云安全问题日益突出,人们对合理的云安全监控、评估与预测系统的需求也日益迫切。而针对云数据的融合分析技术可以为云安全监控提供直接的证据支持,是云安全监控的重要组成部分。但云环境结构复杂,云数据具有量大,时间、空间、语义等多方面异构性,传统的数据融合分析技术不能很好地适应这些特性,从而严重阻碍了云安全监控的发展。传统的数据融合分析技术分为三个级别,每个级别的融合原理和算法不相同,既可以组合使用,也可以单独使用。但是组合使用时分析层次过多,会产生较大的系统开销;而单独使用的准确性低,不合适云安全监控系统。据此,论文提出了一种改进的数据级和决策级两层数据融合分析模型,两层融合弥补前述三层分析模型的不足,使分析结果更加准确。传统的关联规则算法采用串行方式进行数据级融合分析,执行效率低,生成的候选项集多,内存占用大,不适合云监控系统。论文提出了改进的基于Map-Reduce的并行Apriori算法。首先进行预处理,将原数据库转化为Bool项目数据库,用位图法进行存储;其次,采用Hash表对数据进行划分,让IP相同的数据分布在同一数据块中;再次,对Map函数进行改进,采用多叉树结构进行频繁项集存储,并用Reduce函数对多叉树进行合并。最后,通过实验验证论文提出的Apriori算法比已有的算法效率高,且规则分析的准确性也有所提高。在决策级数据融合分析中,传统方法生成博弈模型效率较低,论文提出了一种并行随机博弈模型生成算法,首先根据云环境的拓扑结构进行并行计算,生成随机petri网攻击模型,并结合防御行为,生成有效的攻防随机博弈模型;其次,计算收益函数,并采用信息熵对收益贡献率进行分析,使博弈选择收益高且收益稳定的策略;最后,通过实验验证该模型能够准确的给出策略选择概率,并对系统的性能进行分析。综上所述,论文提出了大数据的两层数据融合分析模型,分别利用并行Apriori算法和随机博弈模型实现了数据级和决策级两层的安全分析。仿真实验显示,与已有的方法比较,系统开销较低,准确率较高。