网络安全态势感知旨在全面、准确地提取态势要素,评估当前网络安全状态,预测网络安全态势演变趋势,最终为保障网络安全提供坚实基础。目前的研究或者着眼于提升逻辑判别准确性,或者以提升感知速度为主,难以兼顾时间序列逻辑处理与运行效率。同时,实现复杂度高和主观性强等问题亦有存在。针对相关问题,本文研究主要进行了以下工作:1.改进长短期记忆(LSTM,long short-term memory)神经网络用于分析处理网络安全态势数据,有效利用序列数据蕴含的攻击逻辑关系。研究使用交叉熵函数改进其损失评价流程,使用线性整流单元改进LSTM单元结构,使用LSTM层堆叠结合全连接层的深层结构搭建深度神经网络,在提升感知能力的同时尽可能降低时间耗费。提出交叉熵和线性整流函数改进的三层LSTM(CRIT-LSTM,cross entropy and rectified linear unit improved three-layer long short-term memory)网络结构,提升数据处理能力和效率。2.考虑所述结构的特性、态势评估和态势预测的实际需要,提出了相应的数据预处理和数据组织方法、基于网络击杀链思想的态势量化方法、基于滑动时间窗口的态势呈现方法。输出结果的客观性和稳定性得以保障。3.构建基于CRIT-LSTM的网络安全态势感知框架。框架实现的是对输入的原始安全态势数据处理后,直接输出量化的网络安全态势变化曲线。模块化设计和双判别引擎降低了实现复杂度并提高了稳定性。输出的态势曲线涵盖网络安全态势理解和评估、网络安全态势预测两个方面,可以表征小时间尺度下的细致变化,使得网络安全态势感知的时间滞后性和不确定性有所降低。4.对上述框架进行代码实现并在KDD CUP 99和UNSW-NB15两个数据集上进行测试。本文在神经网络训练和测试两个方面、多种指标下对比分析了三种模型的性能表现。网络安全态势理解和评估、态势预测能力被分别验证。实验证实,基于改进LSTM神经网络的网络安全态势感知框架能够较好地对网络安全的当前态势作出评估、对网络安全近期的发展趋势作出预测,对于实现细时间粒度的、高效的网络安全态势感知具有积极意义。