1.一种基于异型接口的网络监控方法，其特征在于，

所述方法包括：

接收监控请求，所述监控请求包括异型接口ID以及监控时间；根据监控请求，捕获经过所述异型接口的网络数据流，将网络数据流进行预处理操作以生成第一特征矩阵；

将第一特征矩阵输入至第一神经网络模型，以获得第一特征向量；同时，计算所述第一特征矩阵的协方差矩阵，并计算所述协方差矩阵的特征值，将所述特征值对应的特征向量，作为第二特征向量；

将所述第一特征向量、第二特征向量执行拼接，得到拼接特征向量；基于拼接特征向量以及支持向量机模型，确定网络状态类型；其中，所述第一神经网络模型、支持向量机模型包括定义的多种网络状态类型；

所述预处理操作，包括：

其中，X 为网络数据流，M第一特征矩阵，W为预处理权重矩阵，b 为偏移量；

将所述第一特征向量、第二特征向量执行拼接，得到拼接特征向量，包括：确定所述第一特征向量、第二特征向量的拼接向量，所述拼接向量的维数为第一特征向量、第二特征向量的维数总和；

基于拼接向量将所述第一特征向量、第二特征向量执行拼接，得到拼接特征向量；

所述第一神经网络模型的各层在层的正向传递中包括对输入数据进行卷积处理、沿所述第一特征矩阵的最大值池化处理和激活处理，其中，激活处理过程中，通过随机选取神经元节点操作，使得任一神经元的激活值以一定的概率停止；所述第一神经网络模型的第一层的输入为第一特征矩阵，输出为第一特征向量以及网络状态初步判断结果；

基于拼接特征向量以及支持向量机模型，确定网络状态类型，所述支持向量机模型包括定义的网络状态类型，包括：预先定义网络状态类型为异常状态、正常状态，其中，异常状态至少包括离线异常和/或入侵异常；并捕获对应的网络状态类型下的经过所述异型接口的网络数据流；

基于拼接特征向量以及支持向量机模型，确定当前网络状态类型，若当前网络状态类型与所述网络状态初步判断结果一致，则将当前网络状态类型确定为最终网络状态类型。

2.根据权利要求1所述的基于异型接口的网络监控方法，其特征在于，所述方法还包括：

若确定的网络状态类型为入侵异常，则触发系统断网操作，并提示用户、显示预警信息；

若确定的网络状态类型为正常，则获取所述异型接口的传输速率，并将显示信息显示至用户；其中，显示信息包括异型接口ID、传输速率波动图。

3.一种基于异型接口的网络监控系统，所述网络监控系统用于执行权利要求1‑2中任一项所述的方法，其特征在于，所述系统包括：

捕获与预处理模块，接收监控请求，所述监控请求包括异型接口ID以及监控时间；根据监控请求，捕获经过所述异型接口的网络数据流，将网络数据流进行预处理操作以生成第一特征矩阵；

特征生成模块，将第一特征矩阵输入至第一神经网络模型，以获得第一特征向量；同时，计算所述第一特征矩阵的协方差矩阵，并计算所述协方差矩阵的特征值，将所述特征值对应的特征向量，作为第二特征向量；

监控状态确定模块，将所述第一特征向量、第二特征向量执行拼接，得到拼接特征向量；基于拼接特征向量以及支持向量机模型，确定网络状态类型；其中，所述第一神经网络模型、支持向量机模型包括定义的多种网络状态类型；

所述预处理操作，包括：

其中，X 为网络数据流，M第一特征矩阵，W为预处理权重矩阵，b 为偏移量；

将所述第一特征向量、第二特征向量执行拼接，得到拼接特征向量，包括：确定所述第一特征向量、第二特征向量的拼接向量，所述拼接向量的维数为第一特征向量、第二特征向量的维数总和；

基于拼接向量将所述第一特征向量、第二特征向量执行拼接，得到拼接特征向量；

所述第一神经网络模型的各层在层的正向传递中包括对输入数据进行卷积处理、沿所述第一特征矩阵的最大值池化处理和激活处理，其中，激活处理过程中，通过随机选取神经元节点操作，使得任一神经元的激活值以一定的概率停止；所述第一神经网络模型的第一层的输入为第一特征矩阵，输出为第一特征向量以及网络状态初步判断结果。

4.根据权利要求3所述的基于异型接口的网络监控系统，其特征在于，基于拼接特征向量以及支持向量机模型，确定网络状态类型，所述支持向量机模型包括定义的网络状态类型，包括：预先定义网络状态类型为异常状态、正常状态，其中，异常状态至少包括离线异常和/或入侵异常；并捕获对应的网络状态类型下的经过所述异型接口的网络数据流；

基于拼接特征向量以及支持向量机模型，确定当前网络状态类型，若当前网络状态类型与所述网络状态初步判断结果一致，则将当前网络状态类型确定为最终网络状态类型。