1.一种DDoS特征提取方法，其特征在于，所述方法包括：在预设时间段内对网络数据流进行采样，并计算所述网络数据流的每个属性的种类，构成训练集；

基于所述训练集通过无监督训练方法训练深度信念网络，并基于所述训练集通过有监督训练方法训练前馈神经网络，其中，所述深度信念网络具有瓶颈层；

基于所述前馈神经网络调整所述深度信念网络的权重和偏差，生成特征提取模型，以通过所述特征提取模型提取DDoS特征。

2.如权利要求1所述的方法，其特征在于，所述计算所述网络数据流的每个属性的种类，构成训练集，包括：对所述网络数据流进行量化，计算出所述网络数据流在所述预设时间段内的每个属性的种类；

将所述每个属性的种类由十进制数转化为长度相同的二进制数，以构成所述训练集。

3.如权利要求1所述的方法，其特征在于，所述基于所述训练集通过无监督训练方法训练深度信念网络之前，还包括：通过典型相关分析方法计算所述深度信念网络的瓶颈层的节点数量，并调整所述瓶颈层的权重和偏差。

4.如权利要求1所述的方法，其特征在于，所述基于所述训练集通过有监督训练方法训练前馈神经网络，包括：基于所述深度信念网络的结构和参数矩阵对所述前馈神经网络进行初始化，并基于所述训练集通过有监督训练方法训练所述前馈神经网络。

5.如权利要求1所述的方法，其特征在于，所述基于所述前馈神经网络调整所述深度信念网络的权重和偏差，包括：基于所述前馈神经网络最后一层的正常类的每个输出及所述最后一层的每个攻击类的输出，调整所述深度信念网络的权重和偏差。

6.一种DDoS特征提取装置，其特征在于，所述装置包括：计算模块，用于在预设时间段内对网络数据流进行采样，并计算所述网络数据流的每个属性的种类，构成训练集；

训练模块，用于基于所述训练集通过无监督训练方法训练深度信念网络，并基于所述训练集通过有监督训练方法训练前馈神经网络，其中，所述深度信念网络具有瓶颈层；

特征提取模块，用于基于所述前馈神经网络调整所述深度信念网络的权重和偏差，生成特征提取模型，以通过所述特征提取模型提取DDoS特征。

7.如权利要求6所述的装置，其特征在于，所述计算模块，用于对所述网络数据流进行量化，计算出所述网络数据流在所述预设时间段内的每个属性的种类；

将所述每个属性的种类由十进制数转化为长度相同的二进制数，以构成所述训练集。

8.如权利要求6所述的装置，其特征在于，所述训练模块，用于：通过典型相关分析方法计算所述深度信念网络的瓶颈层的节点数量，并调整所述瓶颈层的权重和偏差。

9.如权利要求6所述的装置，其特征在于，所述训练模块，用于：基于所述深度信念网络的结构和参数矩阵对所述前馈神经网络进行初始化，并基于所述训练集通过有监督训练方法训练所述前馈神经网络。

10.如权利要求6所述的装置，其特征在于，所述特征提取模块，用于基于所述前馈神经网络最后一层的正常类的每个输出及所述最后一层的每个攻击类的输出，调整所述深度信念网络的权重和偏差。