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：S

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ΔP

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：其中ΔT

5)初次划分网络拥塞状态S；

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S

6)定义NHC的阈值范围为：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；

所述步骤7)对拥塞状态进行二次划分的方法为：当NHC

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PP

P

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P

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，其特征在于，所述步骤4)中Δk与ΔT

4.1)构建滑动窗口S

4.2)计算t时刻，S

S

S

S

4.3)计算t时刻的ΔT

Δk的计算公式如下：

4.4)调整滑动窗口S

4.5)调整滑动窗口S

4.6)当t<＝t

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。