1.一种广义网络温度与深度学习结合的网络异常预警方法，其特征在于，包括如下步骤：

1)定义网络拥塞状态，所述网络拥塞状态包括：S0、S1、S2、S3；S0对应正常状态，S1对应轻度拥塞状态、S2对应中度拥塞状态，S3对应重度拥塞状态；

2)利用工具软件获取网络流特征的数值，所述网络流特征包括：链路数量|E|，数据包数量k，香农熵变化量ΔH，单位时间内数据包总长度∑L，单位时间内单个数据包平均包长度的变化量ΔPL；

3)计算广义网络温度PL_GNT，计算公式如下：

4)计算网络比热容NHC，计算公式如下：

G

其中ΔT代表PL_GNT的变化量，Δk代表单位时间内数据包变化量；

5)初次划分网络拥塞状态S；

6)定义NHC的阈值范围为： 为NHC的均值，计算公式如下：σ为NHC的方差，计算公式如下：

其中，i代表数据的最大个数，j∈[1,i]；

7)对拥塞状态进行二次划分；

8)预测网络特征数值与网络拥塞状态；

9)构造网络攻击概率函数PAttack(t)，公式如下:PAttack(t)＝PState(t)+PAverage(t,timestamp)PState(t)是当前时刻拥塞状态映射的攻击概率，PAverage(t,timestamp)是给定时间段内的平均攻击概率；

10)连接Bi‑GRU模型与Stacking模型，预测并计算m种网络特征数值以及对应的拥塞状态；

11)进行网络攻击预警，所述网络攻击预警的条件是：当某一时刻的流量同时满足PState(t)≥2且PAttack(t)≥80％时，认为该时刻产生网络攻击，向用户发出警报。

2.如权利要求1所述的广义网络温度与深度学习结合的网络异常预警方法，其特征在G于，所述步骤4)中Δk与ΔT的计算方法如下：

4.1)构建滑动窗口S1和S2，S1初始长度i1＝1，S2初始长度i2＝1，从t＝1时刻开始滑动；

4.2)计算t时刻，S1窗口内PL_GNT的均值 与方差 S2窗口内数据包数量k的均值 与方差 其中，S1窗口内PL_GNT的均值 计算公式如下：S1窗口内PL_GNT的方差 计算公式如下：S2窗口内数据包数量k的均值 计算公式如下：S2窗口内数据包数量k的方差 计算公式如下：G G

4.3)计算t时刻的ΔT与Δk，其中，ΔT的计算公式如下：Δk的计算公式如下：

4.4)调整滑动窗口S1的长度i1，调整方法如下：

4.5)调整滑动窗口S2的长度i2，调整方法如下：

4.6)当t<＝tmax时，t＝t+1，转步骤4.2)，否则转步骤5)。

3.如权利要求1所述的广义网络温度与深度学习结合的网络异常预警方法，其特征在于，所述步骤5)初次划分网络拥塞状态S的方法是：利用开源的K‑means算法对PL_GNT的数值分布从低到高聚成四类，分别对应S0～S3四种网络拥塞状态。

4.如权利要求1所述的广义网络温度与深度学习结合的网络异常预警方法，其特征在于，所述步骤7)对拥塞状态进行二次划分的方法为：当NHCi超出阈值且向下跳变时，拥塞状态下调一级S＝Sk‑1，如果此时S＝S0，拥塞状态无需下调；当NHCi超出阈值且向上跳变时，拥塞状态上调一级S＝Sk+1，如果此时S＝S3，拥塞状态无需上调；当NHCi在阈值范围内时，拥塞状态保持不变，S＝Sk。

5.如权利要求1所述的广义网络温度与深度学习结合的网络异常预警方法，其特征在于，所述步骤8)预测网络特征数值与网络拥塞状态包含以下步骤：

8.1)通过特征选择人工筛选m个网络特征；

8.2)选择开源的Bi‑GRU模型，输入数据学习特征的时序信息，输出对网络特征组数值上的预测结果；

8.3)构造Stacking模型来学习特征的空间信息，以模型的角度描述网络特征组数值与网络拥塞状态的映射关系。模型构造过程中使用六折交叉熵验证。