1.一种面向渗透攻击的网络蜜罐部署方法，其特征在于，包括以下步骤：(1)对目标网络进行扫描检测，得到目标网络的扫描信息，并储存分类；根据网络拓扑结构关系和主机漏洞关系进行连通性分析，生成属性攻击图；利用通用漏洞评分系统计算脆弱点的可用性E，计算属性节点之间的条件概率Ps和目标节点受到攻击的概率为P(obj)，将属性攻击图生成贝叶斯攻击图；

(2)枚举每一条可能的攻击路径，沿着攻击者可能的路径，根据受到攻击的概率为P(obj)分配一组k个蜜罐，定义部署蜜罐的成本，设定奖励值Cap，计算奖励函数，优化蜜罐部署；

(3)对步骤(2)部署的蜜罐利用SARSA强化学习算法结合步骤(1)生成的贝叶斯攻击图进行优化，得到最优的蜜罐部署路径；

所述步骤(3)包括以下子步骤：

(3.1)建立一个Q‑table保存状态s和将会采取的所有动作a，记为Q(S，A)；将上述所有动作a以及Q(S，A)作为网络模型的训练数据集；

(3.2)创建一个Agent智能体，所述Agent智能体包括学习算法和动作空间；Agent智能体利用SARSA强化学习算法进行训练；在训练中先随机初始化第一个网络路径状态，再对训练回合中的每一步中都先从Q‑table中使用∈‑greed基于网络当前状态s选择动作a，执行动作a，得到新的网络路径状态s’和当前奖励r，同时再使用∈‑greed得到在s’时的动作a’，并利用动作a’更新表中Q(S，A)的值继续训练；

(3.3)不断重复步骤(3.2)方法，直到Q‑table不再更新，生成了最优策略π，公式如下：Q(S，A)＝Q(S，A)+α(R+γQ(S`，A`)‑Q(S，A))其中，α代表学习率，γ是奖励折扣；

(3.4)根据步骤(3.3)得到的最优策略π，在状态s下得知要执行的动作a；所述动作a包括部署蜜罐或不执行两种动作，而状态s则只与该攻击路径贝叶斯攻击图的攻击成功率有关；最后依据最优策略π部署蜜罐。

2.根据权利要求1所述的面向渗透攻击的网络蜜罐部署方法，其特征在于，所述步骤(1)包括以下子步骤：(1.1)对目标网络的主机、端口和漏洞进行扫描检测，得到目标网络的扫描信息，并进行储存和端口信息分类；

(1.2)定义数据集为包含Nhost个主机的集合X， 每个主机表示Q×H

xi∈R ，i＝1,2，....，Nhost，即xi是一个包含Q×H个元素的矩阵，其中Q表示主机漏洞，H表示主机之间的连通性关系；

(1.3)生成属性攻击图：利用步骤(1.1)采集的目标网络的扫描信息，根据网络拓扑结构关系及主机漏洞关系进行连通性分析，并且进行有向性连接，构成属性攻击图的边；根据步骤(1.1)目标扫描信息的数据集，将不同的目标网络的扫描信息划分为不同的节点；连接边和节点生成属性攻击图；

(1.4)基于通用漏洞评分系统计算脆弱点的可用性E，公式如下；

E＝20VCU，0≤E≤10

其中，V是访问向量，C是访问复杂度，U是访问验证；

(1.5)根据步骤(1.4)得到的脆弱点的可用性E，计算原子攻击的难度其值越大攻击难度越大，计算公式为：其中，D表示相应原子攻击的难度；

原子攻击的难度代表属性节点之间的条件概率Ps，公式如下：

设攻击者要获得的目标属性为obj，在攻击路径上obj的所有直接和间接父节点为Pre(obj)，直接父节点为DPre(obj)，则目标节点受到攻击的概率为P(obj)：P(obj)＝P(obj|Pre(obj)P(Pre(obj))；

(1.6)根据步骤目标节点受到攻击的概率为P(obj)得到攻击者可能的路径，对步骤(1.3)生成的属性攻击图转化，生成贝叶斯攻击图；并完成消除环路，分析渗透路径成功的概率。

3.根据权利要求1所述的面向渗透攻击的网络蜜罐部署方法，其特征在于，所述步骤(2)包括以下子步骤：(2.1)防御者枚举每一条可能的攻击路径，沿着攻击者可能的路径分配一组k个蜜罐，使攻击者偏离真正的目标节点；

(2.2)通过受保护或受攻击的节点被攻破的概率P(obj)来加权防御者的奖励；防御者在网络边缘放置一个新的蜜罐会产生固定的成本，假定布置这个蜜罐的成本为P；

(2.3)对于简单的目标网络具体为：如果新的蜜罐没有将攻击者捕获，则设定奖励值Cap为0；如果新的蜜罐将攻击者捕获，那么自定义设定个奖励值Cap，定义部署单个蜜罐的奖励函数R公式如下：R＝‑(P‑Cap*(1‑Ep))

其中，Ep＝P(obj)为受保护或受攻击的节点被攻破的概率；

对于复杂的目标网络具体为：如果新的蜜罐没有将攻击者捕获，则设定奖励值Cap为0；

如果新的蜜罐将攻击者捕获，那么自定义设定个奖励值Cap，利用步骤(1.5)计算的受到攻击的概率为P(obj)，根据受到攻击的概率为P(obj)来部署蜜罐；奖励函数 的公式如下：所述简单的目标网络为网络层数2层以内，且主机数量小于4台；超过则视为复杂网络。