近几年随着人工智能的迅速发展,基于神经网络的网络安全应用也引起学术界和产业的广泛关注,实体关系抽取能从网络安全文本数据中提取和挖掘有价值的信息,分析其关联关系,从而提升网络安全事件的分析能力。现有大部分面向实体抽取的神经网络模型主要通过软件的方式实现,为了提高实时性,满足网络安全某些特定场景的应用,需要研究基于神经网络的网络安全应用的硬件实现。目前,大多数深度学习应用程序都基于通用处理器GPU,但GPU并不是针对机器学习设计的,而且成本、功耗较高,灵活性较差。另一方面,FPGA可重复配置以及存在高并行结构适合于神经网络模型实现,其灵活性、稳定性、安全性都很高,而且能耗比远好于GPU,因此基于FPGA实现神经网络模型成为学术界和产业界的研究方向。本文主要围绕网络安全领域的实体关系抽取模型及其基于FPGA的实现方案展开研究,由于项目分工和时间关系,主要集中在前面部分的研究,具体的工作如下:第一,设计了网络安全领域实体关系类型。我们广泛参考了结构化威胁情报表达STIX2.0和统一网络安全实体UCO2.0并结合了实际的网络安全文本实体关系类别构建了8类网络安全领域实体关系类型。第二,提出了面向网络安全领域的Dense PCNN-ATT实体关系抽取模型。该模型主要针对目前主流的PCNN模型存在的问题引入了密集连接网络,最大化加强特征复用,从而提升实体关系抽取效果。并针对可能出现的过拟合问题,采用L2正则化和Dropout防止过拟合问题。在GPU上对实体关系抽取模型进行了高效内存实现,并通过对比实验验证了本文提出的模型在通用领域和网络安全数据集上都能取得较高的准确率。第三,构建网络安全领域数据集。针对网络安全领域数据集较为稀少的问题,本文通过爬虫自动化爬取收集安全文本语料,并进行清洗、过滤等操作,然后通过远程监督学习对文本数据进行自动标注,生成初始标注数据集,通过人工校验系统,过滤标记错误的示例,得到最终的数据集。构建了大约5千条标注好的语料训练数据。第四,基于FPGA对简单的网络安全领域实体关系抽取模型的卷积和池化模块、激活函数、模型实现总体框架以及计算时间和效能测试的实验方案进行了设计。