目前,网络安全问题日益严峻,俨然成为非常重要的一个研究课题。面对大规模的网络安全时间序列数据,高效并准确地实现网络安全的态势预测具有非常有意义的研究价值,通过态势的预测结果可以指导网络管理者完成安全决策分析和防御措施的制定。网络安全态势预测是在准确的网络安全态势觉察、充分的网络安全态势理解基础上,进而实现对未来网络安全态势的趋势预测。而要完成对大规模网络的安全态势的预测主要有赖于对海量安全时间序列数据的深入挖掘。现有的网络安全态势预测方法仅能预测出未来单位时间的态势值,然后依据连续单位时间的态势值进行网络安全态势的评估。然而单位时间的态势值往往受扰动的影响比较大,难于预测。本文中,尝试根据历史时间序列数据直接预测未来一段时间里的网络态势趋势的变化规律,而不是再对某个时刻的态势值进行态势分析。即基于趋势变化来分析网络安全时间序列数据的态势预测。为了解决这个问题,本文针对网络安全时间序列数据的态势预测做了如下的工作:(1)首先研究了基于时间序列的神经网络方法,实现对未来一段时间内网络安全态势的趋势变化的预测:依据时间序列数据的结构特点、基于趋势变化的预测方法的理论,对网络安全时间序列数据进行分段,每一段代表一种趋势,生成网络态势预测的样本集;用样本集基于BP神经网络实现网络安全态势的趋势变化预测。实验采用Honeynet数据完成仿真,验证了基于趋势变化的网络安全态势预测这个方法的有效性和适用性。(2)主要研究了面向预测的事件序列频繁情节挖掘方法,实现网络安全时间序列数据趋势变化的预测。首先,基于网络安全事件发生的统计规律性,对安全时间序列数据进行分段预处理,对分段后的时间序列子段离散事件化处理,将网络安全时间序列数据转换为安全事件序列数据。然后,通过引入事件序列的频繁情节的相关知识,实现面向预测的时间序列数据的频繁情节挖掘。基于网络安全态势预测对各事件发生的相对时间的敏感性,通过引入一个限制情节发生长度的变量,实现对现有的频繁情节挖掘算法MANEPI的改进,提取预测所需的频繁情节。最后,利用提取的这些知识预测未来一段时间里的网络安全态势的趋势变化规律。