1.一种基于改进神经网络的网络安全态势理解和评估方法，其特征在于：包括如下步骤：步骤1：数据预处理：包括以下步骤：

步骤1‑1：数据类型转换：将1个以上符号型数据转换为数字标识型数据；

步骤1‑2：独热编码：将各数字标识型数据进行独热编码；

步骤1‑3：数据扩维：将独热编码的特征维度扩充到大于独热编码特征维度的最小平方数，扩充的维度用预定数字填充；将数据扩维后的独热编码转换为方阵表示的特征图；

步骤2：搭建改进的卷积神经网络：所述包括改进的卷积神经网络1级以上复合最优结构单元、Droupout层，Flatten层，全连接层，BatchNomalization层，全连接层和Softmax层；

所述复合最优结构单元包括第一至第三卷积层和池化层；第一卷积层的卷积核大小为1xM，第二卷积层的卷积核大小为Nx1，第三卷积层的卷积核大小为1x1；第一至第三卷积层的通道数相同；所述各卷积层都包括激活函数；

步骤3：训练改进的卷积神经网络：输入训练集数据，训练改进的卷积神经网络的参数；

步骤4：理解和评估网络安全态势：将预测集数据输入所述步骤1训练完成的改进的卷积神经网络，理解和评估网络安全态势 ；

其中，所述改进的神经网络中各卷积层的通道数N≥3；所述各卷积层中各通道对应的输入样本数据来自网络的不同时间状态，其时序关系通过时间因子调整；所述步骤3中包括时间因子训练步骤，时间因子的大小代表输入网络的数据维度的大小。

2.根据权利要求1所述的基于改进神经网络的网络安全态势理解和评估方法，其特征在于：所述步骤3中复合最优单元采用最大池化，并将2x2池化和1x1池化交叉使用。

3.根据权利要求2所述的基于改进神经网络的网络安全态势理解和评估方法，其特征在于：所述各卷积层的激活函数为Relu6：f(x)＝min(6,max(0,x))                      (1)其中x为相应卷积层的输出值；f(x)为激活函数的输出值。

4.根据权利要求3所述的基于改进神经网络的网络安全态势理解和评估方法，其特征在于：在数据预处理之前，进行测试集样本均衡处理。

5.根据权利要求4所述的基于改进神经网络的网络安全态势理解和评估方法，其特征在于：所述训练集数据包括Normal、Dos、Probing、R2L和U2R状态下的样本数据；所述测试集样本均衡处理为对Dos状态下的样本数据进行欠采样处理，对Probing、R2L和U2R状态下的样本数据进行过采样处理。