1.一种基于深度学习的网络入侵检测方法，其包括训练部分和测试部分，其特征在于，利用深度学习算法进行网络入侵的学习与检测，所述网络入侵检测方法的训练过程为：

S1、将数据集的90％作为训练数据，数据经预处理和归一化处理后输入待训练的卷积神经网络模型，通过待训练的卷积神经网络模型提取特征；

S2、通过空间金字塔模型反复提取更丰富的特征，得到多尺度的有效特征层，有效特征层包含先验框、修正参数及分类置信度和类别，所述先验框为根据聚类算法自动找到的合适的锚框；

S3、通过逻辑回归预测分类置信度，使用逻辑分类模型预测类别，获得网络入侵结果，包括预测的矩形框与预测的类别，将真实结果与预测结果通过误差模型计算真实结果与预测结果的损失误差；

S4、通过反向传播模型计算损失函数的梯度，利用梯度下降算法反复迭代优化，得到使损失误差最小的参数权重，将损失误差最小的网络入侵检测模型作为训练好的网络入侵检测模型去测试，所述梯度下降表达式为：其中，β为学习率、J(θ)为损失函数、θj为时刻j的参数、θj+1为时刻j+1的参数；

所述网络入侵检测的测试过程为：将数据集的10％作为测试数据，将要预测的数据转化为图片，通过训练好的网络入侵检测模型，得到网络入侵的检测结果；如果检测结果与真实结果一致，则将损失误差最小的网络入侵检测模型作为最终的网络入侵检测模型，如果检测结果与真实结果不一致，则调整损失误差最小的网络入侵检测模型的超参数进行优化，使每一个检测结果与真实结果一致。

2.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述待训练的卷积神经网络模型为mobilenetv3模型，所述空间金字塔模型为卷积层、上采样层与下采样层的模型，所述逻辑分类模型为逻辑分类器，所述误差模型为位置误差、置信度误差和类别误差模型的总和，所述反向传播模型为误差反向传播模型。

3.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述数据集包含训练数据集和测试数据集，训练数据集包含1种正常的标识类型和22种训练攻击类型，且有14种攻击仅出现在测试数据集中。

4.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，将所述数据集输入待训练的网络入侵检测模型之前，需要对数据进行数据增强和归一化操作，所述数据增强方法包含利用8张经过翻转、剪裁、色域变化处理的图片进行拼接组合。

5.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述卷积神经网络模型使用深度可分离卷积的轻量化网络，使用自动机器学习为给定的问题找到最佳的神经网络架构。

6.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述空间金字塔模型采用将上采样和下采样融合做法反复提取网络特征，从下到上、从上到下进行特征提取，并且在4个尺寸的特征图上做检测。

7.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述逻辑分类模型采用多标签多分类的逻辑分类器，使用逻辑回归预测每个边界框的分数，采用多标签多分类的逻辑分类器进行类别预测。

8.根据权利要求1所述的基于深度学习的网络入侵检测方法，其特征在于，所述误差模型的位置误差采用完全交并比的误差模型，在正常交并比的基础上加入两个框的中心点的欧式距离和惩罚因子，置信度误差和类别误差为二值交叉熵损失，最终的损失为位置损失、置信度损失和类别损失的总和。