随着计算机的普及,互联网已经进入社会生产生活的各方面,同时随之而来的网络安全问题也已经成为人们普遍关注的焦点。网络安全态势感知为切实有效地应对各种网络安全问题提供了可行的解决方案：针对复杂的网络环境和海量的恶意攻击日志文件,综合分析针对网络系统各部分的攻击事件,从宏观的角度对网络安全态势进行评估,并在此基础上预测将来的网络安全态势信息。为了更加准确的预测网络安全态势的发展趋势,本文将时间序列模型结合基于支持向量机(Support Vector Machine, SVM)并模拟退火算法结合交叉验证参数寻优,对网络安全态势进行预测。支持向量机作为统计学习理论近年来最新的理论成果,并成为国内外专家学者的研究热点,被广泛地应用于机器学习研究中。本文通过研究支持向量机的理论基础,并根据实验数据对象选择了高斯核作为支持向量机的核函数,并进一步为建立支持向量机选择了多分类算法。支持向量机对网络安全态势进行预测的核心思想是处理网络系统各传感器和监控部件上检测到的非正常事件的日志文件,并使用科学有效的评估方法将其量化并处理成安全态势时间序列数据,将得到的时间序列数据作为支持向量机的训练和预测数据。松弛变量和惩罚因子是影响支持向量机分类性能的重要参数,为了进一步提高支持向量机预测的准确性,采用了模拟退火算法结合交叉验证寻找支持向量机模型最优参数。本文实验是在R语言平台下实现了支持向量机模型,并选择MIT林肯实验室的KDD99数据集作为验证预测模型的实验数据。实验证明基于支持向量机的该预测系统对于网络安全态势的预测有较高的可行度,并且通过模拟退火算法得出的参数与传统的交叉验证进行比较,证明模拟退火算法结合交叉验证相对于传统交叉检验和支持向量机默认参数等常规参数获得方法,对于预测系统对网络安全态势的预测准确性有明显提高,并且基于支持向量机的网络安全态势预测方法对于网络安全态势的预测有较高的可行度,在实际网络安全态势感知应用中具有一定的研究和实用价值。