1.基于门控卷积和特征金字塔的网络入侵检测方法，其特征在于：该方法包括以下步骤：

S1)通过门控卷积提取输入数据的多维特征；

S2)添加特征金字塔网络进行多个特征图的融合以及相应地分类判决；

S3)通过FocalLoss损失函数对模型进行多监督训练。

2.根据权利要求1所述的基于门控卷积和特征金字塔的网络入侵检测方法，其特征在于：所述步骤S1中，提取多维特征包括以下步骤：步骤S11)本发明调整了CNN的网络结构以构建门控卷积网络(Gated CNN)。在Gated CNN中每一个卷积输出都是在标准卷积层后接一个由sigmoid函数激活的标准卷积输出来作为软门控。Gated CNN卷积层将使用1*1、3*3和5*5的卷积核，卷积核的尺寸越大，感受野越大，便于提取数据的整体特征，卷积核的尺寸越小，提取的细节特征越充分。因此本发明在网络的浅层用5*5的卷积核，在网络的中间层用3*3的卷积核，在网络的深层用1*1的卷积核。

因为模型的性能会随着网络宽度和深度的增加而下降，往往会存在过拟合和梯度爆炸等问题，尤其在增加网络的深度过程中，对输入层的非线性参数训练将变得异常困难，不可避免的对准确率造成影响。针对上述问题，提出的了残差卷积神经网络，通过网络内部的跳跃连接块，有效降低了深层卷积网络出现梯度弥散的可能性。为此本文借用残差网络设计了带跳跃连接的卷积模块，同时为了避免网络发生梯度弥散，本文借用残差网络的跳跃连接模型以增强网络模型的泛化性能。

同时添加池化层可以有效的减少网络参数量并增强模型的鲁棒性。池化层的主要思路是将特征图映射为多个小尺寸相邻区域并对响应特征图取其指定大小，这样可以有效的特征图进行大小压缩，达到降维和减少参数的目的，同时针对一些复杂包含噪声的数据也可以进行去噪处理，所以添加池化层可以有效增加网络的鲁棒性，在一定程度上减少了网络过拟合的发生。池化计算过程如下所示：其中 分别表示为权重和偏置，σ为激活函数，down()为下采样函数。

3.根据权利要求1所述的基于门控卷积和特征金字塔的网络入侵检测方法，其特征在于：所述步骤S2中，添加特征金字塔网络进行多个特征图的融合以及相应地分类判决包括以下步骤：步骤S21)在提取到数据的特征之后，对网络末端的三个门控卷积层的输出用特征金字塔网络进行特征融合。对底层的特征图进行上采样，然后把该特征横向连接至前一层特征，因此高层特征得到加强。上采样采用内插值的方法，即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素，从而扩大原图像的大小。通过对特征图进行上采样，使得上采样后的特征图具有和下一层的特征图相同的大小，这样做主要是为了利用底层的位置细节信息。横向连接的作用是把前一层的特征图和后一层上采样的特征图contact起来得到信息量最丰富的特征图，来给最后的全连接神经网络进行分类判决。

步骤S22)经过特征金字塔网络得到特征语义更丰富的综合特征图之后，分类判决是在每个融合后的综合特征图上都进行一次，即根据模型提取到的不同程度的语义信息分别做出预测，然后比较这多个预测结果与数据真实的类别标签的差距，因此本发明提出的模型是个多输出的模型，采用的多监督的训练方式。。

4.根据权利要求1所述的基于门控卷积和特征金字塔的网络入侵检测方法，其特征在于：所述步骤S3中，通过Focal Loss损失函数对模型进行多监督训练包括以下内容：步骤S3)将模型softmax层预测的数据结果与真实的数据标签进行对照，代入Focal Loss损失函数中计算预测误差值，将误差值实时记录并反馈给模型，通过多轮次的数据迭代训练，不断优化更新网络节点的权值与偏置，使最终分类结果更加接近真实标签，在完成上述参数训练后，对测试数据进行决策响应。