信息网络是信息化健康发展的基础和保障,它的安全性建设十分重要。网络安全风险评估已经成为安全性建设的一个重要组成部分,本文研究的目的在于探索网络安全实时风险评估模型,提高风险评估的频度和精度,为信息安全风险评估提供更好的方法。网络安全风险评估是对网络资产的脆弱性、威胁等情况进行评估。本文将网络资产建模为一种安全状态,而安全状态需要根据网络传感器检测到的安全事件作为观测信息来估计。风险被定义为与安全状态相关的性能函数。传统的方法大都是手动分析,但是单位时间内通过某个节点的数据流量非常大,使得人们力不从心。实时风险评估方法就是通过观测序列估计安全状态的分布,定量分析风险的一种方法。隐Markov模型(HMMs)和动态贝叶斯网络模型(DBNs)符合要求。本文的主要贡献有两点。其一,使用连续时间隐Markov模型(CTHMMs)进行风险评估,并改进了模型参数学习算法,和之前的算法相比较算法复杂度大大降低,模型识别的结果表明改进的算法学习得到的模型更好,而且通过仿真发现误码率也有所降低。其二,使用DBNs进行风险评估,和CTHMMs相比较算法复杂度大大降低,而且仿真发现误码率也降低很多。这也是本文的创新之处。本文对CTHMMs参数学习算法的改进是对Markov理论的一个贡献。离散事件动态系统的随机统计模型在应用方面,除了在一些典型的应用(如语音识别),近年来已经作为一个普通的工具应用于网络安全研究。