随着我国互联网事业的快速发展,网络安全和信息化建设逐步推进,同时也暴露出不少网络安全问题,及时发现并处理网络运行时可能存在的安全风险问题对于推动我国网信事业发展有重要意义。若利用防火墙、入侵检测、数据加密等传统的网络安全防御思想来提升网络及应用的安全性,只能针对网络安全事件进行被动防御。为了能预知网络安全事件的发生,将被动防御转化为“主动”防御,把网络系统可能会承受到的损害降至低点,由此网络安全态势感知技术不断蓬勃发展。该技术通过对多源异构数据和环境因素进行提取和评估,预测未来短期内网络整体的安全状况,提高网络管理效率。传统的层次化网络安全态势评估模型,利用入侵检测系统的警报信息评估计算,忽略了警报要素之间的关联性,导致评估结果不够准确、客观。为解决上述问题,在层次化态势评估模型的基础上添加模糊层。首先,在充分获取网络环境信息条件下,采用警报匹配方式衡量警报成功率这一数值;接着从警报威胁度、成功率和周期三个方面对网络安全态势影响程度上进行分析,得到它们之间的映射关系;最后,从服务级、主机级、系统级三个层次上,分别计算出综合警报态势值。针对基于深度学习的网络安全态势预测模型,容易出现的网络参数复杂、不能结合历史数据分析的问题,采用改进的粒子群搜索算法与带有门控结构的长短时记忆网络相结合的态势预测模型。通过合理控制输入信息和历史信息,解决原有网络的“遗忘”问题,粒子群算法能够对网络的结构和部分参数自动寻优,使网络快速收敛到全局最优。根据仿真结果可知,本文提出的态势评估模型,在消除漏报、错报信息方面取得较好效果,评估结果在全局性与准确度上相较于传统评估方法有着明显进步。本文介绍的IPSO-LSTM态势预测模型,同时与其他预测算法进行比较,IPSO-LSTM的预测精度得到提升,验证了本文预测算法的优越性。