1.基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，包括如下步骤：S1:对原始流量数据进行预处理，生成一维网络流量字节序列和二维数字矩阵，对网络流量序列进行批归一化处理；

S2:将S1处理过的数据输入L2‑BiTCN+CNN模型进行训练或处理，L2‑BiTCN+CNN模型包括L2‑BiTCN模型和CNN模型，L2‑BiTCN模型用于捕获关键字节和数据包的时序特征f1，CNN模型用于得到不同数据包内字节的空间特征f2，所述S2的L2‑BiTCN模型包括字节层次和数据包层次，字节层次包含字节嵌入层、BiTCN层、字节注意力层，数据包层次包含数据包嵌入层、BiTCN层、数据包注意力层；在第一层卷积层的前面加入批归一化层，并在TCN层、注意力层、全连接层采取权值归一化处理；

所述L2‑BiTCN模型训练或处理数据的步骤如下：

步骤1：将字节序列作为输入传到字节层次中的嵌入层，用xit表示一个数据包的字节信T*d息词向量，其中xit＝bite，bit表示第i个数据包中的第t个字节数据，e∈R 表示词向量矩阵，T表示数据包中的字节数量，d表示词向量维度，Xi＝{xi1,xi2,…,xit,…xiT}表示第i个数据包字节信息词向量的集合；

步骤2：将词向量集合Xi＝{xi1,xi2,…,xit,…xiT}输入到字节层次中的BiTCN层，并进行批归一化处理，之后TCN对输入的字节数据词向量进行编码；

步骤3：引入字节注意力机制，计算字节的权重分布，对重要的特征赋予更高的权重，获得带字节权重的数据包向量pi；

步骤4：获得带字节权重的数据包向量pi之后，将其作为输入数据传进数据包层次的BiTCN层中；

步骤5：数据包层次的BiTCN层对输入的数据包向量pi进行编码；

步骤6：引入数据包注意力机制，计算数据包的权重分布，对重要的特征赋予更高的权重，最终得到时序特征f1；

S3:将时序特征f1和空间特征f2相融合生成流量时空特征向量f，并输入到Softmax分类器，得出最终的流量类别。

2.根据权利要求1所述的基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，所述S1的具体过程如下：S1.1:流量分割阶段：使用Wireshark软件中editcap工具，主要是将获得的原始流量数据进行切分，可以按照Flow或者Session的方式将原始数据切分成多个离散的网络流数据；

S1.2:流量匿名化阶段：分割之后的.pcap文件中包含多个数据包，该阶段主要是对数据包中的有效载荷数据进行提取，通过删除IP地址来减少其对流量分类结果的影响；

S1.3:流量清理阶段：该阶段对匿名化之后的网络流数据进行遍历，删除重复数据以及有效载荷数据长度为0的数据包，并将数据包处理成固定长度，大于该长度的进行截取，不足则用0进行填补；

S1.4:输入格式生成阶段：该阶段对固定长度流数据进行格式转换，首先，将网络流数据处理成一维的字节序列，以十六进制读取数据，并被标记用于L2‑BiTCN模型，然后重新将网络流数据转换为二维数字矩阵，以IDX格式读取数据，并被标记用于CNN模型。

3.根据权利要求1所述的基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，所述步骤2的具体过程如下：步骤2.1：引入膨胀卷积：定义滤波器F＝(f1,f2,…,fk,...,fK)，分别表示大小为1、2、k、K的滤波器，xit处的膨胀卷积公式为：其中cit表示正向网络流量的特征，η为膨胀因子，K为滤波器的大小，t‑(K‑k)η表示之前的方向信息，当η＝1时，即为普通卷积，当η＝2时，即每隔两个输入点数据进行一次采样；

步骤2.2：加入残差模块，用于跨层连接的恒等映射；具体如下：

步骤2.2.1：得到步骤2.1处理的cit之后，接着对网络权重进行权值归一化处理；

步骤2.2.2：使用激活函数LeakyReLU进行非线性变换，获得的新正向网络流量特征向量为 公式如下：其中，w1表示权重矩阵，b1表示偏置，α为系数，可以理解为激活函数负轴上赋予的梯度值；

步骤2.2.3：使用Dropout进行正则化，随机选出隐藏层的神经元，然后将其删除，Dropout设置为0.2；

步骤2.3：重复一次步骤2.1和2.2，设计一个1*1Conv对x进行变换，使变换后的H(x)和x可以相加；

步骤2.4：对词向量集合Xi＝{xi1,xi2,…,xit,…xiT}进行序列的反转，得到反转矩阵Xi′＝{xiT…,xit,…,xi2,xi1}，将反向序列放入反向TCN模型进行训练或处理，学习得到反向流量特征c′it，如公式c′it＝TCN(X′i)                   (公式3)其中，TCN函数处理过程即为公式(1)所述，接着重复步骤2.2和2.3，其中步骤2.2.2改为对c′it使用LeakyReLU激活函数进行非线性变换，获得的新反向网络流量特征向量为公式如下：其中，w2表示权重矩阵，b2表示偏置，α为系数，可以理解为激活函数负轴上赋予的梯度值；

步骤2.5：将计算得出的正向特征向量 和反向特征向量和 进行连接，生成数据包的特征向量

4.根据权利要求3所述的基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，所述步骤3的具体过程如下：步骤3.1：同时将hit输入到Embedding中进行映射，分别映射到三个不同的空间，其中公式如(5)(6)(7)所示，Wq,Wk和Wv代表随机不同的空间矩阵，分别得到Query矩阵Q＝{qit}，Key矩阵K＝{kit}，Value矩阵V＝{vit}。

步骤3.2：再将映射矩阵Q与K点积得到hit与其他数据包特征向量之间的关联程度Simi，Simi通过Softmax函数计算得到一个归一化的注意力权重矩阵αit，αit表示数据包i中的第t个字节信息的权重，如公式(8)(9)；

步骤3.3：最后将归一化权重矩阵αit与vit进行加权求和，更新每个字节的特征表示，得到数据包向量pi，如公式(10)；

Q＝Wq*hit                           (公式5)K＝Wk*hit                        (公式6)V＝Wv*hit                        (公式7)pi＝∑tαitvit(公式10)其中，引入c′来防止计算结果溢出，c′取值一般为输入信号中的最大值。

5.根据权利要求3所述的基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，步骤5的具体过程如下：步骤5.1：数据包层次的BiTCN处理过程同字节层次的BiTCN，数据包pi处的膨胀卷积公式如下，其中ci表示正向流量数据包特征，η为膨胀因子，K为滤波器的大小，i‑(K‑k)η表示之前的方向信息；

步骤5.2：先对网络权重进行权值归一化处理，接着残差模块使用激活函数LeakyReLU进行非线性变换，获得的新正向流量数据包特征为 公式如下：其中，w3表示权重矩阵，b3表示偏置，α为系数；

使用Dropout进行正则化，随机选出隐藏层的神经元，然后将其删除，Dropout设置为

0.2；

步骤5.3：重复一次步骤5.1和步骤5.2，设计一个1*1Conv对x进行变换，使变换后的x和H(x)可以相加；

步骤5.4：对已经正向处理的数据包特征集合P＝{p1,p2,…,pi,…ps}进行反转，得到反转矩阵P′＝{ps,…,pi,…,p2,p1}，其中s表示分割之后的Flow或Session中数据包的个数，将反向矩阵放入反向TCN模型进行训练或处理，从而学习得到反向数据报包特征ci′，公式如下：c′i＝TCN(P′)     (公式13)

其中，TCN函数处理过程即为公式(1)所述，接着对ci′使用LeakyReLU激活函数进行非线性变换，获得的新反向数据包特征为 公式如下：其中，w4表示权重矩阵，b4表示偏置，α为系数；

步骤5.5：将计算得出的正向特征向量 和反向特征向量和 进行连接，生成数据包的特征向量

6.根据权利要求5所述的基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，步骤6的具体过程如下：步骤6.1：同时将hi输入到Embedding中进行映射，分别映射到三个不同的空间，其中公式如(15)(16)(17)所示，Wq,Wk和Wv代表随机不同的空间矩阵，分别得到Query矩阵Q＝{qi}，Key矩阵K＝{ki}，Value矩阵V＝{vi}。

步骤6.2：再将映射矩阵Q与K相乘得到hi与其他流量特征向量之间的关联程度Simi，Simi通过Softmax函数计算得到一个归一化的注意力权重矩阵αi，αi表示数据包i信息的权重,如公式(18)(19)；

步骤6.3：最后将归一化权重矩阵αi与vi进行加权求和，更新每个数据包的特征表示，得到时序特征f1，如公式(20)；

Q＝Wq*hi    (公式15)

K＝Wk*hi    (公式16)

V＝Wv*hi    (公式17)

f1＝∑iαivi      (公式20)

其中，c′取值一般为输入信号中的最大值。

7.根据权利要求1所述的基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，所述CNN模型包括两轮Conv层和Average Pooling层、Flatten层以及Concat层，在第一层卷积层的前面加入批归一化层，CNN模型训练或处理数据的步骤如下：步骤1：将.pcap格式的流量数据集处理成(N,T)二维数字矩阵格式，将它作为CNN模型的数据输入，用矩阵 表示二维流数据；

其中xnt表示第n个数据包第t个字节，Ai表示第i个数据流的二维数字矩阵，大小为(N,T)；

步骤2：Conv层：将二维数字矩阵Ai输入到CNN模型中，首先选择3*3卷积核，通道数16，激活函数LeakyReLU进行卷积操作，生成C11卷积层；接着使用2*5卷积核生成C12卷积层；最后使用1*5卷积核生成C13卷积层；

步骤3：Average Pooling层：将生成的C11、C12、C13卷积层进行空间上的缩小，使用2*2区域的Average池化，即从2*2大小的目标区域中计算得出平均值，窗口的移动间隔为1个元素，将平均池化后的结果进行映射，得到S11、S12、S13卷积层；

步骤4：重复步骤2、步骤3，再次进行不同卷积核大小的卷积操作和平均池化处理，生成C21、C22、C23卷积层结果和S21、S22、S23池化层结果；

步骤5：Flatten层：将得到的全局平均池化层结果S21、S22、S23进行Flatten展平，即对这三个局部特征矩阵进行降维操作，得出相应的一维空间特征张量1d‑tensor1、1d‑tensor2、

1d‑tensor3；

步骤6：Concat连接：将步骤5中的三个一维空间特征张量进行特征融合，生成空间特征f2。

8.根据权利要求1所述的基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，所述S3的具体过程如下：步骤1：将经过L2‑BiTCN模型最终得出的带有字节和数据包权重的时序特征f1和CNN模型得到的空间特征f2进行Concat信息融合，得到时空特征向量f；

步骤2：再将f通过Softmax分类器得出流量类别概率P，公式如下：P＝Softmax(wc*f+bc)      (公式21)

其中，wc表示权重矩阵，bc表示偏置,c表示当前标签值；

步骤3：计算交叉熵函数Loss关于权重参数的梯度，将权重参数沿梯度方向进行更新，具体使用随机梯度下降法(SGD)寻找参数最优解，相关公式如下：Loss＝‑∑c＝1fclnpc      (公式22)

其中，c为标签值，pc是L2‑BiTCN+CNN模型计算结果的输出概率P，fc是正确解标签。z表示需要更新的权重参数， 表示损失函数关于z的梯度，η表示学习率，←表示用右边的值更新左边的值。