随着网络安全环境趋于复杂,攻防较量不断升级,网络安全态势感知（network security situation awareness,NSSA）的关注度急剧上升。由于网络流量包含全面的网络信息,流量采集方式灵活多样,基于网络流量进行网络安全态势分析的方法正在得到更多的关注。但是目前对网络流量的分析主要从数据包和会话流属性出发,很少考虑到网络节点间关系和时序信息,因此本文考虑构建一个能够兼顾网络节点间关系和时态信息的网络安全态势分析系统,从节点间关系和时态信息两个维度开展恶意节点识别和态势分析。本文主要工作如下:首先,本文采用图模型来描述实体及实体间关系。先针对网络流量数据设计存储模型,然后根据存储模型对流量信息进行预处理和特征提取（本文称为一次特征提取）,最后将处理好的数据存储到Neo4j数据库中得到网络节点关系图数据库。其次,本文提出了一种基于图数据库的恶意节点检测方法。通过复杂网络分析方法,结合网络流量统计特征,本文选择节点出入度、聚类系数等特征来刻画网络节点间关系（本文称为二次特征提取）。两次特征提取共得到22个特征。本文以这22个特征作为输入,对BP神经网络进行训练,构建恶意节点检测器。最后通过实验对本文方法进行评估,实验结果显示,本文提出的方法在检测精度、查全率和误报率方面都优于同类方法。本文还设计了一种基于时间序列分析的节点聚类方法。针对网络流量往往是由多个独立分量聚合而成的特点,本文首先采用经验模态分解（empirical mode decomposition,EMD）将网络流量分解成多个内涵模态分量（Intrinsic mode functions,IMF）,然后采用傅里叶变换和自相关系数结合的方法计算IMF的周期。最后采用IMF分量周期对时间序列进行距离度量。本文最后用基于分量周期距离的K-mediods方法对时间序列进行聚类,实验结果表明,本文提出的方法时间复杂度低,准确率较高,能够满足实际需求。最后,本文将基于图数据库的恶意节点检测方法和基于时间序列分析的节点聚类方法进行整合,设计了基于图数据库的网络安全态势分析流程,该流程综合考虑了网络流量通信特征、节点间关系和时态信息。本文利用Spring Boot框架和Neo4j相关API实现了基于该流程的原型系统,其性能进行了实验验证,实验结果表明,该原型系统合理可行。