工业互联网作为下一代信息基础设施中的重要组成部分,促进了工业的数字化,智能化和网络化发展,但也面临层出不穷的安全问题。现有的面向工业互联网的安全态势预测方法存在准确率低,时间复杂度高等问题。因此研究准确高效的安全态势预测方法对于复杂的工业互联网环境极其重要。针对上述问题,本文主要利用长短期记忆网络、卷积神经网络、双向门控循环单元网络等,对工业互联网安全态势预测关键技术开展了研究,具体研究工作如下:1.在工业生产过程中,由于数据量庞大、维度高和时间序列复杂,传统的预测模型往往难以精准、高效地预测网络安全态势。因此本文提出了一种自适应的工业互联网安全态势预测模型。模型采用熵相关方法,对若干周期内态势值进行量化,采用滑动窗口机制将态势值进行分段,基于自适应三次平滑指数进行态势值预测,用时变加权马尔可夫链预测误差,修正态势值。最后基于此模型建立本文的工业互联网安全态势预测模型。2.由于时间相关性的工业互联网安全态势值受多种网络安全态势要素的影响,本文提出了一种基于融合非线性动态粒子群、改进人工鱼群优化长短期记忆网络的工业互联网安全态势预测方法。该方法首先利用长短期记忆网络挖掘工业互联网安全态势数据的时间相关性,采用层次分析法计算态势值。引入sigmoid加权线性元来处理反向传播中的梯度问题,并将输入值乘以sigmoid激活函数,以增强长短期记忆网络的结构,提高预测精度。然后,利用非线性动态粒子群优化算法与改进的人工鱼群算法混合来优化长短期记忆网络的超参数,从而提高局部寻优能力与寻优速度。3.由于主流的网络安全态势预测方法都是基于单一神经网络模型,不利于对工业互联网络安全状况的判断,本文提出了一种基于注意力机制的卷积神经网络-双向门控循环单元的工业互联网安全态势预测方法。该方法利用注意力机制为不同的态势属性赋予不同的权重值;使用粒子群优化双向门控循环单元的超参数。仿真实验结果表明,本文所提模型及预测方法均能够很好地适应工业互联网安全态势预测需要,能较好地对工业互联网安全状况进行预测,为网络安全管理员维护网络安全提供一定的帮助。