近年来随着互联网的高速发展,网络在给人们的日常生活带来便利的同时,也随之带来了安全问题。传统网络防御的被动性、静态性等不足使防御者在网络对抗中处于不利地位,导致攻防双方的不对等性。而主动网络防御作为一项前瞻性的网络防御技术,能够在攻击发生之前采取防御措施,扭转防御者的不利地位。端信息跳变正是一种以动态的思想打破传统防御静态性的新型主动网络防御技术,其通过不断变化的端信息来迷惑攻击者,使攻击者无法准确发起攻击,实现通信的隐蔽性,从而大大增加攻击成本。本课题组前期对于端信息跳变中涉及的关键问题做了大量研究,本文主要针对端信息跳变主动防御技术中跳变策略单一的问题,将多样异构的跳变模式引入端信息跳变系统,拓展了端信息的定义并给出了跳变策略的自适应调整方案。进一步,提出一种基于深度信念网络的端信息跳变自适应模型,形式化描述了模型中数据收集、特征提取和状态预测等过程,定义了端信息跳变网络状态特征指标并建立了特征数据集,利用深度信念网络对数据集进行建模,利用动态转移概率的方法预测下一周期的网络状态,并根据预测结果选取异构的跳变模式,从而实现了端信息跳变模式的自适应变化。本文结合了深度学习和端信息跳变这两个研究方向,将深度学习用于网络态势的评估当中,并结合马尔科夫链提出一种动态转移概率的网络预测方法,通过预测结果选择跳变策略从而实现端信息跳变系统的自适应策略。论文在对深度信念网络,端信息跳变,马尔科夫链等基本技术进行了阐述之后,提出了基于深度信念网络的自适应端信息跳变模型,对模型各过程进行了形式化描述并编程实现,进一步通过实验对模型的性能进行了分析,实验结果显示,模型网络状态识别和预测具有较高的准确性,并且异构的跳变策略能够有效抵御不同的攻击类型,说明了端信息跳变自适应模型的有效性和安全性。