1.一种针对二进制流量数据生成图像的注意力增强方法，其特征在于，所述方法包括以下步骤：

(1)对原始流量数据集中的二进制帧序列进行有效部分截取，截取到的有效部分转换为二维灰度图像；

(2)将步骤(1)获得的二维灰度图像使用特征提取模型进行特征提取，保留训练得到的网络各层参数；

(3)对步骤(2)中得到的各个特征作为根结点，对各层参数分别通过最长带权路径树进行遍历计算，得到三条最长带权路径；通过对该三条最长带权路径回溯，找到注意力最佳的三个像素集合；

(4)对步骤(3)中找到的注意力最佳的三个像素集合进行相应的三通道“染色”，生成注意力增强的二维彩色图像；

(5)对步骤(4)中所有得到的彩色图像排列成新的图像帧序列；

(6)将步骤(5)中得到的新图像帧序列输入CNN中进行最终的流量检测和分类。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)包括以下步骤：(1.1)将数据集中的原始流量截取784字节为有效帧，一个字节为8比特，正好对应了

256灰阶；

(1.2)对于步骤(1.1)中得到的784字节数据以一个字节转化为一个像素点，由该字节的8比特二进制值转化为十进制数得到该像素点的灰阶，以此为标准，输出一组二维灰度图像。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)包括以下步骤：(2.1)首先在数据集上使用特征提取模型训练，将训练好的网络各层神经元的权重对模型进行初始化；

(2.2)使用特征提取模型进行特征提取，得到特征图，将其连接到单个激活函数的神经元分类层，该层以sigmoid作为激活函数；

(2.3)使用小批量随机梯度下降作为优化器，并设置动量以及批次大小，将二分类交叉熵作为损失函数；将二维灰度图像集重新随机排列，在步骤(2.2)所述的模型上训练。

4.根据权利要求1所述的方法，其特征在于，所述步骤(3)包括以下步骤：(3.1)对于训练后的特征提取模型，将其最后一层单神经元分类层与全局平均池化层剔除，得到以二维灰度图像为输入，最后一层卷积层激活值为输出的特征提取模型，记作M(x；W)，其中x表示输入的灰度图像，W表示模型的权值；

(3.2)将特征提取模型提取出的特征分别作为根结点，对得到的各层参数取绝对值后，使用最长带权路径树查找算法，找到最长的带权路径树e1、除e1之外的最长带权路径e2以及除e1、e2之外的最长带权路径e3；

(3.3)对(3.2)得到的三条最长带权路径e1、e2和e3进行回溯，找出这三条最长带权路径所在树，注意力最佳的三个像素集合A、B、C即分别是三棵树各自所有叶结点的并集。

5.根据权利要求1所述的方法，其特征在于，所述步骤(4)包括以下步骤：(4.1)对三个像素集合A、B和C的权重w1、w2和w3，其中w1>w2>w3，设置像素集合A、B和C集合中三个通道分量的增值分别为Er、Eg和Eb，其中设置Eb的初始值为50，Eg的计算公式为：Er的计算公式为：

并取所有二维图像的像素值做以下归一化：(4.2)对A、B、C分别进行“染色”，其中像素集合A中的三通道分量为：Cr,Cg,Cb＝Cr+Er,Cg,Cb像素集合B中的三通道分量为：

Cr,Cg,Cb＝Cr,Cg+Eg,Cb像素集合C中的三通道分量为：

Cr,Cg,Cb＝Cr,Cg,Cb+Eb之后对所有图像的像素值向上取整：生成具注意力增强的二维彩色图像。

6.根据权利要求1所述的方法，其特征在于，所述步骤(6)包括以下步骤：(6.1)首先对得到的彩色图像像素值进行归一化，由0～255转换为0～1；之后进行第一次卷积，第一个卷积层C1使用尺寸为5*5的卷积核，共有32个通道，生成32个特征图，特征图尺寸为28*28；然后在池化层P1经过2*2的最大值池化操作，生成32个特征图，特征图尺寸为

14*14；

(6.2)在第二个卷积层C2中进行第二次卷积操作，第二个卷积层同样使用尺寸为5*5的卷积核，但通道数为64，生成64个特征图，特征图尺寸为14*14；然后在池化层P2经过2*2的最大值池化操作，生成64个特征图，特征图尺寸为7*7；

(6.3)之后经过两个全连接层，为了防止过拟合，加入了概率为0.5的dropout，最后使用softmax函数输出各类的概率值，即模型的预测值，将输出的取值规范到[0,1]，输出越接近0，输入恶意流量概率则越大，输出越接近1，输入正常流量概率则越大。