1.一种基于GA优化的GRU并行网络流量异常检测方法，其特征在于，包括：获取样本数据并进行初始化；

基于Spark大数据平台，采用GRU检测器对所述样本数据进行分类；

根据适应度值进行选择运算、交差运算和变异运算；

判断优化后的适应度值达到设定阈值后，并对测试数据集进行检测，输出异常检测结果。

2.如权利要求1所述的基于GA优化的GRU并行网络流量异常检测方法，其特征在于，所述获取样本数据并进行初始化，包括：获取样本数据和种群数阈值，对所述样本数据进行清理和归一化处理后，利用随机生成的方式初始化种群和种群计数器，其中，所述种群中包括多个个体。

3.如权利要求2所述的基于GA优化的GRU并行网络流量异常检测方法，其特征在于，所述基于Spark大数据平台，采用GRU检测器对所述样本数据进行分类，包括：基于Spark大数据平台创建并执行并行任务，并以弹性分布式数据集的形式对所述种群中每个个体的样本数据进行特征选择和约简，同时利用GRU检测器对约简后的数据进行训练和分类，并将检测精度作为所述个体的适应度值。

4.如权利要求3所述的基于GA优化的GRU并行网络流量异常检测方法，其特征在于，所述根据适应度值进行选择运算、交差运算和变异运算，包括：根据所述适应度值的大小，采用轮盘赌选择法进行优质基因的遗传，并按照获取的交叉概率将两条不同染色体进行基因交换后，基于获取的变异概率对各个种群的染色体进行变异，得到新的基因组个体。

5.如权利要求4所述的基于GA优化的GRU并行网络流量异常检测方法，其特征在于，所述判断优化后的适应度值达到设定阈值后，并对测试数据集进行检测，输出异常检测结果，包括：根据得到的新的基因组个体，重新计算对应的适应度值，并判断计算出的所述适应度值是否达到设定阈值或者所述种群计数器是否达到设定值。

6.如权利要求5所述的基于GA优化的GRU并行网络流量异常检测方法，其特征在于，所述判断计算出的所述适应度值是否达到设定阈值或者所述种群计数器是否达到设定值，包括：若所述适应度值没有达到设定阈值或者所述种群计数器没有达到设定值，则重新进行选择运算、交差运算和变异运算，直至所述适应度值达到设定阈值或者所述种群计数器达到设定值；

若所述适应度值达到设定阈值或者所述种群计数器达到设定值，则输出设定适应度值，同时利用GRU检测器对测试数据集进行检测，得到异常检测结果。