1.一种基于关键词的网络轨迹分类方法，其特征在于，包括：

步骤S1：基于流统计学特征的K-means方法，将输入的混合协议轨迹进行初步分类，得到K个第一轨迹簇；在每个簇内，按照轨迹流的长度倒序排列，采用Needlman_Wunsch方法两两比对长度相近的协议轨迹，将轨迹分割为固定字段IF和变化字段VF，并计算每个固定字段的长度IF_l以及固定字段的位置信息IF_s；

步骤S2：采用IF_l加权方法对固定字段的长度IF_l进行加权，得到IF的权值IF_w；再采用曲线拟合方法，以IF_w和IF_s作为输入对IF进行曲线拟合得到IF位置分布曲线；

步骤S3：根据拟合得到IF位置分布曲线，采用曲线极值求解方法求解曲线极值，并在曲线的每个极值区间内提取IF，基于Levenshtein距离进行IF分类统计；再输出各极值区间所包含的IF的类型和各类IF的数量；

步骤S4：根据每个极值中数量最多的IF标记所有轨迹，再采用K-Means方法聚类，输出第二轨迹簇；

步骤S5：根据步骤S4中的第二轨迹簇，选取与目标安全协议对应的轨迹簇；然后，将目标安全协议的轨迹簇作为输入依次执行步骤S1～步骤S3，得到与目标安全协议对应的极值区间所包含的IF的类型和各类IF的数量，再采用分隔符推理方法，通过对比相邻IF的首尾，推断分隔符，并根据分隔符从IF中分离关键词，最后形成签名数据库；

步骤S6：利用形成的签名数据库标记待处理的轨迹流并转化为向量，将转化的向量作为k-means方法的输入进行分类。

2.如权利要求1所述的方法，其特征在于，步骤S1具体包括：

步骤S1.1：输入混合网络轨迹流，基于流统计学特征标记网络轨迹，得到特征向量，将特征向量作为K-means聚类方法的输入得到K个第一轨迹簇；

步骤S1.2：将作为轨迹倒序排列方法的输入，对于每个第一轨迹簇Cluster中的轨迹流Flow，计算出Flow的长度Flow_length，然后采用快速排序方法，按照Flow_length由小到大的顺序将Flow排序并形成一个队列Sequence；

步骤S1.3：输入Sequence，从队首取出两个流，其编号为i和j；然后将作为Needlman_Wunsch方法的输入，得到Flow_i,和Flow_j的公共的固定字段IF和可变字段VF；再统计IF的长度得到IF_l和IF距离flow_i起始点的距离得到IF_s。

3.如权利要求1所述的方法，其特征在于，步骤S2具体包括：

步骤S2.1：采用IF_l加权方法对固定字段的长度IF_l进行加权，得到IF的权值IF_w，IF_l加权方法的权值分配方法为：其中，固定字段的长度IF_l越大时，固定字段中出现关键词的概率越大，分配的权值越大，当固定字段的长度在1byte到8byte之间时，权值为0，固定字段的长度在9byte到16byte之间时，权值为1，固定字段的长度在17byte到24byte之间时，权值为2，固定字段的长度大于等于25byte时，权值为3；

步骤S2.2：对步骤S2.1计算的权值采用噪声消除方法消除背景噪声，获得修正后的IF_l权值；

步骤S2.3：将修正后的IF_l权值和固定字段长度，采用预设次B样条曲线进行拟合得到IF位置分布曲线，B样条的曲线方程如公式(1)所示：公式(1)中，di(i＝0,1,...,n)表示控制点，Ni,k(u)(i＝0,1,...,n)表示k次规范B样条基函数。

4.如权利要求3所述的方法，其特征在于，步骤S3具体包括：

步骤S3.1：求取IF位置分布曲线的导函数f′(x)，并求出在定义域内间隔为L数组xi，L较小，并求解f′(xi)，再筛选出f′(xi)×f′(xi+1)≤0的xi，形成一个数组，在将xi数组作为牛顿CG方法的起始点，求解极值点；

步骤S3.2：对每一个IF分布区间内的IF_l采用快速排序方法将IF从大到小排序得到被排序的IF，然后从第一个IF开始，选择未标记的IF，依次向后计算Levenshtein距离，当Levenshtein距离值满足阈值时，则将IF标记为已知类，否则将IF加入新的类别，重复执行采用基于Levenshtein距离的方法标记类别的步骤，直至所有IF都被归类，最后输出IF分布区间、IF类型和IF数量。

5.如权利要求4所述的方法，其特征在于，步骤S4具体包括：

步骤S4.1：将IF分布区间、IF类型和IF数量作为输入，选取每个IF分布区间中数量最多的IF，并根据选取的IF和IF分布区间标记所有轨迹，将其转化为IF分布向量IFVector；

步骤S4.2：输入IF分布向量IFVector，采用K-means方法获得第二轨迹簇。

6.如权利要求1所述的方法，其特征在于，步骤S5具体包括：

S5.1：将步骤S4产生的第二轨迹簇作为输入，执行步骤S1的轨迹分割方法，获得对应的固定字段IF、固定字段的长度IF_l和固定字段的位置信息IF_s；

S5.2：将步骤S5.1中得到的固定字段IF、固定字段的长度IF_l和固定字段的位置信息IF_s作为输入，执行步骤S2的IF分布拟合方法，获得IF位置分布曲线；

S5.3：将步骤S5.3中位置分布曲线作为输入，执行步骤S3中的IF分类方法，输出每个IF分布区间内的所有IF；

S5.4：采用分隔符推理方法，输入每个分布区间内的所有IF，用IF标记相应轨迹，根据分隔符出现在关键词的首尾，统计并推断分隔符，并结合分隔符提取IF中的关键词；

S5.5：将提取的IF中的关键词和推断得到分隔符进行存储，作为轨迹流分类的签名数据库。

7.一种基于关键词的网络轨迹分类装置，其特征在于，包括：

轨迹分割模块，用于基于流统计学特征的K-means方法，将输入的混合协议轨迹进行初步分类，得到K个第一轨迹簇；在每个簇内，按照轨迹流的长度倒序排列，采用Needlman_Wunsch方法两两比对长度相近的协议轨迹，将轨迹分割为固定字段IF和变化字段VF，并计算每个固定字段的长度IF_l以及固定字段的位置信息IF_s；

IF分布求解模块，用于采用IF_l加权方法对固定字段的长度IF_l进行加权，得到IF的权值IF_w；再采用曲线拟合方法，以IF_w和IF_s作为输入对IF进行曲线拟合得到IF位置分布曲线；

IF分类模块，用于根据拟合得到IF位置分布曲线，采用曲线极值求解方法求解曲线极值，并在曲线的每个极值区间内提取IF，基于Levenshtein距离进行IF分类统计；再输出各极值区间所包含的IF的类型和各类IF的数量；

轨迹聚类模块，用于根据每个极值中数量最多的IF标记所有轨迹，再采用K-Means方法聚类，输出第二轨迹簇；

关键词推断模块，用于根据轨迹聚类模块中的第二轨迹簇，选取与目标安全协议对应的轨迹簇；然后，将目标安全协议的轨迹簇作为输入依次输入轨迹分割模块、IF分布求解模块和IF分类模块，得到与目标安全协议对应的极值区间所包含的IF的类型和各类IF的数量，再采用分隔符推理方法，通过对比相邻IF的首尾，推断分隔符，并根据分隔符从IF中分离关键词，最后形成签名数据库；

轨迹分类模块，用于利用形成的签名数据库标记待处理的轨迹流并转化为向量，将转化的向量作为k-means方法的输入进行分类。

8.如权利要求7所述的装置，其特征在于，轨迹分割模块具体用于执行下述步骤：

步骤S1.1：输入混合网络轨迹流，基于流统计学特征标记网络轨迹，得到特征向量，将特征向量作为K-means聚类方法的输入得到K个第一轨迹簇；

步骤S1.2：将作为轨迹倒序排列方法的输入，对于每个第一轨迹簇Cluster中的轨迹流Flow，计算出Flow的长度Flow_length，然后采用快速排序方法，按照Flow_length由小到大的顺序将Flow排序并形成一个队列Sequence；

步骤S1.3：输入Sequence，从队首取出两个流，其编号为i和j；然后将作为Needlman_Wunsch方法的输入，得到Flow_i,和Flow_j的公共的固定字段IF和可变字段VF；再统计IF的长度得到IF_l和IF距离flow_i起始点的距离得到IF_s。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至6中任一项权利要求所述的方法。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6中任一项权利要求所述的方法。