥出警。

（6）电子地图功能。长江海事局的监控中心，电视墙上用电子地图显示各个分控点，当某分控点发生警情时，智能监控系统报警预案报警机制，可将报警发生的位置显示在监控指挥中心的电子地图上，不断闪烁，并将报警画面切换到大屏幕上，直到报警处理完毕才会停止。此功能目的在于要有效避免指挥中心在处理报警的时候所造成的混乱，做到有的放矢，提高出警效率和响应速度。

（7）灵智报警功能。针对各监控点实际情况，智能监控系统的报警预设方案并不是一成不变的，可以灵活、自由的设置多种报警方案，可以自由定义报警监控区域，报警区域可以在任何时候进行修改，实现灵活的设防和撤防功能。通过HRI智能监控系统灵活的防御设置，可任意对原有普通监控视频中任意几路进行智能分析，也可根据预设的防御计划自动执行，满足长江海事局智能监控需求的前提下进行最优化配置，可以在很大程度上节约成本。

（8）短信联动功能。短信联动分级报警为智能视监控系统的特色功能。它能将报警事件的发生情况在第一时间将文字短信或现场图片的彩信发给系统设定的负责人手机上。若下一级相关负责人员对出现的报警未处理，则在设定的时间内，设备自动将短信发给更高一级的领导，并不限人数，这样可以通过多层管理渗透来促使现场人员及时处理，将时间损失减少到最近程度，做到事能及处，防患未然。

篇（9）

中图分类号：P208 文献标识码：A 文章编号：1674-098X（2015）07（b）-0177-02

科学技术的迅猛发展，对我们的社会、经济、文化、生活方式都产生了深刻的影响，同时也催生了旅游景区管理模式的重大变革。更多先进的科学技术在景区的应用，提升了景区的管理服务水平，促进了景区的高效运营，助推了传统旅游景区的转型升级。[1]依托科技手段，九寨沟景区探索出了中国景区数字化管理新模式，建立了景区资源保护与旅游开发协调发展的新机制。

1 智慧九寨的项目依托

2004年，九寨沟景区承担了国家建设部的“城市数字化示范工程应用研究”课题――《数字九寨沟综合示范工程》项目的建设，并创新性地建立了“资源保护数字化、运营管理智能化、旅游服务信息化、产业整合网络化”集成应用体系，探索出中国景区数字化管理营运新模式，引领了全国旅游景区信息化建设的新浪潮。

近年来，九寨沟景区以承担国家项目研究为依托，开展智慧景区建设，已成功申报并承担了国家“863”计划重大项目――《基于时空分流导航管理模式的RFID技术在自然生态保护区和地震遗址博物馆的应用》、国家科技支撑计划项目《智能导航搜救终端及其区域应用示范系统》及《实景化景区智能管理与服务系统应用》等多个国家重大科技项目。通过这些项目的研究，实现了新兴信息技术条件下集成管理模式的应用，为建设九寨沟创新型景区、研究型景区插上科技翅膀，从而实现向科技要管理，向管理要效益，推动传统旅游向现代旅游转型，使九寨沟走上科学发展之路。

2 智慧九寨的关键技术

智慧景区是充分运用云计算、物联网、大数据分析、移动互联网等通信和信息技术手段，通过感测、传送、整合和分析运行核心系统的各项关键信息，对景区管理、游客服务、旅游运营等活动的各种需求做出智能的响应，面向未来的景区管理者和游客构建全新的大数据决策和应用的高级信息化智能化的景区智能化形态。[2]

2.1 云计算

云计算（cloud computing）是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。云计算核心思想，是将大量用网络连接的计算资源统一管理和调度，构成一个计算资源池向用户按需服务。提供资源的网络被称为“云”。[3]作为智慧九寨重要的神经中枢，云计算中心的建立，整合了数据资源，避免了信息孤岛，提高了系统和资源的利用效率，能最大程度上覆盖智慧景区管理的各个环节，为景区管理和服务工作提供决策支持。

2.2 大数据

大数据（BIGDATA），或称巨量资料，指的是所涉及的资料量巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。大数据技术，是指从各种各样类型的数据中，快速获得有价值信息的能力。

大数据的必要性。

九寨沟在全国率先开展数字景区建设，景区管理及景区相关产业（如酒店、旅行社、运输公司等）的信息系统、视频监控系统、感知系统、电子商务平台等每时每刻都会产生大量的数字、文字和视频数据；同时，源于互联网的旅游微博、微信、视频网站、社交网站等也会产生数以亿计的关于九寨沟的数据，这些数据都具有典型的大数据特质。

数字九寨的建设为景区管理健全了手脚，而要实现从数字化到智慧化景区的转型升级，离不开大数据这个数据大脑。利用大数据的旅游数据收集分析能力，可以满足游客的人性化需求；通过大数据的分析能力，可以创新营销模式，全面提升经营管理水平；甚至可以利用大数据平台，加速推进线上与线下的资源整合，为游客提供更为适合的旅游产品。

依托大数据技术，可以完成例如景区客流波动预警，分析原因及影响因素等以往无法完成的任务，与景区营销、公安、交通、产业规划、景区公共服务等体系形成信息共享和协作联动，结合电商游客预订数据形成旅游预测预警机制，提高了景区的应急管理能力和旅游安全保障能力。

2.3 物联网

物联网是通信网和互联网的拓展应用和网络延伸，它利用感知技术与智能装置对物理世界进行感知识别，通过网络传输互联，进行计算、处理和知识挖掘，实现人与物、物与物信息交互和无缝链接，达到对物理世界实时控制、精确管理和科学决策目的。

物联网实现了人与人、人与机器、机器与机器的互联互通。通过把RFID、传感器、二维码等信息传感设备植入门票、桥梁、公路、建筑、供水系统、电网等景区的各种物体中，可以实现对景区更透彻的感知；通过与互联网的融合，能将景区事物信息实时准确地传递出去，从而实现更为广泛的互联互通；通过利用云计算、模糊识别等各种智能计算技术，对海量的数据和信息进行分析和处理，能够帮助对景区内各类人和物实施智能化的控制

3 智慧九寨的总体框架

以“数字九寨”为基础，九寨沟景区继续推进智慧景区的建设。要实现从数字化到智慧化的重大转变，智慧九寨的总体框架要建设扎实的IT骨骼，透明、共享的信息通路和智慧的决策头脑，包括五个方面：一是更加灵活、可靠、高效的IT基础设施，二是大容量高性能的数据中心基础设施，三是具备信息共享的IT服务设施，四是集通信、办公、管理为一体的综合性应用服务平台，五是大数据智能分析平台。

智慧九寨的总体框架可以概括为“一项应用、三大平台、五个系统”。一项应用是指应用大数据分析技术，实现更有效的综合辅助决策，从而为游客提供更加个性化的公共服务，为旅游业企业提供重要的数据支撑；三大平台包括信息基础平台、数据基础平台、云计算服务平台；五个系统分别是公共管理系统、资源保护系统、旅游营销系统、智能指挥控制中心系统及决策支持系统。

3.1 一项应用

随着互联网技术的高速发展以及全民移动互联网时代的来临，各种行业的规则已经产生了巨大的变化。建设三大平台和五个系统最终的目的是要形成智慧九寨的神经系统、肌肉系统，配合一项应用形成真正的智慧，为景区管理提供决策辅助，为游客提供更加个性化公共服务，为旅游业企业提供重要的数据支撑，景区管理不再仅是建立在传统的经验之上。根据可视化的数据，景区管理可以通过应用软件主动为游客推送吃住行游购等信息，制定旅游行程、引导旅行消费；旅游产业链的企业在这个平台上可以满足游客打车、住宿、旅游线路规划等个性化需求，改变服务方式、经营模式，避免一味比拼价格、降低服务质量的恶行竞争，转而用大数据来管理和服务游客，形成良性的产业链发展。

3.2 三大平台

随着北斗导航系统在景区的应用、景区智能监控系统、LED信息平台、电子商务系统、门禁票务系统、具备自助导览功能的景区APP等陆续上线，预示着智慧九寨已初具雏形。智慧九寨的建设不仅是景区内部的信息化，更应是加快带动整个旅游产业链上各要素的信息化智能化的过程。三大平台的建设要改变整个旅游系统无序发展、烟囱式建设的格局，建立基于云计算和物联网的智慧旅游管理平台、服务平台、营销平台以及统一的数据仓库，从根本上改变现有的IT格局，避免重复投资和“信息孤岛”，形成惠及旅游发展产业链各环节的智慧云九寨。

3.3 五个系统

五个系统是基于旅游资源特点、应用系统功能、系统服务对象、系统使用部门等因素而划分的。一是公共管理系统，主要包括应急救援管理、旅游服务管理和景区行政管理。应急救援管理是应对景区突发事件的快速处置，包括110、119、122及120的快速反应；景区服务管理主要是满足游客需求，为游客提供高品质的旅游服务，包括主动均衡景区游客分布、加强景区游客流量控制、景点拥挤警示、分时 就餐管理、分时售票管理、智能车辆调度、旅游咨询服务、景区全息展示等；景区行政管理主要是根据机构职能对景区工作人员、景区居民、资源配置、旅游安全、基础设施规划建设等的管理。二是旅游资源综合保护系统，主要通过物联网和移动互联网技术对景区旅游资源进行常规的保护监测，并通过对回传数据的及时分析进行状态评估、及时预警，其中包含：森林植被监测、地质地表灾害监测、森林火灾监测、水质水文监测、气象监测等多个方面。三是旅游目的地营销系统，主要包括（吃、住、行、游、购、娱各要素）旅游资源的整合平台、电子商务平台、旅游资讯服务平台、景区信息智能推送软件、基于客源地分析定向营销推广平台、微信公众服务平台等。四是指挥控制中心系统，利用虚拟现实技术、遥感技术以及实景影像技术，对旅游景区的虚拟重建，结合景区智能监控系统建立指挥控制平台，实现对景区的资源合理配置、游客均衡分布、车辆实时调度等进行动态的指挥控制管理。五是智能决策支持系统，通过人工智能和决策系统相结合，利用大数据分析和数据挖掘技术，对景区保护、管理、开发、营销相关的多维数据进行分析，形成多维的数据报表（包括基于GIS和实景三维的数据报表），辅助管理者的决策。这五大系统共同构成“智慧景区”的应用服务体系。

4 智慧九寨前景展望

在今后的信息化工作中，九寨沟景区将用科学发展观统领发展，坚持实施可持续发展战略，积极拓展新视野、确立新目光、塑造新优势、争当新表率。将进一步通过“智慧九寨”的建设切实解决景区游客量增长所面临的一系列管理压力，对景点的游客量控制管理，有效保护景区生态环境；以最优化的调度扩大景区容量和生产规模，降低管理成本；确保整个景区安全有序优质高效的运营，实现文明管理，推动和谐景区的建设，实现生态效益、经济效益、社会效益的有机统一；以九寨沟一流品牌、一流管理为基础，延伸产业链，促进和谐、可持续、跨越式发展，积极促进旅游二次创业，努力把九寨沟建设成为国际旅游目的地。

参考文献

篇（10）

人工智能时代，网络空间安全威胁全面泛化，如何利用人工智能思想和技术应对各类安全威胁，是国内外产业界共同努力的方向。本报告从风险演进和技术逻辑的角度，将网络空间安全分为网络系统安全、网络内容安全和物理网络系统安全三大领域；在此基础上，本报告借鉴 Gartner 公司的 ASA 自适应安全架构模型，从预测、防御、检测、响应四个维度，提出人工智能技术在网络空间安全领域的具体应用模式。与此同时，本报告结合国内外企业最佳实践，详细阐释人工智能赋能网络空间安全（AI+安全）的最新进展。最后，本报告提出，人工智能安全将成为人工智能产业发展最大蓝海，人工智能的本体安全决定安全应用的发展进程，「人工+「智能将长期主导安全实践，人工智能技术路线丰富将改善安全困境，网络空间安全将驱动人工智能国际合作。

目 录

第一章 人工智能技术的发展沿革

(一) 人工智能技术的关键阶段

(二) 人工智能技术的驱动因素

(三) 人工智能技术的典型代表

(四) 人工智能技术的广泛应用

第二章 网络空间安全的内涵与态势

(一) 网络空间安全的内涵

(二) 人工智能时代网络空间安全发展态势

1、网络空间安全威胁趋向智能2、网络空间安全边界开放扩张3、网络空间安全人力面临不足4、网络空间安全防御趋向主动

第三章 人工智能在网络空间安全领域的应用模式

(一) AI+安全的应用优势

(二) AI+安全的产业格局

(三) AI+安全的实现模式

1、人工智能应用于网络系统安全2、人工智能应用于网络内容安全3、人工智能应用于物理网络系统安全

第四章 人工智能在网络空间安全领域的应用案例

网络系统安全篇

（一）病毒及恶意代码检测与防御

（二）网络入侵检测与防御

第三章 人工智能在网络空间安全领域的应用模式

人工智能技术日趋成熟，人工智能在网络空间安全领域的应用（简称 AI+安全）不仅能够全面提高网络空间各类威胁的响应和应对速度，而且能够全面提高风险防范的预见性和准确性。因此，人工智能技术已经被全面应用于网络空间安全领域，在应对智能时代人类各类安全难题中发挥着巨大潜力。

（一）AI+安全的应用优势

人们应对和解决安全威胁，从感知和意识到不安全的状态开始，通过经验知识加以分析，针对威胁形态做出决策，选择最优的行动脱离不安全状态。类人的人工智能，正是令机器学会从认识物理世界到自主决策的过程，其内在逻辑是通过数据输入理解世界，或通过传感器感知环境，然后运用模式识别实现数据的分类、聚类、回归等分析，并据此做出最优的决策推荐。

当人工智能运用到安全领域，机器自动化和机器学习技术能有效且高效地帮助人类预测、感知和识别安全风险，快速检测定位危险来源，分析安全问题产生的原因和危害方式，综合智慧大脑的知识库判断并选择最优策略，采取缓解措施或抵抗威胁，甚至提供进一步缓解和修复的建议。这个过程不仅将人们从繁重、耗时、复杂的任务中解放出来，且面对不断变化的风险环境、异常的攻击威胁形态比人更快、更准确，综合分析的灵活性和效率也更高。

因此，人工智能的「思考和行动逻辑与安全防护的逻辑从本质上是自洽的，网络空间安全天然是人工智能技术大显身手的领域。

（1）基于大数据分析的高效威胁识别：大数据为机器学习和深度学习算法提供源源动能，使人工智能保持良好的自我学习能力，升级的安全分析引擎，具有动态适应各种不确定环境的能力，有助于更好地针对大量模糊、非线性、异构数据做出因地制宜的聚合、分类、序列化等分析处理，甚至实现了对行为及动因的分析，大幅提升检测、识别已知和未知网络空间安全威胁的效率，升级精准度和自动化程度。

（2）基于深度学习的精准关联分析：人工智能的深度学习算法在发掘海量数据中的复杂关联方面表现突出，擅长综合定量分析相关安全性，有助于全面感知内外部安全威胁。人工智能技术对各种网络安全要素和百千级维度的安全风险数据进行归并融合、关联分析，再经过深度学习的综合理解、评估后对安全威胁的发展趋势做出预测，还能够自主设立安全基线达到精细度量网络安全性的效果，从而构建立体、动态、精准和自适应的网络安全威胁态势感知体系。

（3）基于自主优化的快速应急响应：人工智能展现出强大的学习、思考和进化能力，能够从容应对未知、变化、激增的攻击行为，并结合当前威胁情报和现有安全策略形成适应性极高的安全智慧，主动快速选择调整安全防护策略，并付诸实施，最终帮助构建全面感知、适应协同、智能防护、优化演进的主动安全防御体系。

（4）基于进化赋能的良善广域治理：随着网络空间内涵外延的不断扩展，人类面临的安全威胁无论从数量、来源、形态、程度和修复性上都在超出原本行之有效的分工和应对能力，有可能处于失控边缘，人工智能对人的最高智慧的极限探索，也将拓展网络治理的理念和方式，实现安全治理的突破性创新。人工智能不仅能解决当下的安全难题，而通过在安全场景的深化应用和检验，发现人工智能的缺陷和不足，为下一阶段的人工智能发展和应用奠定基础，指明方向，推动人工智能技术的持续变革及其更广域的赋能。

（二）AI+安全的产业格局

人工智能以其独特的优势正在各类安全场景中形成多种多样的解决方案。从可观察的市场指标来看，近几年来人工智能安全市场迅速成长， 公司在 2018 年的研究表明，在网络安全中人工智能应用场景增多，同时地域覆盖范围扩大，将进一步扩大技术在安全领域的应用，因此人工智能技术在安全市场内将快速发展，预计到 2024 年，可用在安全中的人工智能技术市场规模将超过 350 亿美元，在 2017-2024 年之间年复合增长率（CAGR）可达 31%。

MarketsandMarkets 公司在 2018 年 1 月发布的《安全市场中人工智能》报告则认为，2016 年 AI 安全市场规模就已达 29.9 亿美元、2017 年更是达到 39.2 亿美元，预测在 2025 年将达到 348.1 亿美元，年复合增长率为 31.38%。而爱尔兰的 Research and Markets 公司在 2018 年 4 月份发布了专门的市场研究报告，认为到 2023 年人工智能在安全领域应用的市场规模将达 182 亿美元，年复合增长率为 34.5%。由于机器学习对付网络犯罪较为有效，因此机器学习作为单一技术将占领最大的一块市场，到 2023 年其市场规模预计可达 60 亿美元。

除了传统安全公司致力于人工智能安全，大型互联网企业也在积极开展人工智能安全实践，如 Google、Facebook、Amazon、腾讯、阿里巴巴等均在围绕自身业务积极布局人工智能安全应用。

（三）AI+安全的实现模式

人工智能是以计算机科学为基础的综合交叉学科，涉及技术领域众多、应用范畴广泛，其知识、技术体系实际与整个科学体系的演化和发展密切相关。因此，如何根据各类场景安全需求的变化，进行 AI 技术的系统化配置尤为关键。

本报告采用 Gartner 公司 2014 年提出的自适应安全架构（ASA，Adaptive SecurityArchitecture）来分析安全场景中人工智能技术的应用需求，此架构重在持续监控和行为分析，统合安全中预测、防御、检测、响应四层面，直观的采用四象限图来进行安全建模。其中「预测指检测安全威胁行动的能力；「防御表示现有预防攻击的产品和流程；「检测用以发现、监测、确认及遏制攻击行为的手段；「响应用来描述调查、修复问题的能力。

本报告将 AI+安全的实现模式按照阶段进行分类和总结，识别各领域的外在和潜在的安全需求，采用 ASA 分析应用场景的安全需求及技术要求，结合算法和模型的多维度分析， 寻找 AI+安全实现模式与适应条件，揭示技术如何响应和满足安全需求，促进业务系统实现持续的自我进化、自我调整，最终动态适应网络空间不断变化的各类安全威胁。

1、人工智能应用于网络系统安全

人工智能技术较早应用于网络系统安全领域，从机器学习、专家系统以及过程自动化等到如今的深度学习，越来越多的人工智能技术被证实能有效增强网络系统安全防御：

机器学习 (ML， Machine Learning):在安全中使用机器学习技术可增强系统的预测能力，动态防御攻击，提升安全事件响应能力。专家系统（ES， Expert System）：可用于安全事件发生时为人提供决策辅助或部分自主决策。过程自动化 (AT， Automation )：在安全领域中应用较为普遍，代替或协助人类进行检测或修复，尤其是安全事件的审计、取证，有不可替代的作用。深度学习（DL， Deep Learning）：在安全领域中应用非常广泛，如探测与防御、威胁情报感知，结合其他技术的发展取得极高的成就。

如图 3 所示，通过分析人工智能技术应用于网络系统安全，在四个层面均可有效提升安全效能：

预测：基于无监督学习、可持续训练的机器学习技术，可以提前研判网络威胁，用专家系统、机器学习和过程自动化技术来进行风险评估并建立安全基线，可以让系统固若金汤。

防御：发现系统潜在风险或漏洞后，可采用过程自动化技术进行加固。安全事件发生时，机器学习还能通过模拟来诱导攻击者，保护更有价值的数字资产，避免系统遭受攻击。

检测：组合机器学习、专家系统等工具连续监控流量，可以识别攻击模式，实现实时、无人参与的网络分析，洞察系统的安全态势，动态灵活调整系统安全策略，让系统适应不断变化的安全环境。

响应：系统可及时将威胁分析和分类，实现自动或有人介入响应，为后续恢复正常并审计事件提供帮助和指引。

因此人工智能技术应用于网络系统安全，正在改变当前安全态势，可让系统弹性应对日益细化的网络攻击。在安全领域使用人工智能技术也会带来一些新问题，不仅有人工智能技术用于网络攻击等伴生问题，还有如隐私保护等道德伦理问题，因此还需要多种措施保证其合理应用。总而言之，利用机器的智慧和力量来支持和保障网络系统安全行之有效。

2、人工智能应用于网络内容安全

人工智能技术可被应用于网络内容安全领域，参与网络文本内容检测与分类、视频和图片内容识别、语音内容检测等事务，切实高效地协助人类进行内容分类和管理。面对包括视频、图片、文字等实时海量的信息内容，人工方式开展网络内容治理已经捉襟见肘，人工智能技术在网络内容治理层面已然不可替代。

在网络内容安全领域所应用的人工智能技术如下：

自然语言处理（NLP， Natural Language Processing）：可用于理解文字、语音等人类创造的内容，在内容安全领域不可或缺。图像处理（IP， Image Processing）：对图像进行分析，进行内容的识别和分类，在内容安全中常用于不良信息处理。视频分析技术 (VA， Video Analysis)：对目标行为的视频进行分析，识别出视频中活动的目标及相应的内涵，用于不良信息识别。

如图 4 所示，通过分析人工智能技术应用于网络内容安全，在四个层面均可有效提升安全效能：

预防阶段：内容安全最重要的是合规性，由于各领域的监管法律/政策的侧重点不同而有所区别且动态变化。在预防阶段，可使用深度学习和自然语言处理进行相关法律法规条文的理解和解读，并设定内容安全基线，再由深度学习工具进行场景预测和风险评估，并及时将结果向网络内容管理人员报告。

防御阶段：应用深度学习等工具可完善系统，防范潜在安全事件的发生。

检测阶段：自然语言、图像、视频分析等智能工具能快速识别内容，动态比对安全基线，及时将分析结果交付给人类伙伴进行后续处置，除此之外，基于内容分析的情感人工智能也已逐步应用于舆情预警，取得不俗成果。

响应阶段：在后续调查或留存审计资料阶段，过程自动化同样不可或缺。

3、人工智能应用于物理网络系统安全

随着物联网、工业互联网、5G 等技术的成熟，网络空间发生深刻变化，人、物、物理空间通过各类系统实现无缝连接，由于涉及的领域众多同时接入的设备数量巨大，传感器网络所产生的数据可能是高频低密度数据，人工已经难以应对，采用人工智能势在必行。但由于应用场景极为复杂多样，可供应用的人工智能技术将更加广泛，并会驱动人工智能技术自身新发展。