作为网络安全态势感知的基础,多源数据融合技术则显得极其重要。为了达到数据降维、冗余减少、收集协同信息和综合分析的目标,数据融合采取了对多数据源中的异构数据综合分析处理的方式。由于数据来源的多样且数据的结构不同,造成数据无缝融合的难度很大,使得数据融合面临诸多的问题。因此,只有找到有效的融合方法,才能够处理海量多源异构数据中错综复杂的关系,从而获得更为准确的融合结果。本文在认真全面整理了数据融合领域国内外发展进程、研究现状的基础上,分析对比了此领域的多种关键技术后,选定以D-S证据理论为基础,结合深度学习算法,形成了一种新的数据融合方案,本文主要工作内容和创新点如下:(1)提出了一种改进的D-S证据理论方法。针对证据严重冲突以及完全冲突情况下合成结果明显不合理的问题和概率指派较为主观、不合理的情况。我们提出了两点改进,首先,在平均支持度算法的基础之上,引入了模糊隶属度fA和支持度SA作为权值,提高了合成公式的准确性;其次,通过引入内部逻辑严密、善于逼近复杂非线性关系、收敛速度也较快的神经网络来得到更精准的基本概率分配函数BPA。(2)针对运用神经网络的方法训练得到基本概率分配函数BPA时,巨大计算量和计算时间会对效率造成影响,并且优化算法的好坏还决定着神经网络能否收敛到最优解。我们提出了一种改进的深度学习优化算法。该算法将三阶矩的概念引入到优化算法中,以解决不稳定和极端的学习率可能造成的无法收敛到最优解的问题,并且在一定程度上可以加速收敛过程。(3)基于改进的D-S证据理论和深度学习算法,设计并完成了一种检测网络攻击的方案。通过对IDS、防火墙、路由器等的日志和流量数据进行抓取分析,对网络流量的DoS攻击实现检测,为网络安全的决策提供了强有力的支持。实验表明,改进后的D-S证据理论算法,结合深度学习优化算法优于一些传统算法,具有较高的准确性和稳定性;本文检测网络攻击的方案能够很好地完成需求分析中功能,且较为准确高效地完成融合以检测网络攻击。