1.一种异常流量监测方法，其特征在于，所述异常流量监测方法包括以下步骤：基于预置埋点，收集预设时间段内的用户访问记录；

对所述用户访问记录中的原始数据进行清洗与统计处理，生成访问量对应的第一流量时序数据，所述第一流量时序数据反映访问量和时间的对应关系；

通过预置的低通滤波器和高通滤波器，采用多分辨分析算法对所述第一流量时序数据进行多尺度小波分解，得到各层小波分解分别对应的小波系数；

以各层小波系数为分析对象，分别建立对应的平稳时间序列模型，并通过所述平稳时间序列模型对各层小波系数进行预测，得到各层对应的预测小波系数；

采用逆小波变换对各层对应的所述预测小波系数进行小波重构，得到第二流量时序数据；

以所述第二流量时序数据为流量预测值，将同一时间对应的实际流量值与所述流量预测值进行比对；

若所述实际流量值在所述流量预测值的置信区间内，则判定当前网络流量正常；若所述实际流量值超过所述流量预测值的置信区间，则判定当前网络流量异常。

2.如权利要求1所述的异常流量监测方法，其特征在于，所述对所述用户访问记录中的原始数据进行清洗与统计处理，生成访问量对应的第一流量时序数据包括：检测所述用户访问记录中的原始数据是否存在缺失值；

若存在缺失值，则计算每个字段对应的缺失值比例，并根据所述缺失值比例与字段重要程度进行缺失值清洗，所述缺失值清洗包括：删除缺失值字段、使用插值法补全缺失值；

对所述用户访问记录中的原始数据进行排序，并计算排序后的每条记录与相邻记录之间的相似度；

若不同记录之间的相似度超过预置阈值，则判定为重复记录并删除多余的数据；

对清洗后的数据进行按照时间顺序进行访问量统计，生成访问量对应的所述第一流量时序数据。

3.如权利要求1或2所述的异常流量监测方法，其特征在于，所述以各层小波系数为分析对象，分别建立对应的平稳时间序列模型，并通过所述平稳时间序列模型对各层小波系数进行预测，得到各层对应的预测小波系数包括：分别对各层小波系数进行平稳性检测，以判断各层小波系数是否为平稳时间序列；

若存在一层或多层小波系数为非平稳时间序列，则对所述一层或多层小波系数进行差分运算，直到任一层小波系数均为平稳时间序列；

若任一层小波系数均为平稳时间序列，则分别对各层小波系数进行白噪声检测；

若任一层小波系数均为平稳非白噪声时间序列，则分别计算各层小波系数的自相关系数及偏自相关系数；

根据各层小波系数各自对应的自相关系数及偏自相关系数，分别确定各层小波系数适合的平稳时间序列模型；

若各层小波系数均适合自回归移动平均模型，则基于预置定阶准则，确定待构建的自回归移动平均模型的阶数；

对待构建的自回归移动平均模型进行参数估计，得到模型参数值；

基于确定的阶数及所述模型参数值，分别构建各层小波系数对应的自回归移动平均模型；

基于构建的各自回归移动平均模型，分别对各层小波系数进行预测，得到各层对应的所述预测小波系数。

4.如权利要求3所述的异常流量监测方法，其特征在于，所述根据各层小波系数各自对应的自相关系数及偏自相关系数，分别确定各层小波系数适合的平稳时间序列模型包括：判断各层小波系数各自对应的偏自相关系数是否拖尾以及判断各层小波系数各自对应的自相关系数是否截尾；

若各层小波系数各自对应的偏自相关系数均截尾、自相关系数均拖尾，则确定各层小波系数均适合自回归模型；

若各层小波系数各自对应的偏自相关系数均拖尾、自相关系数均截尾，则确定各层小波系数均适合移动平均模型；

若各层小波系数各自对应的偏自相关系数均拖尾、自相关系数均拖尾，则确定各层小波系数均适合自回归移动平均模型。

5.如权利要求4所述的异常流量监测方法，其特征在于，在所述根据各层小波系数各自对应的自相关系数及偏自相关系数，分别确定各层小波系数适合的平稳时间序列模型的步骤之后，还包括：若各层小波系数均适合自回归模型，则基于所述预置定阶准则，确定待构建的自回归模型的阶数；

对所述待构建的自回归模型进行参数估计，得到模型参数值；

基于确定的所述阶数及通过参数估计得到的所述模型参数值，分别构建各层小波系数对应的自回归模型；

基于构建的各所述自回归模型，分别对各层小波系数进行预测，得到各层对应的所述预测小波系数。

6.如权利要求4所述的异常流量监测方法，其特征在于，在所述根据各层小波系数各自对应的自相关系数及偏自相关系数，分别确定各层小波系数适合的平稳时间序列模型的步骤之后，还包括：若各层小波系数均适合移动平均模型，则基于所述预置定阶准则，确定待构建的移动平均模型的阶数；

对待构建的移动平均模型进行参数估计，得到模型参数值；

基于确定的阶数及通过参数估计得到的模型参数值，分别构建各层小波系数对应的移动平均模型；

基于构建的各移动平均模型，分别对各层小波系数进行预测，得到各层对应的所述预测小波系数。

7.如权利要求1所述的异常流量监测方法，其特征在于，采用多分辨分析算法进行多尺度小波分解的对应公式如下：cAj+1＝H*cAj,cDj+1＝G*cDj,j＝1,2,...,J；

采用逆小波变换进行小波重构的对应公式如下：

cAj-1＝H**cAj+G*cDj,j＝1,2,...,J；

其中，H、G为分解算子，H表示低通滤波器，G表示高通滤波器，H*、G*分别为分解算子H、G的对偶算子，cA0表示原信号数据，cAj和cDj分别表示在分辨率2-j下原信号数据的低频信号部分和高频信号部分，J表示最大分解层数。

8.一种异常流量监测装置，其特征在于，所述异常流量监测装置包括：收集模块，用于基于预置埋点，收集预设时间段内的用户访问记录；

预处理模块，用于对所述用户访问记录中的原始数据进行清洗与统计处理，生成访问量对应的第一流量时序数据，所述第一流量时序数据反映访问量和时间的对应关系；

分解模块，用于通过预置的低通滤波器和高通滤波器，采用多分辨分析算法对所述第一流量时序数据进行多尺度小波分解，得到各层小波分解分别对应的小波系数；

预测模块，用于以各层小波系数为分析对象，分别建立对应的平稳时间序列模型，并通过所述平稳时间序列模型对各层小波系数进行预测，得到各层对应的预测小波系数；

重构模块，用于采用逆小波变换对各层对应的所述预测小波系数进行小波重构，得到第二流量时序数据；

比对模块，用于以所述第二流量时序数据为流量预测值，将同一时间对应的实际流量值与流量预测值进行比对；

判定模块，用于若实际流量值在流量预测值的置信区间内，则判定当前网络流量正常；

若实际流量值超过流量预测值的置信区间，则判定当前网络流量异常。

9.一种异常流量监测设备，其特征在于，所述异常流量监测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的异常流量监测程序，所述异常流量监测程序被所述处理器执行时实现如权利要求1-7中任一项所述的异常流量监测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有异常流量监测程序，所述异常流量监测程序被处理器执行时实现如权利要求1-7中任一项所述的异常流量监测方法的步骤。