1.一种面向DPoS区块链网络安全态势感知的分析方法，其特征在于，包括以下步骤：S1、获取相关特征数据；

S2、根据所述相关特征数据的社区代币价值量化区块链网络价值；

S3、以所述区块链网络价值的历史数据为真实样本，训练生成对抗网络的改进变体WGAN‑GP，得到WGAN‑GP深度学习模型；

S4、利用所述WGAN‑GP深度学习模型进行时间序列预测，填充所述相关特征数据中的缺失值，得到完整数据；

S5、根据所述完整数据，利用改进的带有权值的TOPSIS评价算法量化评价对象；所述步骤S5中评价对象的量化方法包括以下步骤：S501、根据所述完整数据，得到评价对象的特征矩阵：其中，X为评价对象的特征矩阵，xnm为第n个评价对象第m个评价指标的值，n为评价对象总量，m为评价指标总量；

S502、对所述特征矩阵中的负向化评价指标进行正向化处理，得到正向化数据：i∈[1,n]

j∈[1,m]

其中，max{·}为最大值函数，min{·}为最小值函数，xij为第i个评价对象的第j个评价指标的值，其中，i＝1,2,…,n，j＝1,2,…m；

S503、对所述正向化数据进行标准化处理，得到标准化数据：其中，zij为第i个评价对象的第j个评价指标的标准化数据；

S504、根据所述标准化数据，得到标准化特征矩阵；

S505、根据所述标准化特征矩阵，计算每个评价指标的信息熵：其中，Ej为第j个评价指标的信息熵；

S506、根据所述信息熵，计算每个评价指标的权值：其中，wj为第j个评价指标的权值；

S507、定义评价对象中的最大值和最小值：

+

Z＝(max{z11,z21,…,zn1},max{z12,z22,…,zn2},…,max{z1m,z2m,…,znm})‑Z＝(min{z11,z21,…,zn1},min{z12,z22,…,zn2},…,min{z1m,z2m,…,znm})+ ‑其中，Z 为评价对象的最大值，Z为评价对象的最小值，znm为第n个评价对象的第m个评价指标的标准化数据；

S508、根据所述评价对象中的最大值、最小值和每个评价指标的权值，计算各个评价对象与最大值和最小值之间的距离：其中， 为第i个评价对象与最大值之间的距离， 为第i个评价对象与最小值之间的距离， 为第j个评价指标的最大值， 为第j个评价指标的最小值；

S509、根据所述各个评价对象与最大值和最小值之间的距离，计算各个生产者节点的得分：其中，Si为第i个评价对象的得分；

S5010、根据所述各个评价对象的得分，得到评价对象的评价排名；

S5011、判断所述评价对象是否为生产者节点，若是，则进入步骤S5011，否则，完成对评价对象的量化；

S5012、比较各个生产者节点的评价排名与票数排名之间的差异，得到生产者节点稳定性，完成对生产者节点稳定性的量化：Ti＝Ranks‑Rankv

其中，Ti为第i个生产者节点的稳定性，Ranks为生产者节点的评价排名，Rankv为生产者节点的得票排名；

S6、将所述生产者节点稳定性、网络整体安全态势以及所述相关特征数据中的有效信息利用可视化系统呈现结果。

2.根据权利要求1所述的面向DPoS区块链网络安全态势感知的分析方法，其特征在于，所述步骤S1中相关特征数据的获取方法包括以下步骤：S101、在区块链网络中进行重放交易，得到交易信息的原始数据，并从所述原始数据中提取生产者节点特征数据；

S102、获取互联网中相关的网络特征信息，并从所述网络特征信息中提取网络特征数据；

S103、对所述生产者节点特征数据和网络特征数据进行异步处理，结构化后，得到相关特征数据。

3.根据权利要求1所述的面向DPoS区块链网络安全态势感知的分析方法，其特征在于，所述步骤S3中WGAN‑GP深度学习模型包括生成器和鉴别器；

所述生成器，用于合成虚拟样本；

所述鉴别器，用于区分真实样本和虚拟样本。

4.根据权利要求3所述的面向DPoS区块链网络安全态势感知的分析方法，其特征在于，所述生成器包括第一门控循环单元GRU、第二门控循环单元GRU、第三门控循环单元GRU、第一全连接层和第二全连接层；所述第一门控循环单元GRU、第二门控循环单元GRU和第三门控循环单元GRU的神经元数量分别为1024、512和256；

所述鉴别器包括第一卷积层、第二卷积层、第三卷积层、第三全连接层、第四全连接层和第五全连接层；所述第一卷积层、第二卷积层和第三卷积层的神经元数量分别为32、64和

128；所述第三全连接层、第四全连接层和第五全连接层的神经元数量分别为220、220和1。

5.根据权利要求4所述的面向DPoS区块链网络安全态势感知的分析方法，其特征在于，所述WGAN‑GP深度学习模型的目标函数为：ε～U[0,1]

其中，L为WGAN‑GP深度学习模型的目标函数，λ为惩罚梯度系数，Pg为生成器产生的虚假样本分布，Pr为真实样本分布， 为随机插值取样样本分布， 为由生成器生成的虚假样本抽样，x为真实样本抽样， 为x和 连线上的随机插值取样，ε为常数， 为虚假样本的期望， 为鉴别器对虚假样本的鉴定结果， 为真实样本的期望，D(x)为鉴别器对真实样本的鉴定结果， 为随机插值取样样本期望， 为鉴别器对随机插值取样样本鉴定结果的范数。

6.根据权利要求1‑5中任一所述的面向DPoS区块链网络安全态势感知的分析方法的分析系统，其特征在于，包括：第一处理模块，用于获取相关特征数据；

第二处理模块，用于根据所述相关特征数据的社区代币价值量化区块链网络价值；

第三处理模块，用于以所述区块链网络价值的历史数据为真实样本训练生成对抗网络的改进变体WGAN‑GP，得到WGAN‑GP深度学习模型；

第四处理模块，用于利用所述WGAN‑GP深度学习模型进行时间序列预测，填充所述相关特征数据中的缺失值，得到完整数据；

第五处理模块，用于根据所述完整数据，利用改进的带有权值的TOPSIS评价算法量化生产者节点稳定性和网络整体安全态势；

第六处理模块，用于将所述生产者节点稳定性、网络整体安全态势以及所述相关特征数据中的有效信息进行呈现，并实现多视图联动。