公共安全问题一直以来都是公共生产环境中的重要问题,构建社会公共安全监测系统,预测社会公共安全事件,可以缩短应急处理时间。虽然事故发生后做出如何处理非常重要,但是不管是任何事故,最好的方法莫过于提前防御,避免事故发生。越来越多的企业将网络监测设备引入到公共生产环境中,利用网络设备监测到的数据对公共生产环境的安全性进行预判,积极采取相应的应急处理措施。在此过程中,我们必须要为公共生产环境的网络检测设备提供一个可靠的运行环境,以防恶意程序的攻击造成数据监测设备故障,影响数据的监测准确性。网络预防手段在不断的革新,网络威胁与攻击手段也在不断加剧,两者的发展出现的严重的不平衡性,使得信息系统安全受到严重挑战。因此,本文将网络历史被攻击的数据和当前的网络安全状况相结合,预测未来一段时间内的安全威胁状况,这有利于维护网络环境的健康、营造保障性更强的公共安全生产环境具有重要的意义。本文详细研究网络安全预测的相关理论基础以及常用的网络安全预测方法,针对特定的网络环境,提出基于优化的长短记忆型(Long Short-Term Memory,LSTM)神经网络的网络安全态势预测模型。主要的工作如下:(1)本文使用的LSTM神经网络算法,克服了循环神经网络(Recurrent Neural Network,RNN)不能处理长期依赖的数据,将LSTM神经网络引入态势预测领域,并用随机梯度下降算法作为最小化样本训练损失的目标,建立网络安全态势预测模型,对未来的网络安全态势进行预测。(2)结合LSTM神经网络的特点,对多次预测的实验结果进行分析,使用矩阵变换对预测出的数据进行数据优化处理。根据现有样本数据的特点,构建出优化后的LSTM神经网络安全态势预测模型,并且获得了良好的预测效果。(3)通过仿真实验与其他的时间序列算法进行对比,验证本文提出的基于优化的LSTM神经网络预测模型对网络安全态势预测的准确性。仿真实验表明,相比于其他常用的时间序列方法,本文所提出优化后的LSTM神经网络预测模型的预测精度更高,可以更加直观的反映网络安全态势的总体情况,为网络安全态势预测提供一种新的解决途径。