随着深度学习与云计算,大数据高度融合发展,在云计算应用服务层产生的巨量数据以及数以亿计的网络接入点以及各式各样的物理设备组成了复杂的网络空间集合体。基于传统方式的安全策略在面对TB级的数据时而变得处理效率低下,凭借着强大的自适应性和自学习能力,深度学习为云安全问题提供了新的解决方法。传统的安全技术防护措施主要是针对网络攻击的被动防御,未能达到云环境态势感知场景下全面的实时安全分析。本文主要侧重于对云计算环境下建立可行性的安全态势评估和预测模型,为安全态势推演提供判别依据。针对云环境中复杂的数据指标做到合理分类,本文选取以云安全漏洞为代表的脆弱性态势指标,以及云系统稳态的生存性态势指标等作为态势指标数据,对云系统评估时应用基于长短期记忆网络的云安全态势评估方法,可避免单层次的传统方法态势评估模式,从多服务态势评估,主机态势评估角度出发对云系统态势评估进行了全方位论述,在评估时加入预期的告警验证机制,能有效减低来自外部无效报警信息,减少对后期态势评估的影响。通过长短期记忆网络训练云安全态势数据集,将态势值划分到适当的云安全状态域中。最后,对比传统安全态势层次评估法获得的评估结果更为准确。针对传统网络安全态势在应对多源异构大数据环境下云安全态势预测模型预测精度不高的问题,结合深度学习中的深度神经网络,本文提出了一种基于深度信念网络的云安全态势预测模型。该模型通过深度信念网络实现了态势要素和预测值之间的映射关系,并结合改进的差分进化算法实现了对隐含层网络参数的优化。同时,引入二维旋转交叉策略增加进化种群的多样性,并验证了该算法的收敛性,避免态势预测模型过早收敛。最后,仿真结果表明相对于现有的云安全态势预测模型提高了预测准确度。