随着通信技术的发展与智能手机的普及,互联网的使用者越来越多,产生的数据量越来越大,网络安全问题日渐严重。网络攻击态势评估技术从网络的整体出发,通过分析网络中的数据,判断网络遭受的攻击的类型,基于不同种类攻击对网络的造成的影响,设计相应的指标与算法,对当前网络的状态进行评估。本课题拟实现一个基于Spark的网络攻击态势评估平台,实现大数据环境下的网络攻击态势评估,具体的工作如下:基于循环神经网络与随机森林算法,构建了 RNN-RF攻击检测模型,用于对网络攻击态势的评估。循环神经网络负责数据的特征降维,随机森林模型负责对降维的数据进行分类。同时本课题基于网络攻击态势评估算法,结合RNN-RF模型的攻击检测结果,分析攻击的影响因子,计算网络态势值,结合国家的网络态势评估标准,实现了对网络攻击态势进行评估。实验证明,本课题的RNN-RF模型对比其他的攻击检测模型具有较好的评估表现。使用RNN-RF模型实现攻击态势评估相比传统的数学模型法、知识推理法构建难度更低,对变种的攻击具有更好的评估效果,可以满足大数据环境下的攻击态势评估需求。同时本课题设计和实现基于Spark的可插拔算子平台。本课题基于Spark底层API结合用户使用需求,设计并实现了多种可插拔算子。具体包括异构数据输入算子,行转换算子,双集转换算子,Key-Value转换算子,SQL处理算子,行动算子,数据输出算子。可插拔算子平台为业务人员自定义数据处理、构建评估数据提供了帮助,降低了业务人员使用大数据技术进行数据清洗的学习成本和使用成本。业务人员通过平台处理采集到的TCP数据将其转换为算法需求的数据形式,快速的接入到态势评估模型中。使用平台可以轻松的利用Spark的流处理和批处理能力,满足实时评估,大规模数据评估的需求。