随着时间的变化,网络环境的内部和外部都在不断变化当中,如果安全策略和措施不能跟上步伐,被保护的网络系统也就会变得不那么安全。所以,一种能及时根据攻击的变化与发展而自动调整来识别与预测的安全模型显得尤为重要。在复合式攻击成为当前主流攻击手段的大环境下,本文提出的基于隐马尔可夫模型(简称HMM)对复合式攻击进行预测的方法能较好的解决复合式攻击预测研究中攻击意图难预测、报警信息有误导致攻击意图序列计算有误等问题,并且能够有效的提高隐马尔可夫模型的训练效果,从而提高复合式攻击预测的准确性。复合式攻击被检测得出的报警信息是我们可以直接观察到的信息,但在复合式攻击中,为达到一个攻击意图,攻击者可以采取很多种不同的攻击手段,而入侵检测系统对每种不同的攻击手段也会发出很多种不同的报警信息。这就说明同一个攻击意图可能会产生很多种不同的报警信息。所以,找出攻击的真实意图是我们所要得到的有用信息。本文通过改进的Baum-Welch算法训练HMM模型,生成新的HMM模型,改进的Baum-Welch算法相较之前增加了学习和适应能力。然后使用Forward算法,算出该HMM模型内的报警信息序列发生的概率。在报警信息经过预处理后仍出现误报的时候,经典Viterbi算法得到的攻击意图序列可能会产生偏差,本文通过改进Viterbi算法,使算出该报警信息序列所对应的最佳攻击意图的序列的准确率更高。根据仿真实验的结果可以证明通过改进训练方法和优化识别攻击意图方法而建立的隐马尔可夫模型对复合式攻击行为的判断和预测要比之前的传统隐马尔可夫模型效果更好。并且,在当前主流的四种复合式攻击预测方法中,基于隐马尔可夫模型的预测方法性能最优。