1.一种基于时空注意力机制的加密网络流量分类方法，其特征在于，该分类方法包括以下步骤：步骤1，解析报文，获取网络流量数据X，并进行归一化处理；

步骤2，将归一化处理后的网络流量数据输入到空间特征提取组件SAtt，提取网络流量的空间特征Zs；

步骤3，将归一化处理后的网络流量数据输入到时间特征提取组件TAtt，提取网络流量的时间特征Zt；

步骤4，将空间特征Zs和时间特征Zt进行重构，得到网络流量特征Z；

最终得到融合后的网络流量特征Z，然后与真实标签Y经过计算损失loss，得到最终的分类结果；

所述空间特征提取组件SAtt由通道注意力模块CAM和空间注意力模块SAM拼接组成；

所述时间特征提取组件TAtt由多层双向GRU模块和时间注意力机制拼接组成；

所述步骤2包括：

步骤201，通过通道注意力模块CAM对输入特征F分别进行maxpooling和avgpooling，输入特征F维度为H×W×C，其中H代表输入特征图的高度，W代表输入特征图的宽度，C代表输入特征图的深度；将得到的两个1*1*C特征图输入到参数共享的多层感知机MLP中，再经过sigmoid激活，生成空间注意力模块SAM的输入特征Mc，则特征Mc的表达式为：Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))步骤202，将特征Mc输入到空间注意力模块SAM中，对特征Mc进行标准卷积操作，降维得到一个H*W*1特征图，再经过sigmoid激活，生成空间特征Zs；

所述步骤3包括：

步骤301，将输入序列输入到多层双向GRU模块，获取两个方向的序列信息，分别为正向和反向 其中n表示输入序列的长度，t∈[1,n]；xt表示输入序列；

步骤302，继续叠加J层双向GRU模块，则输出序列信息表示为：步骤303，将序列信息ht输入到注意力时间机制中计算各输入注意力分布，最后经过全连接层FC得到时间特征Zt，表达式为：Zt＝∑aihi

式中，ai表示第i时刻模型学习到的注意力参数，ai表达式为：式中，j∈[1,i]，ei表示i时刻对应的注意力概率分布打分值，表达式为：ei＝tanh(wihi+bi)

式中，wi表示i时刻的权重系数矩阵，bi表示对应的偏移量。