漏洞权限是网络安全防护中非常重要的一环,有了漏洞权限就可以构建漏洞利用链,可以指导安全工作者制定合理的应急策略。但是现在的漏洞库中缺乏漏洞权限的信息。目前对漏洞权限生成的研究处在起步阶段,主要使用的是基于专家规则的漏洞权限,使用深度学习方法生成漏洞权限的研究较少,本文提出了一种基于深度神经网络的漏洞权限生成方法,方法和结构具有创新性。（1）针对以往的漏洞权限生成模型过渡依赖漏洞描述信息的问题,本文提出了一种能够同时提取多种输入特征的漏洞权限生成模型3Ev-DNN。基于专家经验制定的漏洞权限分类规则,构建了漏洞权限规则库,再通过规则匹配得到一批漏洞权限。将这部分漏洞权限构建为数据集,使用三种不同的方法对不同的漏洞信息进行特征提取,再进行特征融合,将融合后的特征向量输入深度神经网络结构完成对模型的训练。数据集在本文提出的3Ev-DNN模型上的效果比前人使用的IG-DNN（Information gain–Deep Neural Network）模型准确率提高了约2.5%。（2）针对漏洞库中漏洞信息缺失的现象,采用Mask方法对漏洞权限影响因素进行了研究,方便确定后续的漏洞信息收集重点。由于漏洞库中的漏洞信息较多,且存在一定的信息丢失情况,对漏洞权限影响因素进行研究可以方便后续的漏洞信息收集。本文对基于规则匹配得到的数据集进行处理得到了一个更小的数据集,在两个数据集上通过对各项漏洞信息的Mask（遮盖）处理,通过横向对比和纵向对比发现CVSS（Common Vulnerability Scoring System）信息是相对重要的影响因素。（3）针对模型在漏洞描述特征提取中出现的过拟合现象,本文提出了一种新的IM（Important）-Dropout丢弃方法对漏洞描述的特征提取进行了改进。该方法可以提取更全面的漏洞描述特征,使用这一方法改进后的模型在漏洞权限生成任务上效果得到了提高,并且该方法同样适用于其他自然语言处理（Natural Language Processing,NLP）任务。本文主要提出了一种基于深度神经网络的漏洞权限生成模型3Ev-DNN,与IG-DNN模型使用相同数据集进行实验,印证了3Ev-DNN模型的有效性,并通过后续的IMDropout方法的改进进一步提高了模型对漏洞权限预测的性能。