1.一种入侵检测方法，其特征在于，包括：

对入侵数据集进行预处理，并将预处理后的入侵数据集分为测试数据集和训练数据集；

计算各入侵检测数据的各变量间的相关系数矩阵；各所述入侵检测数据包含于预处理后的入侵数据集中，所述各入侵检测数据中每条入侵检测数据均由p个变量组成，其中，p为大于3的整数；

计算所述相关系数矩阵的特征根和特征向量；

在所述入侵检测数据变量中选取m个主成分变量，并根据所述特征根和所述特征向量获取因子载荷矩阵，所述因子载荷矩阵为p×m的矩阵；其中，m为小于p的整数；

计算各因子的方差贡献，并累计所有所述因子的方差贡献率；各所述因子为所述因子载荷矩阵中的元素；

根据预设贡献率阈值，在所述因子载荷矩阵中选取前K个所述因子为公共因子，并使用所述公共因子的线性组合表示所述训练数据集，即获取降维简化后的入侵数据集，也即获得降维简化后的测试数据集和训练数据集；其中，K为小于m的整数；

将所述降维简化后的训练数据集输入到神经图灵机模型中进行训练，获取因子分析神经图灵机入侵检测模型；

将所述降维简化后的测试数据集输入到所述因子分析神经图灵机入侵检测模型进行检测，获取数据分类结果，以便完成对所述入侵数据集的入侵检测。

2.根据权利要求1所述的一种入侵检测方法，其特征在于，在将所述降维简化后的训练数据集输入到神经图灵机模型中进行训练，获取因子分析神经图灵机入侵检测模型之后；

还包括：

对所述因子分析神经图灵机入侵检测模型进行迭代优化。

3.根据权利要求2所述的一种入侵检测方法，其特征在于，对所述因子分析神经图灵机入侵检测模型进行迭代优化，包括：将所述因子分析神经图灵机入侵检测模型沿时间步传播，从当前时间步开始，计算每一个时间步的误差项并将所述误差项向上一层传播；

根据所述误差项计算每个权重的梯度；

根据所述梯度更新各层权重，并筛选所述因子分析神经图灵机入侵检测模型的参数组合，以便实现所述因子分析神经图灵机入侵检测模型进行迭代优化。

4.根据权利要求1所述的一种入侵检测方法，其特征在于，在根据预设贡献率阈值，在所述因子载荷矩阵中选取前K个所述因子为公共因子，并使用所述公共因子的线性组合表示所述入侵数据集之后，还包括：判断所述公共因子的典型代表变量是否突出，获取判断结果；

若所述判断结果为不突出，则对所述公共因子进行因子旋转。

5.根据权利要求1所述的一种入侵检测方法，其特征在于，对入侵数据集进行预处理，包括：对所述入侵数据集中各数据的字符型特征进行数值化；

对所述入侵数据集中各数据的特征进行归一化。

6.根据权利要求1所述的一种入侵检测方法，其特征在于，将所述降维简化后的测试数据集输入到所述因子分析神经图灵机入侵检测模型包括：将所述降维简化后的测试数据集通过擦除操作和添加操作输入到所述因子分析神经图灵机入侵检测模型。

7.一种入侵检测装置，其特征在于，包括：

预处理单元，用于对入侵数据集进行预处理，并将预处理后的入侵数据集分为测试数据集和训练数据集；

第一计算单元，用于计算各入侵检测数据的各变量间的相关系数矩阵；各所述入侵检测数据包含于预处理后的所述入侵数据集中，所述各入侵检测数据中每条入侵检测数据均由p个变量组成，其中，p为大于3的整数；

第二计算单元，用于计算所述相关系数矩阵的特征根和特征向量；

第一选取单元，用于在所述入侵检测数据变量中选取m个主成分变量，并根据所述特征根和所述特征向量获取因子载荷矩阵；其中，m为小于p的整数；

第三计算单元，用于计算各因子的方差贡献，并累计所有所述因子的方差贡献率；各所述因子为所述因子载荷矩阵中的元素；

第二选取单元，用于根据预设贡献率阈值，在所述因子载荷矩阵中选取前K个所述因子为公共因子，并使用所述公共因子的线性组合表示所述训练数据集，即获取降维简化后的入侵数据集，也即获得降维简化后的测试数据集和训练数据集；其中，K为小于m的整数；

训练单元，用于将所述降维简化后的训练数据集输入到神经图灵机模型中进行训练，获取因子分析神经图灵机入侵检测模型；

检测单元，用于将所述降维简化后的测试数据集输入到所述因子分析神经图灵机入侵检测模型进行检测，获取数据分类结果，以便完成对所述入侵数据集的入侵检测。

8.根据权利要求7所述的一种入侵检测装置，其特征在于，还包括：

优化单元，用于对所述因子分析神经图灵机入侵检测模型进行迭代优化；所述优化单元由第一计算模块、第二计算模块和筛选模块组成，其中，第一计算模块，用于将所述因子分析神经图灵机入侵检测模型沿时间步传播，从当前时间步开始，计算每一个时间步的误差项并将所述误差项向上一层传播；第二计算模块，用于根据所述误差项计算每个权重的梯度；筛选模块，用于根据所述梯度更新各层权重，并筛选所述因子分析神经图灵机入侵检测模型的参数组合，以便实现所述因子分析神经图灵机入侵检测模型进行迭代优化。

9.根据权利要求7所述的一种入侵检测装置，其特征在于，还包括：

判断单元，用于判断所述公共因子的典型代表变量是否突出，获取判断结果；

旋转单元，用于若所述判断结果为不突出，则对所述公共因子进行因子旋转。

10.一种入侵检测系统，其特征在于，包括：

输入装置，用于获取入侵数据集，所述入侵数据集分为测试数据集和训练数据集；

公共因子选取装置，所述公共因子选取装置与所述输入装置相连，用于从所述入侵数据集中选取公共因子，并使用所述公共因子的线性组合表示所述入侵数据集，即获取降维简化后的入侵数据集，也即获得降维简化后的测试数据集和训练数据集；

训练装置，所述训练装置与所述公共因子选取装置相连，用于获取所述降维简化后的训练数据集，并将其写入神经图灵机入侵检测模型进行训练，获取因子分析神经图灵机入侵检测模型；

检测装置，所述检测装置分别与所述输入装置、训练装置相连，用于将所述降维简化后的测试数据集输送到所述因子分析神经图灵机入侵检测模型中，进行入侵检测，获取数据分类结果，以便完成对所述测试数据集的入侵检测；

所述从所述入侵数据集中选取公共因子，并使用所述公共因子的线性组合表示所述入侵数据集，具体包括：计算各入侵检测数据的各变量间的相关系数矩阵；各所述入侵检测数据包含于预处理后的入侵数据集中，所述各入侵检测数据中每条入侵检测数据均由p个变量组成，其中，p为大于3的整数；计算所述相关系数矩阵的特征根和特征向量；在所述入侵检测数据变量中选取m个主成分变量，并根据所述特征根和所述特征向量获取因子载荷矩阵，所述因子载荷矩阵为p×m的矩阵；其中，m为小于p的整数；计算各因子的方差贡献，并累计所有所述因子的方差贡献率；各所述因子为所述因子载荷矩阵中的元素；根据预设贡献率阈值，在所述因子载荷矩阵中选取前K个所述因子为公共因子，并使用所述公共因子的线性组合表示所述训练数据集，即获取降维简化后的入侵数据集，也即获得降维简化后的测试数据集和训练数据集；其中，K为小于m的整数。