网络态势感知是保障网络安全的一个前提。本文着力于研究骨干网的网络安全态势感知。若利用防火墙、IDS(Intrusion Detection System)等在骨干网中产生的庞大数据进行态势感知,会使得感知算法有很大的时延。而网络中的绝大部分异常都能表现在流量异常中,所以本文通过对流量数据的异常判断来研究骨干网的网络安全态势感知问题。本文首先分析了骨干网的网络安全态势感知模型,以及相应的态势感知与评估、异常类型识别、态势量化、态势预测等方面的研究进展。然后,本文利用主成份分析(Principal Component Analysis,PCA)方法提取网络流量矩阵的主成份,再将流量矩阵划分为正常子空间和异常子空间,并结合Q统计量和T~2统计量分别在异常和正常子空间中进行态势评估。如果网络异常,再通过计算异常贡献率的方式识别出异常的具体类型。第三,本文根据态势评估和异常类型对骨干网安全态势进行量化处理,利用评估数值更显明地表明当前骨干网的风险状态。最后,本文利用基于贝叶斯推理的高斯随机过程回归方法来对骨干网的网络安全态势量化值进行预测,感知将来时刻网络中可能会出现的异常,以提前预防风险。本文所采纳的方法以及其改进能显著提高骨干网的网络安全态势感知的效率。采用国际技术界标准化的数据集进行基准(benchmark)仿真验证,本文方法的异常识别的准确率可以高达99.17%,检错率低于4.8%。另一方面,在异常类型识别方面的准确率相较于相对熵方法提升了10%。在态势量化值预测性能方面,相较于深度学习中的LSTM(Long and Short Term Memory)网络预测误差降低了63%。