🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

一、引言

  在当今数字化时代，网络安全威胁日益复杂且多样化。通过数据可视化分析，我们可以从多维度揭示网络安全威胁的分布特征、演变趋势以及各因素之间的关联。本文将基于2015-2024年间全球网络安全威胁数据集，进行深入的可视化探索，帮助大家更直观地理解网络安全态势。

二、数据探索

2.1 数据集介绍

  本数据集包含以下变量：

• 国家：发生攻击的国家
• 年份：事件发生年份（2015-2024）
• 威胁类型：网络安全威胁类型（如恶意软件、DDoS等）
• 攻击类型攻击方法：（如网络钓鱼、SQL注入等）
• 目标行业：目标行业（如金融、医疗保健等）
• 数据泄露量（GB）：数据量受损
• 财务影响（$M）：估计经济损失（百万美元）
• 安全漏洞类型：例如，零日漏洞、SQL 注入漏洞
• 响应时间（小时）：缓解攻击所花费的时间
• 缓解策略：采取的对策

2.2 数据清洗与探索

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 加载数据
df = pd.read_csv('global_cybersecurity_threats.csv')  # 请替换为实际文件路径

# 查看数据基本信息
print(df.info())
print(df.describe())

# 查看各列唯一值数量
print(df.nunique())

  从数据的基本信息中，我们可以发现：

• 数据集包含多个类别型变量（如国家、威胁类型、攻击向量等）和数值型变量（如数据泄露量、财务影响等）
• 一共3000个样本，且无缺失值存在
• 也可以发现类别型变的中类别的个数情况，如一共有7种不同的攻击类型。

---

三、单维度特征可视化

3.1 各年份攻击事件数量

plt.figure(figsize=(12, 6))
sns.countplot(x='年份', data=df, palette='viridis')
plt.title('Cybersecurity Attacks by Year (2015-2024)')
plt.xlabel('Year')
plt.ylabel('Number of Attacks')
plt.tight_layout()
plt.show()

  观察结果：攻击事件数量呈现增长趋势，尤其在近5年攻击数量明显高于开始的5年的攻击数量，反映出网络安全威胁的不断加剧。

3.2 威胁类型分布

plt.figure(figsize=(12, 8))
sns.countplot(y='威胁类型', data=df, order=df['威胁类型'].value_counts().index, palette='plasma')
plt.title('Distribution of Cybersecurity Threat Types')
plt.xlabel('Number of Attacks')
plt.ylabel('Threat Type')
plt.tight_layout()
plt.show()

  观察结果：恶意软件和DDoS攻击是最常见的威胁类型，占据较大比例。

3.3 受影响行业分布

plt.figure(figsize=(12, 8))
sns.countplot(y='目标行业', data=df, order=df['目标行业'].value_counts().index, palette='inferno')
plt.title('Distribution of Affected Industries')
plt.xlabel('Number of Attacks')
plt.ylabel('Industry')
plt.tight_layout()
plt.show()

  观察结果：IT和银行行业是攻击的主要目标，可能因其数据价值较高。

3.4 数据泄露量分布

plt.figure(figsize=(12, 6))
sns.histplot(df['数据泄露量 (GB)'], kde=True, color='teal', bins=40)
plt.title('Distribution of Data Breach Volume (GB)')
plt.xlabel('Data Breached (GB)')
plt.tight_layout()
plt.show()

3.5 财务影响分布

plt.figure(figsize=(12, 6))
sns.histplot(df['财务影响 ($M)'], kde=True, color='coral', bins=40)
plt.title('Distribution of Financial Impact ($M)')
plt.xlabel('Financial Loss ($M)')
plt.tight_layout()
plt.show()

3.6 安全漏洞类型分布

plt.figure(figsize=(12, 6))
sns.countplot(x='安全漏洞类型', data=df, palette='rocket')
plt.title('Distribution of Severity Levels')
plt.xlabel('Security Vulnerability Type')
plt.ylabel('Number of Attacks')
plt.tight_layout()
plt.show()

---

四、多维度关系可视化

4.1 年份与威胁类型的关系

plt.figure(figsize=(15, 8))
sns.countplot(x='年份', hue='威胁类型', data=df, palette='tab20')
plt.title('Threat Types Over the Years')
plt.xlabel('Year')
plt.ylabel('Number of Attacks')
plt.legend(title='Threat Type', bbox_to_anchor=(1, 1), loc='upper left')
plt.tight_layout()
plt.show()

4.2 攻击源与威胁类型的关系

plt.figure(figsize=(15, 10))
sns.countplot(y='攻击向量', hue='威胁类型', data=df, palette='Set2')
plt.title('Relationship Between Attack Vectors and Threat Types')
plt.xlabel('Number of Attacks')
plt.ylabel('Attack Vector')
plt.legend(title='Threat Type', bbox_to_anchor=(1, 1), loc='upper left')
plt.tight_layout()
plt.show()

4.3 受影响行业与威胁类型的关系

plt.figure(figsize=(15, 10))
sns.countplot(y='目标, hue='威胁类型', data=df, palette='Dark2')
plt.title('Relationship Between Affected Industries and Threat Types')
plt.xlabel('Number of Attacks')
plt.ylabel('Industry')
plt.legend(title='Threat Type', bbox_to_anchor=(1, 1), loc='upper left')
plt.tight_layout()
plt.show()

4.4 不同威胁类型的数据泄露量与财务影响的关系

plt.figure(figsize=(12, 8))
sns.scatterplot(x='数据泄露量 (GB)', y='财务损失（单位：百万美元）', data=df, hue='威胁类型',alpha=0.6, color='purple')
plt.title('Relationship Between Data Breached and Financial Impact')
plt.xlabel('Data Breached (GB)')
plt.ylabel('Financial Loss ($M)')
plt.tight_layout()
plt.show()

4.5 安全漏洞类型与事件解决时间（小时）的关系

plt.figure(figsize=(12, 8))
sns.boxplot(x='安全漏洞类型', y='事件解决时间（小时）', data=df, palette='muted')
plt.title('Relationship Between Severity Type and Response Time')
plt.xlabel('Severity Type')
plt.ylabel('Response Time (Hours)')
plt.tight_layout()
plt.show()

4.6 使用的防御机制与威胁类型的关系

plt.figure(figsize=(15, 10))
sns.countplot(y='使用的防御机制', hue='威胁类型', data=df, palette='tab20b')
plt.title('Relationship Between Mitigation Strategies and Threat Types')
plt.xlabel('Number of Attacks')
plt.ylabel('Mitigation Strategy')
plt.legend(title='Threat Type', bbox_to_anchor=(1, 1), loc='upper left')
plt.tight_layout()
plt.show()

4.7 国家与目标行业的关系

# 提取前10个国家进行展示
top_countries = df['国家'].value_counts().index[:10]
country_industry_df = df[df['国家'].isin(top_countries)]

plt.figure(figsize=(15, 10))
sns.countplot(y='国家', hue='目标行业', data=country_industry_df, palette='Spectral')
plt.title('Relationship Between Countries and Affected Industries')
plt.xlabel('Number of Attacks')
plt.ylabel('Country')
plt.legend(title='Industry', bbox_to_anchor=(1, 1), loc='upper left')
plt.tight_layout()
plt.show()

---

五、总结与洞察

  通过以上多维度的可视化分析，我们得出以下关键洞察：

1. 攻击事件逐年增长：尤其在近几年，网络安全威胁呈现快速上升趋势，企业需加强防护能力。

2. 行业差异显著：IT和银行行业是攻击的主要目标，因其数据价值高且系统复杂度高。

3. 威胁类型集中：恶意软件和DDoS攻击是最常见的威胁类型，企业需针对性加强防护。

4. 攻击向量与威胁类型关联紧密：例如网络钓鱼常与恶意软件相关联，SQL注入多与数据泄露相关。

5. 数据泄露与财务损失正相关：泄露量越大，经济损失往往越高，凸显数据保护的重要性。

6. 严重性级别影响响应时间：高危事件处理时间更长，需优化应急响应流程。

  这些可视化结果为网络安全研究和防护策略制定提供了数据支持，帮助企业和组织更好地理解和应对网络安全威胁。

---