1.一种高维不平衡数据条件下的网络故障诊断方法，其特征在于，包括以下步骤：S1、对网络故障数据进行数值化与归一化；

S2、采用随机森林算法对步骤S1中网络故障数据的特征进行重要度评估，并根据重要度排名进行特征选择；

S3、使用IKSMOTE方法对步骤S2中特征选择后的少数类网络故障数据进行去噪处理和聚类分析，根据聚类分析结果自适应地分配每个簇和簇中每个少数类网络故障样本的采样数，结合多个样本信息合成新样本，将其加入到原数据集中，平衡多数类故障样本与少数类故障样本的数目；

S4、创建小波神经网络故障诊断模型；

S5、使用IGWO算法优化小波神经网络故障诊断模型中的连接权值、尺度因子和位移因子；

S6、将步骤S5中优化的参数作为小波神经网络故障诊断模型的初始值，输入步骤S3中去除噪声样本和合成少数类样本后的训练数据，完成小波神经网络故障诊断模型的训练。

2.根据权利要求1所述的高维不平衡数据条件下的网络故障诊断方法，其特征在于，步骤S3中，IKSMOTE数据平衡的具体步骤为：S301、计算每个少数类网络故障样本与其附近样本的欧氏距离，得到距离最近的K个近邻样本；

S302、使用K‑means算法对每种少数类网络故障样本进行单独聚类，计算每个少数类簇样本间的距离之和，得到每个簇的稀疏系数sp，具体公式如下：；

其中，Nmin为簇中少数类网络故障样本数量，dist(xi, xj)表示簇中第i个样本到第j个样本的欧氏距离；

S303、根据稀疏系数计算每个簇需要合成的新样本数目g，具体公式如下：；

其中，G为待合成的少数类网络故障样本数，spi表示第i个簇的稀疏度，gi表示第i个簇需要合成的少数类网络故障样本数，c为该少数类的聚簇数量；

S304、计算每个少数类网络故障样本与所属簇中心O的欧氏距离，并根据距离计算每个样本需要合成新样本的数量r，具体公式如下：；

其中，rj表示第i个簇中第j个少数类样本需要合成的样本数，n为该簇中少数类样本数目；

S305、引入sigmoid函数平滑样本分布，每个维度的插值计算公式如下：；

其中，dimnew为新样本的维度值，dim为少数类样本的维度值，dimk为近邻样本的维度值，w为[‑5,5]之间的随机实数。

3.根据权利要求1所述的高维不平衡数据条件下的网络故障诊断方法，其特征在于，步骤S4中，创建小波神经网络故障诊断模型的具体内容为：设定有P个训练样本、N个输入层神经元数、M个输出层神经元数，第p个样本输入为 、输出为 、期望输出为   ，其中p、n、m为整数， ， ，；

小波神经网络第k个隐含层的输出为  ；

其中，h()为morlet小波函数，Wkn为输入层和第k个隐藏层之间的连接权重， ak为小波的尺度因子，bk为小波的位移因子；

小波神经网络输出层的输出表达式为： ；

其中，Vmk为输出层和隐藏层之间的连接权；

小波神经网络输出的标准误差函数为：。

4.根据权利要求1所述的高维不平衡数据条件下的网络故障诊断方法，其特征在于，步骤S5中，IGWO优化参数的具体步骤为：S501、需要优化的参数个数Q满足如下条件：；

其中，Nin、Nhid、Nout分别是神经网络的输入层、隐含层和输出层的神经元个数；

S502、计算适应度，具体公式如下：；

其中，obse表示实际样本类别值，pred表示代入狼群位置后小波神经网络故障诊断模型的计算值；

S503、灰狼个体将α、β、δ狼的位置假想为猎物的位置，并分别根据α、β、δ狼的位置更新自己的位置，具体公式为：；

其中，Dα、Dβ、Dδ是α、β、δ狼与灰狼个体之间的距离；X1、X2、X3为灰狼个体分别根据α狼、β狼、δ狼的位置更新的位置；Xα(m)、Xβ(m)、Xδ(m)为第 m 次迭代后α狼、β狼、δ狼的位置，X(m)是第m代灰狼个体的位置；

S504、C1、C2、C3、A1、A2、A3为协同系数，协同系数C和A的计算公式分别为：；

其中，r1和r2为区间[0,1]的随机数，s是随迭代次数增加从2非线性递减到0的常数，mmax为优化算法的最大迭代次数，c为一个常数；

S505、通过α、β、δ 的位置来确定猎物的位置，ω狼根据最佳搜索单位α、β、δ来更新自己的位置，并再次重新定位猎物的位置：；

；

其中，Xα、Xβ、Xδ为α、β、δ狼的位置坐标，σ1、σ2、σ3 为α、β、δ狼位置与Xα、Xβ、Xδ三点重心之间的空间距离，W1、W2、W3 为α、β、δ狼的第一次更新权重；

S506、根据α、β、δ的适应度值进行第二次权重计算，具体公式如下：；

其中，W11、W22、W33为α、β、δ狼的第二次更新的权重，MSEα、MSEβ、MSEδ为α、β以及δ的适应度值；

S507、灰狼位置的更新公式如下：；

其中，X(m+1)是m次迭代后灰狼的更新位置，即第m+1代灰狼的位置坐标；

S508、根据权值更新公式不断迭代，直到达到预先设置的最大迭代次数，则最终的α狼的位置坐标即为优化后的参数。

5.根据权利要求1所述的高维不平衡数据条件下的网络故障诊断方法，其特征在于，步骤S6中，训练小波神经网络故障诊断模型的具体内容为：将IGWO优化得到的最优灰狼个体位置坐标作为小波神经网络故障诊断模型的连接权重值、小波尺度ak(t)以及位移因子 ；输入网络故障数据，通过小波神经网络故障诊断模型计算估计值和误差，并根据估计值与实际值间的误差和权值修正公式，反向调整连接权重值、小波尺度ak(t)以及位移因子 ；增加了动量因子 后的权值修正公式为：

；

其中，η为网络训练的学习率，Vmk(t)、Wkn(t)、ak(t)、 分别代表第t次迭代时神经网络的Vmk、Wkn、ak、bk；

不断迭代更新参数直至达到预先设置的最大迭代次数，输出并保存训练模型。

6.根据权利要求1所述的高维不平衡数据条件下的网络故障诊断方法，其特征在于，还包括步骤S7：将实时网络状态特征数据输入步骤S6中训练完成的小波神经网络故障诊断模型，实现网络故障诊断，并输出诊断结果。

7.一种高维不平衡数据条件下的网络故障诊断系统，其特征在于，包括：网络故障数据获取模块，用于获取网络故障及正常状态下的数据信息；

数据预处理模块，用于对原始网络故障数据进行数值化、压缩和过滤，统一数据类型，去除故障数据中存在的的大量冗余信息，并针对少数类样本进行数据过采样平衡多数类故障样本与少数类故障样本的数目；

参数优化模块，用于优化小波神经网络故障诊断模型中的参数；

训练模块，用于小波神经网络故障诊断模型的训练；

诊断模块，用于实时网络故障数据的诊断，输出诊断结果。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

9.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至6中任一项所述的方法。