1.一种基于深度学习的无线局域网入侵检测系统，其特征在于：包括数据收集模块(10)、RNN学习模块(20)、RNN验证模块(30)、采集预处理模块(40)、识别模块(50)和结果处理模块(60),其中数据收集模块负责采集无线局域网数据作为样本，并进行数据集构建和划分，RNN学习模块读取数据集进行模型和参数学习构建习得模型，RNN验证模块根据数据收集模块提供的验证数据对习得模型进行验证和测试，验证和测试结果反馈给RNN学习模块进行优化，采集预处理模块实时采集目标网络数据包，对数据包进行过滤并处理成满足RNN神经网络要求的数据结构，同时向数据收集模块提供脱敏后的数据，识别模块从RNN学习模块获取习得模型对脱敏数据进行分类预测，结果处理模块根据识别模块分类预测的输出判断目标网络流量序列的类别，根据设置的优先级和处理方法进行不同粒度的处理。

2.根据权利要求1所述的系统，其特征在于：数据收集模块将数据集按照比例随机划分为训练集、验证集和测试集，每个数据帧被处理为含有多个属性的一维向量，其中最后一个属性为该数据帧所对应的类别标签，其余属性分别对应虚拟冗长帧中形成的特征向量属性。

3.根据权利要求1所述的系统，其特征在于：RNN学习模块根据LSTM长短时记忆循环神经网络构建前向网络计算图，将训练集按序列顺序输入到前向网络中，得到序列的预测值，根据序列预测值计算损失函数，更新权重参数和偏置参数以最小化损失函数。

4.根据权利要求1-3其中之一所述的系统，其特征在于：识别模块从RNN学习模块获取计算图和学习参数构建前向传播网络，将采集预处理模块提供的数据作为输入向量输入到前向传播网络中，获取对该网络流量序列数据类型的分类预测概率。

5.一种基于深度学习的无线局域网入侵检测方法，其特征在于：数据收集模块负责采集无线局域网数据作为样本，并进行数据集构建和划分，RNN学习模块读取数据集进行模型和参数学习构建习得模型，RNN验证模块根据数据收集模块提供的验证数据对习得模型进行验证和测试，验证和测试结果反馈给RNN学习模块进行优化，采集预处理模块实时采集目标网络数据包，对数据包进行过滤并处理成满足RNN神经网络要求的数据结构，同时向数据收集模块提供脱敏后的数据，识别模块从RNN学习模块获取习得模型对脱敏数据进行分类预测，结果处理模块根据识别模块分类预测的输出判断目标网络流量序列的类别，根据设置的优先级和处理方法进行不同粒度的处理。

6.根据权利要求5所述的方法，其特征在于：数据收集模块将数据集按照比例随机划分为训练集、验证集和测试集，每个数据帧被处理为含有多个属性的一维向量，其中最后一个属性为该数据帧所对应的类别标签，其余属性分别对应虚拟冗长帧中形成的特征向量属性。

7.根据权利要求5所述的方法，其特征在于：RNN学习模块根据长短时记忆循环神经网络LSTM分类预测模型构建前向网络计算图，将训练集按序列顺序输入到前向网络中，得到序列的预测值，根据序列预测值计算损失函数，更新权重参数和偏置参数以最小化损失函数。

8.根据权利要求5-7其中之一所述的方法，其特征在于：识别模块从RNN学习模块获取计算图和学习参数构建前向传播网络，将采集预处理模块提供的数据作为输入向量输入到前向传播网络中，获取对该网络流量序列数据类型的分类预测概率。

9.根据权利要求5-7其中之一所述的方法，其特征在于：对数据包进行过滤并处理成满足RNN神经网络要求的数据结构具体包括，过滤掉抓取数据中非目标网络的数据包以及目标网络中的非关键数据包，将过滤后的数据包按照802.11MAC帧格式进行解析，按每个

802.11帧对应一个序列时间步的规制对解析数据进行序列划分，并按照预定长度分片，提取解析数据中各字段的数据，构建虚拟冗长帧并将提取的数据写入其中，形成等长的待处理数据；按缺失值补齐虚拟冗长帧中缺失的字段，将虚拟冗长帧中的字段映射为输入数据对应的属性，按照各属性的类型转换为含有多个属性的一维向量。

10.根据权利要求5-7其中之一所述的方法，其特征在于：为加快神经网络的训练速度，根据公式： 确定原始损失函数，其

中， 为对真实类别yt时间步t的预测值，T为当前序列的最大时间步。