1.一种网络安全态势评估方法，其特征在于，包括：

获取日志信息；

对所述日志信息进行预处理，得到目标日志信息；

采用网络安全数据特征提取模型对所述目标日志信息进行特征提取；所述网络安全数据特征提取模型包括若干特征提取单元，用于对输入的所述目标日志信息进行特征提取；

所述特征提取单元包括依次连接的选择性卷积结构单元、池化层和批标准化层；所述选择性卷积结构单元，包括split单元、fuse单元和select单元，用于对输入的所述目标日志信息分不同路径进行特征提取，得到各分支特征，并对各分支特征进行聚合，得到卷积特征图，具体包括：split单元生成两条路径，分别使用3×1，1×3和5×1，1×5两组卷积分解结构进行卷积操作，得到两个大小为m×n×n的分支特征图U1和U2，分别对分支特征图U1和U2执行全局平均池化操作，得到两个大小为m×1×1的全局平均化特征图，分别在两个分支上使用两个全连接层对全局平均化特征图执行先降维后升维的操作，得到各自分支对应的权重矩阵，其矩阵大小为m×1×1，将得到的权重矩阵分别乘到对应的分支特征图U1和U2中，得到各分支的加权特征图，将各分支的加权特征图逐像素对应相加，得到最终的卷积特征图V；

采用flatten层将所述网络安全数据特征提取模型提取的特征转换为一维特征向量；

采用支持向量机分类器对所述一维特征向量进行分类，得到所述日志信息对应的网络安全状态；

其中，支持向量机分类器的目标函数的核函数采用径向基函数，目标函数具体为：所述支持向量机分类器的分离超平面为w·x+b＝0，两个异类支持向量到超平面的距离之和为：非线性超平面的约束条件：yi[(w·xi)+b]≥1‑εi

* *

通过SMO算法求得最优解 通过α计算b ：

所述支持向量机分类器的决策函数为：

其中，K(xi,xj)为目标函数中的核函数；w表示超平面的法向量；γ表示两个异类支持向量到超平面的距离之和；f(x)为支持向量机分类器的决策函数，ε表示样本相对于分离超平面的偏离程度，且εi≥0；T＝{(x1,y2),(x2,y2),(x3,y3),...,(xn,yn)},yi∈{‑1,+1}表示日志信息的类别。

2.根据权利要求1所述的网络安全态势评估方法，其特征在于，所述对输入的所述目标日志信息分不同路径进行特征提取，得到各分支特征，并对各分支特征进行聚合，得到卷积特征图，具体包括：所述split单元对输入的所述目标日志信息基于若干卷积分解单元进行特征提取，得到各分支特征；

所述fuse单元：分别对各所述分支特征进行全局平均化，得到全局平均化特征图；采用若干全连接层对所述全局平均化后特征图进行先降维后升维的操作，得到各分支对应的权重矩阵；根据权重矩阵以及对应的所述分支特征得到各分支的加权特征图；

所述select单元将所有分支的所述加权特征图进行加法聚合，得到卷积特征图。

3.根据权利要求1所述的网络安全态势评估方法，其特征在于，所述对所述日志信息进行预处理包括：删除所述日志信息中对网络安全没有影响的数据，得到日志筛选信息；

采用one‑hot编码对所述日志筛选信息中各数据进行编码；

对编码后的数据进行归一化处理，得到所述目标日志信息。

4.根据权利要求1所述的网络安全态势评估方法，其特征在于，在采用网络安全数据特征提取模型对所述目标日志信息进行特征提取之前，还包括：将所述目标日志信息转换为n×n二维灰度图。

5.一种网络安全态势评估模型训练方法，其特征在于，包括：

获取历史日志信息；

对所述历史日志信息进行预处理，得到样本日志信息；

对样本日志信息进行标记，得到所述样本日志信息的标签，所述标签表征所述样本日志信息对应的网络安全状态；

根据所述样本日志信息以及所述标签对网络安全态势评估模型进行训练，得到训练好的网络安全态势评估模型；

所述网络安全态势评估模型包括依次连接的网络安全数据特征提取模型、flatten层和支持向量机分类器；所述网络安全数据特征提取模型包括若干特征提取单元，用于对输入的所述样本日志信息进行特征提取；所述特征提取单元包括依次连接的选择性卷积结构单元、池化层和批标准化层；所述选择性卷积结构单元，包括split单元、fuse单元和select单元，用于对输入的所述样本日志信息分不同路径进行特征提取，得到各分支特征，并对各分支特征进行聚合，得到卷积特征图，具体包括：split单元生成两条路径，分别使用3×1，1×3和5×1，1×5两组卷积分解结构进行卷积操作，得到两个大小为m×n×n的分支特征图U1和U2，分别对分支特征图U1和U2执行全局平均池化操作，得到两个大小为m×1×1的全局平均化特征图，分别在两个分支上使用两个全连接层对全局平均化特征图执行先降维后升维的操作，得到各自分支对应的权重矩阵，其矩阵大小为m×1×1，将得到的权重矩阵分别乘到对应的分支特征图U1和U2中，得到各分支的加权特征图，将各分支的加权特征图逐像素对应相加，得到最终的卷积特征图V；

所述flatten层用于将所述网络安全数据特征提取模型提取的所述样本日志信息的样本特征转换为样本一维特征向量；所述支持向量机分类器对所述样本一维特征向量进行分类，得到所述历史日志信息对应的网络安全状态；

其中，支持向量机分类器的目标函数的核函数采用径向基函数，目标函数具体为：所述支持向量机分类器的分离超平面为w·x+b＝0，两个异类支持向量到超平面的距离之和为：非线性超平面的约束条件：yi[(w·xi)+b]≥1‑εi

* *

通过SMO算法求得最优解 通过α计算b ：

所述支持向量机分类器的决策函数为：

其中，K(xi,xj)为目标函数中的核函数；w表示超平面的法向量；γ表示两个异类支持向量到超平面的距离之和；f(x)为支持向量机分类器的决策函数，ε表示样本相对于分离超平面的偏离程度，且εi≥0；T＝{(x1,y2),(x2,y2),(x3,y3),...,(xn,yn)},yi∈{‑1,+1}表示日志信息的类别。

6.根据权利要求5所述的网络安全态势评估训练方法，其特征在于，所述对输入的所述样本日志信息分不同路径进行特征提取，得到各分支样本特征，并对各分支样本特征进行聚合，得到样本卷积特征图，具体包括：所述split单元对输入的所述样本日志信息基于若干卷积分解单元进行特征提取，得到各分支样本特征；

所述fuse单元：分别对各所述分支样本特征进行全局平均化，得到全局平均化样本特征图；采用若干全连接层对所述全局平均化样本特征图进行先降维后升维的操作，得到各分支对应的权重矩阵；根据权重矩阵以及对应的所述分支样本特征得到各分支的样本加权特征图；

所述select单元将所有分支的所述样本加权特征图进行加法聚合，得到样本卷积特征图。

7.根据权利要求5所述的网络安全态势评估训练方法，其特征在于，所述对所述历史日志信息进行预处理包括：删除所述历史日志信息中对网络安全没有影响的数据，得到样本日志筛选信息；

采用one‑hot编码对所述样本日志筛选信息中各数据进行编码；

对编码后的数据进行归一化处理，得到所述样本日志信息。

8.根据权利要求5所述的网络安全态势评估训练方法，其特征在于，在所述根据所述样本日志信息以及所述标签对网络安全态势评估模型进行训练之前，还包括：将所述样本日志信息转换为n×n二维灰度图。