1.一种基于深度学习的网络大数据安全防护方法，其特征在于：包括，对网络数据进行预处理，基于预处理后的网络数据构建数据矩阵；

基于深度学习构建初始的网络安全防护模型，利用所述初始的网络安全防护模型对所述数据矩阵进行训练，获得网络安全防护模型；

利用所述网络安全防护模型识别数据矩阵中的不良数据，并设定防护阈值；

若所述不良数据大于所述防护阈值，则断开外部网络和受保护网络之间的物理连接；

否则，不做任何操作；

所述预处理包括，

删除网络数据中的无关数据、重复数据，并处理缺失值；

利用向量归一化策略对处理后的数据进行标准化转化；

将转化后的数据进行降维处理；

所述降维处理包括，

将所述转化后的数据分为n个样本点，寻找每个样本点的近邻点；

根据所述近邻点计算每个样本点的局部重建权值矩阵；

基于所述每个样本点的局部重建权值矩阵分别将每个样本点进行映射，获得每个样本点的降维向量；

所述初始的网络安全防护模型包括五层受限玻尔兹曼机的深度置信网络和一层长短期记忆人工神经网络；

所述训练包括，

利用深度置信网络模型训练所述数据矩阵，获得各层的输入神经元；

利用受限玻尔兹曼机训练所述各层的输入神经元；

通过训练完成的五层受限玻尔兹曼机的深度置信网络提取不良数据的特征；

将所述不良数据的特征输入到所述长短期记忆人工神经网络，但迭代次数满足要求时停止训练；

所述迭代次数设置为300次；

所述不良数据包括，

拒绝服务攻击数据、端口监视或扫描数据、远程主机未授权访问攻击数据、非法获取本地超级用户权限数据；

设定所述防护阈值为500字节；

还包括，

利用入侵检测系统的接口向NAT路由器发出物理连接控制信号，进而断开所述外部网络和受保护网络之间的物理连接。