随着互联网普及程度的逐年提高,网络在人们生活的方方面面变得与之密不可分。与此同时,网络攻击也呈现逐渐复杂化、多样化、规模化的特点。传统依靠单一指标评价网络安全性能的思路逐渐暴露其局限性,为了检测和预知网络整体的安全态势,网络安全态势感知的概念应运而生。网络安全态势感知是一门通过全面感知整网态势因子,使用既定理论框架和方法模型来评估和预测网络风险的新型网络安全理论。预测到的态势值为安全管理员提供参考从而更有效的做出防护措施。本文针对当前网络安全态势评估与预测方法中所存在的局限性和缺点,提出适应Tim bass模型的态势评估与预测算法的优化研究。主要做了以下研究工作:1、通过研究现有态势评估方法中的神经网络模型,发现其存在初始参数设置不准确易导致训练结果陷入局部极值、输入层节点过多使得模型收敛较慢、计算复杂等问题。针对此,提出一种基于BP神经网络联合细菌觅食算法的态势评估方法。首先对输入层的属性进行预处理,得到理论上可以接受的节点数目,解决了输入层节点多而导致的计算过于复杂的问题;然后采用细菌觅食算法对初始生成的神经网络参数进行优化使得在模型训练之初就能得到一个相对更好的参数值,解决了初始参数设置不当引起收敛速度慢的问题;最后采用梯度下降法进行训练得到最终安全态势评估的有效模型。2、在态势预测方法中,现有隐马尔科夫训练模型,其初始参数的设定缺乏理论指导,容易使其训练结果陷入局部最优。针对此,提出了一种基于联合隐马尔可夫模型与遗传算法的态势预测方法。该方法首先利用遗传算法来优化隐马尔可夫模型的初始值;然后,采用鲍姆韦尔奇算法来进一步优化模型参数,得到极大似然估计下的隐马尔可夫模型;最后,采用维特比算法结合观测值对安全态势进行预测。实验表明:该方法可以显著提高网络安全态势预测的准确度。3、基于所提出的态势预测方法,设计了一系列算法验证实验。首先,基于收集的数据,使用搭建的实验平台进行攻击仿真实验。然后,利用所提方法进行网络安全态势评估和预测,并与传统的态势预测方法进行对比分析。最终,通过网络安全态势预测绝对误差等指标,验证了本论文所提出方法的有效性。