随着互联网的发展和普及,网络对社会的影响越来越大,网络安全问题却变得越来越严重,并逐渐成为互联网、网络服务和应用进一步发展需要解决的关键问题。为了应对当前网络所面临的安全威胁,网络安全态势感知技术随之产生。它是在整合所有网络安全要素的基础上实现网络态势的评估并预测未来网络态势的发展趋势。本文针对网络安全态势感知中的要素获取和评估两个阶段做了深入研究,具体工作如下:第一,关于态势要素获取问题的研究,本文主要针对大规模网络态势要素获取时间复杂度较高和攻击样本不平衡导致样本数较少的攻击分类精度不高的问题,提出一种基于深度自编码网络的态势要素获取机制。在该机制下,利用优化后的深度自编码网络作为基分类器,识别数据类型。一方面,在自编码网络的逐层训练中,提出一种结合交叉熵函数和反向传播算法的训练规则,克服传统的方差代价函数更新权值过慢的问题;另一方面,在深度网络的微调和分类阶段,提出一种主动在线采样算法,通过在线选择用于更新网络权值的攻击样本,达到总样本的去冗余和平衡各类攻击样本数量的目的,从而提高小类攻击样本的分类精度。经对实例数据的仿真分析,该方案有较好的态势要素获取精度,并能有效减少数据传输时的通信开销。第二,在网络安全态势评估阶段的研究中,针对目前态势评估结构单一,考虑要素不全和太依赖专家经验等问题,提出了一种结合层次分析法和贝叶斯网络的态势评估方法。首先,建立层次化的态势评估模型,综合考虑网络自身状况、攻击行为、系统漏洞等要素,全面分析影响网络态势的各个指标;其次,采用改进的萤火虫算法优化层次分析法,从而求解出各个要素的权重值,克服指标的权重完全依赖主观经验的问题,并根据二级指标的具体权重确定贝叶斯网络的结构;最后,仿真结果表明该评估模型降低了专家经验对结果的影响,有效地提高了评估的可信度。