1.一种基于智慧互联网的网络攻击AI检测分析方法，其特征在于，应用于AI检测服务器，所述方法包括：利用文本信息处理网络中的文本向量挖掘单元，对加载的待检测文本进行文本向量挖掘，得到所述待检测文本的场景攻击文本向量和若干个阶段攻击文本向量，所述文本信息处理网络用于对输入文本进行处理以输出所述输入文本的攻击预测结果和推演依据，所述推演依据用于表征所述输入文本与所述攻击预测结果之间的联系特征，所述阶段攻击文本向量用于指示所述待检测文本中目标文本段落的描述向量；

利用所述文本信息处理网络中的文本向量聚合单元，对所述场景攻击文本向量和所述若干个阶段攻击文本向量进行文本向量聚合，得到攻击决策向量，所述攻击决策向量用于确定所述待检测文本所属的目标攻击预测结果；

利用所述文本信息处理网络中的推演依据确定单元，结合所述场景攻击文本向量与所述目标攻击预测结果的若干个文本推演向量之间的差异，确定所述待检测文本的目标推演依据，所述文本推演向量用于表征所述目标攻击预测结果包括的文本语义的描述向量；

利用所述文本信息处理网络中的攻击检测输出单元，输出所述待检测文本的所述目标攻击预测结果和所述目标推演依据。

2.如权利要求1所述的方法，其特征在于，所述对所述场景攻击文本向量和所述若干个阶段攻击文本向量进行文本向量聚合，得到攻击决策向量，包括：对所述若干个阶段攻击文本向量进行处理，得到若干个攻击预测结果的局部聚焦数据，所述局部聚焦数据用于表征对应的攻击预测结果的偏心系数；

利用所述若干个攻击预测结果的局部聚焦数据，对所述场景攻击文本向量进行更新，得到所述攻击决策向量，所述攻击决策向量包括所述若干个攻击预测结果的更新向量；

其中，所述对所述若干个阶段攻击文本向量进行处理，得到若干个攻击预测结果的局部聚焦数据，包括：对于任一攻击预测结果，获取所述攻击预测结果的若干个层级化文本向量，所述层级化文本向量用于指示从对应的层级化攻击预测文本挖掘出的若干个阶段攻击文本向量，所述层级化攻击预测文本根据所述待检测文本得到；

根据所述若干个层级化文本向量，确定所述攻击预测结果的局部聚焦数据；

其中，所述根据所述若干个层级化文本向量，确定所述攻击预测结果的局部聚焦数据，包括：对于任一层级化文本向量，利用所述层级化文本向量包括的若干个阶段攻击文本向量中各特征成员的最大值，生成所述层级化文本向量对应的局部聚焦向量；

利用所述若干个层级化文本向量对应的局部聚焦向量中各特征成员的最大值，生成所述攻击预测结果的局部聚焦向量；

对所述攻击预测结果的局部聚焦向量进行数值映射，得到所述攻击预测结果的局部聚焦数据。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

提取待处理业务会话日志的用户行为日志集，得到用户行为文本；

对所述用户行为文本进行拆解，得到若干个待检测文本。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述文本信息处理网络中的文本向量挖掘单元，对待检测文本样例进行文本向量挖掘，得到所述待检测文本样例的场景攻击文本向量样例和若干个阶段攻击文本向量样例，所述阶段攻击文本向量样例用于指示所述待检测文本样例中目标文本段落的描述向量；

利用所述文本信息处理网络中的文本向量聚合单元，对所述场景攻击文本向量样例和所述若干个阶段攻击文本向量样例进行文本向量聚合，得到若干个攻击决策向量样例，所述攻击决策向量样例用于确定所述待检测文本样例匹配各个攻击预测结果样例的可能性；

利用所述文本信息处理网络中的推演依据确定单元，分别确定所述若干个攻击决策向量样例与若干个分级向量之间的差异，所述分级向量用于表征对应的攻击预测结果样例包括的若干个分级预测结果样例的描述向量；

根据所述待检测文本样例所属的真实攻击预测结果、所述若干个阶段攻击文本向量样例，所述若干个攻击决策向量样例以及所述若干个攻击决策向量样例与若干个分级向量之间的差异，优化所述文本信息处理网络；

其中，所述根据所述待检测文本样例所属的真实攻击预测结果、所述若干个阶段攻击文本向量样例，所述若干个攻击决策向量样例以及所述若干个攻击决策向量样例与若干个分级向量之间的差异，优化所述文本信息处理网络，包括：根据若干个攻击决策向量样例，确定所述待检测文本样例匹配各个攻击预测结果样例的可能性；

根据所述待检测文本样例所属的真实攻击预测结果和所述待检测文本样例匹配所述真实攻击预测结果的可能性，确定网络预测代价；

根据所述若干个阶段攻击文本向量样例，确定第一层次化预测代价和第二层次化预测代价；

对于任一攻击预测结果样例，利用所述攻击预测结果样例的攻击决策向量样例与所述攻击预测结果样例的分级向量之间的差异，确定所述攻击预测结果样例的度量代价；

利用所述网络预测代价、所述第一层次化预测代价、所述第二层次化预测代价以及若干个攻击预测结果样例的度量代价，优化所述文本信息处理网络；

其中，所述利用所述攻击预测结果样例的攻击决策向量样例与所述攻击预测结果样例的分级向量之间的差异，确定所述攻击预测结果样例的度量代价，包括：从所述攻击预测结果样例的分级向量中，获取与所述攻击预测结果样例的攻击决策向量样例差异最小的目标局部分级向量；

利用所述目标局部分级向量与所述攻击决策向量样例之间的差异，确定所述攻击预测结果样例的度量代价。

5.如权利要求4所述的方法，其特征在于，所述待检测文本样例还包括推演依据，所述推演依据用于指示所述待检测文本样例所属的真实攻击预测结果中的分级预测结果样例；

所述方法还包括：利用第一待检测文本样例的分级预测描述向量样例和第二待检测文本样例的分级预测描述向量样例之间的差异，确定推演代价，所述第一待检测文本样例和所述第二待检测文本样例匹配相同攻击预测结果样例中的分级预测结果样例；

所述利用所述网络预测代价、所述第一层次化预测代价、所述第二层次化预测代价以及所述若干个攻击预测结果样例的度量代价，优化所述文本信息处理网络，包括：利用所述网络预测代价、所述第一层次化预测代价、所述第二层次化预测代价、所述若干个攻击预测结果样例的度量代价以及所述推演代价，优化所述文本信息处理网络。

6.一种AI检测服务器，其特征在于，所述AI检测服务器与业务交互系统通信；

所述业务交互系统用于：

将待检测文本加载到所述AI检测服务器中；

所述AI检测服务器用于：

利用文本信息处理网络中的文本向量挖掘单元，对加载的待检测文本进行文本向量挖掘，得到所述待检测文本的场景攻击文本向量和若干个阶段攻击文本向量，所述文本信息处理网络用于对输入文本进行处理以输出所述输入文本的攻击预测结果和推演依据，所述推演依据用于表征所述输入文本与所述攻击预测结果之间的联系特征，所述阶段攻击文本向量用于指示所述待检测文本中目标文本段落的描述向量；

利用所述文本信息处理网络中的文本向量聚合单元，对所述场景攻击文本向量和所述若干个阶段攻击文本向量进行文本向量聚合，得到攻击决策向量，所述攻击决策向量用于确定所述待检测文本所属的目标攻击预测结果；

利用所述文本信息处理网络中的推演依据确定单元，结合所述场景攻击文本向量与所述目标攻击预测结果的若干个文本推演向量之间的差异，确定所述待检测文本的目标推演依据，所述文本推演向量用于表征所述目标攻击预测结果包括的文本语义的描述向量；

利用所述文本信息处理网络中的攻击检测输出单元，输出所述待检测文本的所述目标攻击预测结果和所述目标推演依据。

7.如权利要求6所述的AI检测服务器，其特征在于，所述对所述场景攻击文本向量和所述若干个阶段攻击文本向量进行文本向量聚合，得到攻击决策向量，包括：对所述若干个阶段攻击文本向量进行处理，得到若干个攻击预测结果的局部聚焦数据，所述局部聚焦数据用于表征对应的攻击预测结果的偏心系数；

利用所述若干个攻击预测结果的局部聚焦数据，对所述场景攻击文本向量进行更新，得到所述攻击决策向量，所述攻击决策向量包括所述若干个攻击预测结果的更新向量；

其中，所述对所述若干个阶段攻击文本向量进行处理，得到若干个攻击预测结果的局部聚焦数据，包括：对于任一攻击预测结果，获取所述攻击预测结果的若干个层级化文本向量，所述层级化文本向量用于指示从对应的层级化攻击预测文本挖掘出的若干个阶段攻击文本向量，所述层级化攻击预测文本根据所述待检测文本得到；

根据所述若干个层级化文本向量，确定所述攻击预测结果的局部聚焦数据；

其中，所述根据所述若干个层级化文本向量，确定所述攻击预测结果的局部聚焦数据，包括：对于任一层级化文本向量，利用所述层级化文本向量包括的若干个阶段攻击文本向量中各特征成员的最大值，生成所述层级化文本向量对应的局部聚焦向量；

利用所述若干个层级化文本向量对应的局部聚焦向量中各特征成员的最大值，生成所述攻击预测结果的局部聚焦向量；

对所述攻击预测结果的局部聚焦向量进行数值映射，得到所述攻击预测结果的局部聚焦数据。

8.如权利要求6所述的AI检测服务器，其特征在于，所述AI检测服务器还用于：利用所述文本信息处理网络中的文本向量挖掘单元，对待检测文本样例进行文本向量挖掘，得到所述待检测文本样例的场景攻击文本向量样例和若干个阶段攻击文本向量样例，所述阶段攻击文本向量样例用于指示所述待检测文本样例中目标文本段落的描述向量；

利用所述文本信息处理网络中的文本向量聚合单元，对所述场景攻击文本向量样例和所述若干个阶段攻击文本向量样例进行文本向量聚合，得到若干个攻击决策向量样例，所述攻击决策向量样例用于确定所述待检测文本样例匹配各个攻击预测结果样例的可能性；

利用所述文本信息处理网络中的推演依据确定单元，分别确定所述若干个攻击决策向量样例与若干个分级向量之间的差异，所述分级向量用于表征对应的攻击预测结果样例包括的若干个分级预测结果样例的描述向量；

根据所述待检测文本样例所属的真实攻击预测结果、所述若干个阶段攻击文本向量样例，所述若干个攻击决策向量样例以及所述若干个攻击决策向量样例与若干个分级向量之间的差异，优化所述文本信息处理网络；

其中，所述根据所述待检测文本样例所属的真实攻击预测结果、所述若干个阶段攻击文本向量样例，所述若干个攻击决策向量样例以及所述若干个攻击决策向量样例与若干个分级向量之间的差异，优化所述文本信息处理网络，包括：根据若干个攻击决策向量样例，确定所述待检测文本样例匹配各个攻击预测结果样例的可能性；

根据所述待检测文本样例所属的真实攻击预测结果和所述待检测文本样例匹配所述真实攻击预测结果的可能性，确定网络预测代价；

根据所述若干个阶段攻击文本向量样例，确定第一层次化预测代价和第二层次化预测代价；

对于任一攻击预测结果样例，利用所述攻击预测结果样例的攻击决策向量样例与所述攻击预测结果样例的分级向量之间的差异，确定所述攻击预测结果样例的度量代价；

利用所述网络预测代价、所述第一层次化预测代价、所述第二层次化预测代价以及若干个攻击预测结果样例的度量代价，优化所述文本信息处理网络；

其中，所述利用所述攻击预测结果样例的攻击决策向量样例与所述攻击预测结果样例的分级向量之间的差异，确定所述攻击预测结果样例的度量代价，包括：从所述攻击预测结果样例的分级向量中，获取与所述攻击预测结果样例的攻击决策向量样例差异最小的目标局部分级向量；

利用所述目标局部分级向量与所述攻击决策向量样例之间的差异，确定所述攻击预测结果样例的度量代价。

9.如权利要求8所述的AI检测服务器，其特征在于，所述待检测文本样例还包括推演依据，所述推演依据用于指示所述待检测文本样例所属的真实攻击预测结果中的分级预测结果样例；

所述AI检测服务器还用于：利用第一待检测文本样例的分级预测描述向量样例和第二待检测文本样例的分级预测描述向量样例之间的差异，确定推演代价，所述第一待检测文本样例和所述第二待检测文本样例匹配相同攻击预测结果样例中的分级预测结果样例；

所述利用所述网络预测代价、所述第一层次化预测代价、所述第二层次化预测代价以及所述若干个攻击预测结果样例的度量代价，优化所述文本信息处理网络，包括：利用所述网络预测代价、所述第一层次化预测代价、所述第二层次化预测代价、所述若干个攻击预测结果样例的度量代价以及所述推演代价，优化所述文本信息处理网络。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时如权利要求1‑5中任意一项所述的方法。