1.一种基于多模态学习的电力攻击识别方法，其特征在于该方法包含如下步骤：步骤1：从服务器各组件中获取时空配置属性、半结构化服务日志、资源负载日志和电力供给质量，并进行特征工程，形成特征化的模态数据；

步骤2：局域网中各服务器利用分布式的多模态数据监控单元，获取强一致性的多模态数据，发送至模态队列；

步骤3：模态队列参考当前网络情况，实时调整各个模态的传输包体积大小，将模态数据发送至监控中台；

步骤4：监控中台利用多源注意力门控循环记忆网络判断当前时刻各个局域网内服务器遭受电力攻击的概率。

2.根据权利要求1所述的一种基于多模态学习的电力攻击识别方法，其特征在于：所述步骤1中对服务器所处覆盖层网络位置变化以时间戳为索引进行记录，并将物理机在集群中关于角色和优先级的历史沿革信息的配置文件进行备份，并利用自然语言处理工具转换为特征向量。

3.根据权利要求1所述的一种基于多模态学习的电力攻击识别方法，其特征在于：所述步骤1中对在线服务产生的半结构化日志数据利用事件模板解析为差异化的行为事件。

4.根据权利要求1所述的一种基于多模态学习的电力攻击识别方法，其特征在于：所述步骤2中利用定期选举机制，根据各服务器网络状况、负载状况，实现多模态数据采样同步代理、备用同步代理的选定。

5.根据权利要求1所述的一种基于多模态学习的电力攻击识别方法，其特征在于：步骤

3中综合利用可用带宽比例、历史延时序列计算得到的近期延时水平，计算得到合适的传输包体积。

6.根据权利要求1所述的一种基于多模态学习的电力攻击识别方法，其特征在于：步骤

4中对将传输至监控中台的多模态数据，利用多源注意力门控循环记忆网络算法，在循环记忆模块算法与多源注意力模块算法中构成的循环结构中计算，从而进行攻击判别。

7.根据权利要求6的一种基于多模态学习的电力攻击识别方法，其特征在于：所述的循环记忆模块算法利用多源注意力门控循环记忆网络算法进行滑动窗口式时序数据读入，利用往期的跨模态动态与记忆更新门控参数与攻击判断。

8.根据权利要求6的一种基于多模态学习的电力攻击识别方法，其特征在于：所述的多源注意力模块算法利用注意力机制参数N，将扩展记忆为N倍体积的注意力矩阵，并将注意力矩阵中的每行与记忆做按位相乘操作，以获取动态矩阵。