1.一种网络安全态势预测方法，其特征在于，所述预测方法包括如下步骤：计算每个历史预设时段内的攻击样本的态势值，获得态势值时间序列；

根据BiLSTM模型的输入层的神经元的个数设置滑动窗口，利用所述滑动窗口对所述态势值时间序列进行划分，获得多个态势值时间子序列；其中，态势值时间子序列中态势值的数量为m+1，m为BiLSTM模型的输入层的神经元的个数；

以每个所述态势值时间子序列前m个态势值为输入样本，以所述态势值时间子序列的最后一个态势值作为输出结果，构建样本数据集；

利用所述样本数据集和粒子群算法，确定所述BiLSTM模型的网络参数，得到训练后的BiLSTM模型；

利用训练后的BiLSTM模型对未来预设时段的攻击样本的态势值进行预测。

2.根据权利要求1所述的网络安全态势预测方法，其特征在于，所述计算每个历史预设时段内的攻击样本的态势值，获得态势值时间序列，具体包括：利用公式 计算每个历史预设时段内的攻击样本的态势值；

其中，xj表示第j个历史预设时段内的攻击样本的态势值，Nj表示第j个历史预设时段内的攻击样本数量，Xi为第j个历史预设时段内的第i个攻击样本对网络安全的威胁值；

将每个历史预设时段内的攻击样本的态势值组成态势值时间序列(x1,x2,...,xj,...,xn)；

其中，n表示历史预设时段的数量。

3.根据权利要求1所述的网络安全态势预测方法，其特征在于，所述粒子群算法的速度和位置更新公式为：

其中， 和 分别表示第k+1次和第k次迭代过程中的第l个粒子的速度向量， 和分别表示第k+1次和第k次迭代过程中的第l个粒子的位置向量，r1和r2分别表示[0，1]之间的第一随机数和第二随机数， 和 分别表示第l个粒子在第k次迭代的个体最优位置和全局最优位置；

w表示惯性权重因子：

w＝‑π*arcsin(0.01*(k‑max_iter))，max_iter表示最大迭代次数；

c1和c2分别表示第一加速因子和第二加速因子：c1＝c1max‑(c1max‑c1min)*((k)/(max_iter))*2；

c2＝c2max‑(c2max‑c2min)*((k)/(max_iter))*2；

其中，c1max和c1min分别表示第一加速因子的最大值和最小值，c2max和c2min分别表示第二加速因子的最大值和最小值。

4.根据权利要求1所述的网络安全态势预测方法，其特征在于，所述粒子群算法的适应度函数为：将粒子的位置向量设置为BiLSTM模型的网络参数时，所述BiLSTM模型的损失值。

5.根据权利要求1所述的网络安全态势预测方法，其特征在于，BiLSTM模型的网络参数包括BiLSTM模型的学习率、模型迭代次数、第一层隐含层单元数、第二层隐含层单元数和随机种子。

6.一种网络安全态势预测系统，其特征在于，所述预测系统包括：态势值计算模块，用于计算每个历史预设时段内的攻击样本的态势值，获得态势值时间序列；

态势值时间序列划分模块，用于根据BiLSTM模型的输入层的神经元的个数设置滑动窗口，利用所述滑动窗口对所述态势值时间序列进行划分，获得多个态势值时间子序列；其中，态势值时间子序列中态势值的数量为m+1，m为BiLSTM模型的输入层的神经元的个数；

样本数据集构建模块，用于以每个所述态势值时间子序列前m个态势值为输入样本，以所述态势值时间子序列的最后一个态势值作为输出结果，构建样本数据集；

BiLSTM模型的网络参数确定模块，用于利用所述样本数据集和粒子群算法，确定所述BiLSTM模型的网络参数，得到训练后的BiLSTM模型；

态势值预测模块，用于利用训练后的BiLSTM模型对未来预设时段的攻击样本的态势值进行预测。

7.根据权利要求6所述的网络安全态势预测系统，其特征在于，所述态势值计算模块，具体包括：

态势值计算子模块，用于利用公式 计算每个历史预设时段内的攻击样本的态势值；

其中，xj表示第j个历史预设时段内的攻击样本的态势值，Nj表示第j个历史预设时段内的攻击样本数量，Xi为第j个历史预设时段内的第i个攻击样本对网络安全的威胁值；

态势值时间序列构建子模块，用于将每个历史预设时段内的攻击样本的态势值组成态势值时间序列(x1,x2,...,xj,...,xn)；

其中，n表示历史预设时段的数量。

8.根据权利要求6所述的网络安全态势预测系统，其特征在于，所述粒子群算法的速度和位置更新公式为：

其中， 和 分别表示第k+1次和第k次迭代过程中的第l个粒子的速度向量， 和分别表示第k+1次和第k次迭代过程中的第l个粒子的位置向量，r1和r2分别表示[0，1]之间的第一随机数和第二随机数， 和 分别表示第l个粒子在第k次迭代的个体最优位置和全局最优位置；

w表示惯性权重因子：

w＝‑π*arcsin(0.01*(k‑max_iter))，max_iter表示最大迭代次数；

c1和c2分别表示第一加速因子和第二加速因子：c1＝c1max‑(c1max‑c1min)*((k)/(max_iter))*2；

c2＝c2max‑(c2max‑c2min)*((k)/(max_iter))*2；

其中，c1max和c1min分别表示第一加速因子的最大值和最小值，c2max和c2min分别表示第二加速因子的最大值和最小值。

9.根据权利要求6所述的网络安全态势预测系统，其特征在于，所述粒子群算法的适应度函数为：将粒子的位置向量设置为BiLSTM模型的网络参数时，所述BiLSTM模型的损失值。

10.根据权利要求6所述的网络安全态势预测系统，其特征在于，BiLSTM模型的网络参数包括BiLSTM模型的学习率、模型迭代次数、第一层隐含层单元数、第二层隐含层单元数和随机种子。