1、隨著網(wǎng)絡(luò)規(guī)模的日趨龐大，結(jié)構(gòu)的日益復(fù)雜和多變，傳統(tǒng)的解決單個(gè)網(wǎng)絡(luò)安全問題的方法已經(jīng)無法滿足需求。對(duì)網(wǎng)絡(luò)的整體運(yùn)行情況進(jìn)行感知和預(yù)測(cè)，已經(jīng)逐漸成為當(dāng)前網(wǎng)絡(luò)安全領(lǐng)域的研究熱點(diǎn)之一。網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)作為網(wǎng)絡(luò)安全態(tài)勢(shì)感知的重要內(nèi)容，使網(wǎng)絡(luò)安全管理從被動(dòng)變?yōu)橹鲃?dòng)。目前網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)僅僅利用當(dāng)前和過去的網(wǎng)絡(luò)安全態(tài)勢(shì)值對(duì)未來一段時(shí)間進(jìn)行預(yù)測(cè)，這種方法預(yù)測(cè)數(shù)據(jù)單一，未結(jié)合各種環(huán)境影響因素。針對(duì)以上問題，本文主要工作和創(chuàng)新點(diǎn)如下：
　?。?）深入

2、研究了影響網(wǎng)絡(luò)安全態(tài)勢(shì)的各種環(huán)境因素。由于影響網(wǎng)絡(luò)安全態(tài)勢(shì)的環(huán)境因素較多，為了權(quán)衡預(yù)測(cè)的精度和效率，本文利用灰關(guān)聯(lián)熵分析方法選出與網(wǎng)絡(luò)安全態(tài)勢(shì)關(guān)聯(lián)程度較大的影響因素，并給出了完整的基于灰關(guān)聯(lián)熵和Kalman的網(wǎng)絡(luò)安全態(tài)勢(shì)感知模型。
　?。?）提出了GRE-Kalman預(yù)測(cè)算法。結(jié)合選出的網(wǎng)絡(luò)安全態(tài)勢(shì)的關(guān)鍵因素，提出了基于灰關(guān)聯(lián)熵的Kalman預(yù)測(cè)算法(GRE-Kalman)。GRE-Kalman預(yù)測(cè)模型適用于任意個(gè)影響因素，可根據(jù)

3、需要確定影響因素的個(gè)數(shù)。通過結(jié)合影響因素進(jìn)行預(yù)測(cè)，提高了預(yù)測(cè)的精度和算法的適應(yīng)性。
　?。?）提出了AP-Kalman預(yù)測(cè)算法。結(jié)合灰關(guān)聯(lián)熵分析方法選出的關(guān)鍵因素攻擊強(qiáng)度，分別利用前一個(gè)時(shí)間段的攻擊強(qiáng)度、前二個(gè)時(shí)間段的攻擊強(qiáng)度、前三個(gè)時(shí)間段的攻擊強(qiáng)度、前一個(gè)時(shí)間段的攻擊強(qiáng)度和前一個(gè)時(shí)間段的網(wǎng)絡(luò)安全態(tài)勢(shì)建立不同的預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果表明利用前二個(gè)時(shí)間段的攻擊強(qiáng)度建立的模型預(yù)測(cè)效果較好，將該模型命名為 AP-Kalman算法。AP-Ka