随着经济的发展,计算机走进了千家万户,网络的开放、共享和互连程度越来越高,给人们的生活、工作都带来了极大的便利,但是随之而来的各种各样的网络安全事件不断发生,网络的安全性面临着极大的挑战。网络安全态势感知技术在这一环境背景下出现,这一技术的研究对研究网络安全具有重要的意义。网络安全态势感知就是对会影响大规模网络的安全态势的安全要素进行获取,并通过数据的融合、挖掘以及分析,最后利用可视化技术显示出来达到预测未来的趋势的目的。本文主要通过贝叶斯网络以及支持向量机方法来对网络安全态势进行评估和预测,具体研究工作如下:1、提出了基于贝叶斯网络的网络安全态势感知模型。运用随机森林方法挖掘影响网络安全的因素,并利用贝叶斯网络方法对影响网络安全的因素进行关联、重组和分析,从而获取最准确详细的网络安全态势信息。利用随机森林方法可以处理多特征数据,且不用特征选择,训练完可以给出重要的特征,同时通过并行化方法可以快速的训练,这样可以提高构建贝叶斯网络的速度。对网络中的不确定性安全态势,利用贝叶斯方法作为推理工具,并可以通过贝叶斯的评分函数来修正网络拓扑结构,最后通过量化分析来获得网络安全态势值。2、提出了支持向量机方法来提高网络安全态势预测的精度。支持向量机具有通用性、计算简单、运算效率高且理论完善等优点,是当前网络安全态势算法中比较成熟高效的算法。因为支持向量机方法的预测精确度受核函数的参数影响比较大,所以使用遗传算法对函数参数进行寻优。首先将态势数据进行训练,然后通过遗传算法来得到最优的预测模型参数,最后通过优化后的预测模型对网络安全态势进行预测,获取最优的预测值。3、实验的验证与分析。本文使用了KDD CUP 99数据集作为模型的验证数据,通过仿真实验表明,所提方法均能提高网络安全态势评估和预测的速度和精确度,均表明了以上所提方法的可行性。