通信网络运行时间为60min通信数据作为测试对象，共采集样本数据5846544条，采用本文评估网络安全风险。选择直觉模糊集方法(参考文献[6])和注意机制方法(参考文献[7])作为比较方法。本文采用大数据分析技术挖掘大量网络通信数据之间的相关规则，统计不同最小信用度和最小支持度时挖掘的相关规则数量。统计结果如图1所示。从图1的实验结果可以看出，最小置信度和最小支持度分别为0.7以及0.3时，可挖掘大量关联规则，设置采用本文方法挖掘大量网络数据时，β值以及б值分别为0.7以及0.3。本方法具有较高的相关规则挖掘性能，在应用于大量网络通信数据时，仍具有较高的挖掘效率。相关规则挖掘完成后，利用QPSO算法的寻优性能获得支持向量机的最优参数，QPSO不同迭代次数时算法的收敛情况如图2所示。从图2的实验结果可以看出，本文采用了方法QP-SO算法寻找支持向量机评估网络安全风险的最佳参数，只需40次左右的迭代次数即可快速获得最佳支持向量机参数。选择本文的方法QPSO算法具有较高的优化效率，能在短时间内快速获得支持向量机的最佳参数，提高网络安全风险估计性能。通过QPSO算法获取支持向量机算法的最优参数C=130,σ=135。采用QPSO算法支持向量机最优参数建立网络安全风险评估模型，使用建立的安全风险评估模型评估网络运行5h本文将安全风险事件数与另外两种方法进行比较，对比结果如图3所示。从图3的实验结果可以看出，本文对网络安全风险结果的评价与实际网络安全风险结果非常接近，波动趋势高度一致。对比结果表明，本方法可有效预测网络安全风险，预测结果非常可靠，可作为网络管理员管理网络安全的有效依据。经过多次测试，比较了三种方法的网络安全风险评估性能，比较结果如图4所示。从图4的实验结果可以看出，用本文评估网络安全风险可以有效改善所需的历史数据，对缺失的数据更敏感，在网络安全风险评估中具有较高的可靠性。2020年1月3日7:00-24:00共17小时安全风险情况见表1。根据表1给出的实验网络安全事件表，采用本文评估其风险事件攻击类型，结果见表2。分析表2可以得到，本方法可以评估安全风险事件，有效确定网络安全风险事件的具体攻击行为，验证本方法具有较高的安全风险事件评估效果。

网络安全风险估计是当前网络安全防御系统的重要组成部分。随着网络数据量的增加，对网络安全风险估计提出了更高的要求。充分考虑网络运行过程中的攻击情况，将大数据分析技术应用于网络安全风险估计，利用大数据分析技术处理海量数据的优势，充分挖掘网络安全事件中的相关规则，估计网络安全风险。通过实验验证研究方法，可以有效估计网络安全风险，有效保护海量数据运行环境下的网络安全。