1.一种网络安全态势预测方法，其特征在于，所述方法包括：

获取多个待测流量数据；多个待测流量数据包括待测网络中的所有流量数据；

将各所述待测流量数据分别输入流量分类模型中，得到对应的攻击类型；所述流量分类模型是利用樽海鞘群算法，基于多个历史流量数据和对应的攻击类型标签对GResNeSt模型进行训练得到的，所述GResNeSt模型基于GC网络和ResNeSt网络构建；

基于各所述待测流量数据的攻击类型，确定对应待测流量数据的攻击影响；

根据所有所述待测流量数据的攻击影响，确定所述待测网络的网络安全态势值；

流量分类模型的确定过程，包括：

获取多个历史流量数据和对应的攻击类型标签；

基于GC网络和ResNeSt网络构建GResNeSt模型；

利用樽海鞘群算法，以各历史流量数据为输入，以对应的攻击类型标签为输出，对GResNeSt模型进行训练，得到流量分类模型；

樽海鞘群算法模拟了樽海鞘在海洋中航行和觅食时的集群行为，樽海鞘种群由两类组成：领导者和追随者；领导者是链条中的第一个樽海鞘，其余的都是追随者；位于链条最前面的个体引导整个种群进行觅食，其余个体仅受前一个个体的引导来更新自己的位置；樽海鞘群算法定义了樽海鞘在o维搜索空间中的位置，其中，o表示需要求解的变量数量；领导者的位置更新如下：其中，Fg表示食物在第g个维度中的位置；ubg和lbg分别表示第g个维度的上限和下限；

表示领导者在第g个维度上的位置；c1、c2和c3均表示控制参数；

其中，l表示第l次迭代次数；L表示允许的最大迭代次数；

控制参数c2和c3是范围从0到1的随机数；

跟随者的位置更新遵循牛顿运动定律，表示为：

其中， 表示第h个樽海鞘在第g个维度上的位置，h>1；t表示时间；a表示加速度；v0表示初速度；

利用樽海鞘群算法来搜索GResNeSt模型的最优参数，设置最大迭代次数为12，族群大小设置为6，搜索最佳参数时的评估函数为均方误差；

将最优超参数应用于GResNeSt模型；

GResNeSt模型，包括：依次连接的卷积模块、第一GResNeSt模块、第二GResNeSt模块、第三GResNeSt模块、第四GResNeSt模块、全局平均池化模块和全连接模块；

第一GResNeSt模块包括两个连接的GResNeSt网络；

第二GResNeSt模块和第三GResNeSt模块均包括四个依次连接的GResNeSt网络；

第四GResNeSt模块包括一个GResNeSt网络；

GResNeSt网络包括依次连接的GC网络和ResNeSt网络；

ResNeSt网络，包括：输入模块、分支结构、分裂注意力模块、拼接模块和加法模块；

GResNeSt模型由形成序列结构的六个部分组成；第一部分为卷积模块，采用3×3卷积；

第二部分为第一GResNeSt模块，由两个连接的GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为32，基数组数量k为2，基数超参数r为4；第三部分为第二GResNeSt模块，由四个依次连接的GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为64，基数组数量k为4，基数超参数r为4；第四部分为第三GResNeSt模块，由四个依次连接的GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为128，基数组数量k为4，基数超参数r为4；第五部分为第四GResNeSt模块，由一个GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为256，基数组数量k为1，基数超参数r为2；第六部分以全局平均池化模块和全连接模块作为输出；

GResNeSt网络的执行过程包括：执行ResNeSt网络和执行GC网络，具体如下：执行ResNeSt网络：将大小为H×W×C的流量数据X输入GResNeSt网络后，H为高度，W为宽度，C为通道数，X被划分为k个基数组，其中，第k个基数组的输出表示为其大小为H×W×c′/k，其中，c′/k为基数组中卷积核的数量；接着连接所

1 2 k 1

有基数组的输出以获得V＝Concat{V ,V ,…,V }，V的大小为H×W×C'，其中，V 表示第1个2

基数组的输出，V表示第2个基数组的输出；在连接基数组的输出后，添加一个具有C个卷积核的卷积层；使用短路连接后，输出为Y＝X+V，Y的大小为H×W×C；

ResNeSt网络是一个新的ResNet变体，ResNeSt网络由分裂注意力操作和特征图组组成，ResNeSt网络的具体思想如下：首先，在ResNeSt网络中输入大小为H×W×C的特征图，然后通过分支结构将特征图划分为k个基数组，并在基数组中再次划分，划分后的分裂数由基数超参数r表示，因此，总共会有G＝k×r个特征图组，每个分裂中分别使用1×1和3×3卷积；最后，通过分裂注意力模块为不同的特征图组分配不同的权重，将ResNeSt网络中所有分裂注意力模块的输出特征进行拼接，并将拼接后的输出特征图和输入特征图进行逐元素相加操作并输出；

k

在ResNeSt网络中，每个分裂注意力模块使用通道软注意进行聚合，V的第c个通道的输出 的计算公式如下：其中，UR(k‑1)+j表示第k个基数组中第j个分割输出的特征信息； 表示第k个基数组中第c个通道的第j个分割输出的分配权重；j表示分割输出的总数；

k

其中， 表示根据全局上下文表示s确定的第c个通道的第j个分割输出的权重；

执行GC网络：将Y用作上下文建模模块的输入，然后将上下文建模模块输出的特征图用作变换模块的输入，以得到输出特征图Z，Z的大小为1×1×C；最后，使用短路连接将Z和Y之间通过广播逐元素加法得到的输出连接到初始输入X，从而得到最终输出在GC网络中，上下文建模模块的具体操作为采用1×1大小的卷积Wk和softmax函数来获得注意力权重，然后进行注意力池化以获得全局上下文特征；变换模块中采用两个1×1大小的卷积来获得通道之间的依赖关系。

2.根据权利要求1所述的网络安全态势预测方法，其特征在于，基于各所述待测流量数据的攻击类型，确定对应待测流量数据的攻击影响，包括：基于各所述待测流量数据的攻击类型，确定对应待测流量数据的指标值；所述指标值包括：机密性指标值、完整性指标值和可用性指标值；

根据各所述待测流量数据的指标值，计算定对应待测流量数据的攻击影响。

3.根据权利要求1所述的网络安全态势预测方法，其特征在于，根据所有所述待测流量数据的攻击影响，确定所述待测网络的网络安全态势值，包括：基于所有所述待测流量数据的攻击影响，利用网络安全态势值计算公式，计算所述待测网络的网络安全态势值；其中，网络安全态势值计算公式为：其中，NSSV表示网络安全态势值；n表示属于第i种攻击类型的流量数据的数量；Pi表示属于第i种攻击类型的流量数据；Ti表示属于第i种攻击类型的流量数据的攻击影响；N表示流量数据的总数。

4.一种网络安全态势预测系统，其特征在于，所述系统包括：

待测流量数据获取模块，用于获取多个待测流量数据；多个待测流量数据包括待测网络中的所有流量数据；

攻击类型确定模块，用于将各所述待测流量数据分别输入流量分类模型中，得到对应的攻击类型；所述流量分类模型是利用樽海鞘群算法，基于多个历史流量数据和对应的攻击类型标签对GResNeSt模型进行训练得到的，所述GResNeSt模型基于GC网络和ResNeSt网络构建；

攻击影响计算模块，用于基于各所述待测流量数据的攻击类型，确定对应待测流量数据的攻击影响；

网络安全态势值确定模块，用于根据所有所述待测流量数据的攻击影响，确定所述待测网络的网络安全态势值；

流量分类模型的确定过程，包括：

获取多个历史流量数据和对应的攻击类型标签；

基于GC网络和ResNeSt网络构建GResNeSt模型；

利用樽海鞘群算法，以各历史流量数据为输入，以对应的攻击类型标签为输出，对GResNeSt模型进行训练，得到流量分类模型；

樽海鞘群算法模拟了樽海鞘在海洋中航行和觅食时的集群行为，樽海鞘种群由两类组成：领导者和追随者；领导者是链条中的第一个樽海鞘，其余的都是追随者；位于链条最前面的个体引导整个种群进行觅食，其余个体仅受前一个个体的引导来更新自己的位置；樽海鞘群算法定义了樽海鞘在o维搜索空间中的位置，其中，o表示需要求解的变量数量；领导者的位置更新如下：其中，Fg表示食物在第g个维度中的位置；ubg和lbg分别表示第g个维度的上限和下限；

表示领导者在第g个维度上的位置；c1、c2和c3均表示控制参数；

其中，l表示第l次迭代次数；L表示允许的最大迭代次数；

控制参数c2和c3是范围从0到1的随机数；

跟随者的位置更新遵循牛顿运动定律，表示为：

其中， 表示第h个樽海鞘在第g个维度上的位置，h>1；t表示时间；a表示加速度；v0表示初速度；

利用樽海鞘群算法来搜索GResNeSt模型的最优参数，设置最大迭代次数为12，族群大小设置为6，搜索最佳参数时的评估函数为均方误差；

将最优超参数应用于GResNeSt模型；

GResNeSt模型，包括：依次连接的卷积模块、第一GResNeSt模块、第二GResNeSt模块、第三GResNeSt模块、第四GResNeSt模块、全局平均池化模块和全连接模块；

第一GResNeSt模块包括两个连接的GResNeSt网络；

第二GResNeSt模块和第三GResNeSt模块均包括四个依次连接的GResNeSt网络；

第四GResNeSt模块包括一个GResNeSt网络；

GResNeSt网络包括依次连接的GC网络和ResNeSt网络；

ResNeSt网络，包括：输入模块、分支结构、分裂注意力模块、拼接模块和加法模块；

GResNeSt模型由形成序列结构的六个部分组成；第一部分为卷积模块，采用3×3卷积；

第二部分为第一GResNeSt模块，由两个连接的GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为32，基数组数量k为2，基数超参数r为4；第三部分为第二GResNeSt模块，由四个依次连接的GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为64，基数组数量k为4，基数超参数r为4；第四部分为第三GResNeSt模块，由四个依次连接的GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为128，基数组数量k为4，基数超参数r为4；第五部分为第四GResNeSt模块，由一个GResNeSt网络组成，其中，GResNeSt网络的卷积核数量为256，基数组数量k为1，基数超参数r为2；第六部分以全局平均池化模块和全连接模块作为输出；

GResNeSt网络的执行过程包括：执行ResNeSt网络和执行GC网络，具体如下：执行ResNeSt网络：将大小为H×W×C的流量数据X输入GResNeSt网络后，H为高度，W为宽度，C为通道数，X被划分为k个基数组，其中，第k个基数组的输出表示为其大小为H×W×c′/k，其中，c′/k为基数组中卷积核的数量；接着连接所

1 2 k 1

有基数组的输出以获得V＝Concat{V ,V ,…,V }，V的大小为H×W×C'，其中，V 表示第1个2

基数组的输出，V表示第2个基数组的输出；在连接基数组的输出后，添加一个具有C个卷积核的卷积层；使用短路连接后，输出为Y＝X+V，Y的大小为H×W×C；

ResNeSt网络是一个新的ResNet变体，ResNeSt网络由分裂注意力操作和特征图组组成，ResNeSt网络的具体思想如下：首先，在ResNeSt网络中输入大小为H×W×C的特征图，然后通过分支结构将特征图划分为k个基数组，并在基数组中再次划分，划分后的分裂数由基数超参数r表示，因此，总共会有G＝k×r个特征图组，每个分裂中分别使用1×1和3×3卷积；最后，通过分裂注意力模块为不同的特征图组分配不同的权重，将ResNeSt网络中所有分裂注意力模块的输出特征进行拼接，并将拼接后的输出特征图和输入特征图进行逐元素相加操作并输出；

k

在ResNeSt网络中，每个分裂注意力模块使用通道软注意进行聚合，V的第c个通道的输出 的计算公式如下：其中，UR(k‑1)+j表示第k个基数组中第j个分割输出的特征信息； 表示第k个基数组中第c个通道的第j个分割输出的分配权重；j表示分割输出的总数；

k

其中， 表示根据全局上下文表示s确定的第c个通道的第j个分割输出的权重；

执行GC网络：将Y用作上下文建模模块的输入，然后将上下文建模模块输出的特征图用作变换模块的输入，以得到输出特征图Z，Z的大小为1×1×C；最后，使用短路连接将Z和Y之间通过广播逐元素加法得到的输出连接到初始输入X，从而得到最终输出在GC网络中，上下文建模模块的具体操作为采用1×1大小的卷积Wk和softmax函数来获得注意力权重，然后进行注意力池化以获得全局上下文特征；变换模块中采用两个1×1大小的卷积来获得通道之间的依赖关系。

5.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至3中任一项所述的网络安全态势预测方法。

6.根据权利要求5所述的一种电子设备，其特征在于，所述存储器为可读存储介质。