网络给人们带来便捷的同时也造成了安全隐患。大量的隐私数据、机密数据等在网络中传播,使得网络安全问题日渐突出。本课题将网络中攻击行为检测与网络风险评估相结合,用以监测网络所处的安全威胁状态和网络风险值的大小。在网络中,小样本类别的检测准确率低、网络安全威胁状态的不可观测性一直都是网络安全研究领域需解决的重要问题。因此,为解决上述问题,本文的主要研究如下:首先,对网络中访问行为进行安全威胁类别检测,小样本数据的检测准确率较低而导致网络中较高威胁入侵行为检测准确率低,针对该问题提出了基于SVM-RF二级多分类模型,对网络行为做分类检测。该模型用以剔除大量正常数据来降低分类时对异常类别检测的干扰。其次,由于在以往的隐马尔可夫网络风险评估研究中的状态转移过程没有考虑攻防事件的成功概率,为对网络进行合理、准确的风险评估,并将网络中不可观测的安全威胁状态变为可见,提出了基于改进隐马尔可夫模型的网络风险动态评估方法。该方法将网络安全与HMM模型结合,利用攻防因子博弈过程来改进安全威胁状态转移机制,分析攻防影响因素并进行量化,以对网络风险进行合理化评估。再次,将数据多分类检测与风险评估相结合,把多分类检测对网络中访问行为进行四分类时产生的警报响应作为风险评估的观测序列,进而对网络攻击行为和风险大小进行统一、全面监控。最后,在Windows平台下用python语言对建立的模型进行实验,来验证模型的合理性、有效性。