1.一种面向深度学习的网络异常检测方法，其特征在于，包括：

获取待检测的异常流量数据，输入到预先训练好的网络异常检测模型进行分类检测，得到检测结果；

所述训练好的网络异常检测模型的训练过程，包括：

将获取的历史网络流量数据集划分为训练集和测试集，并将训练集的一部分划为验证集，对训练集中的数据进行特征筛选；

对进行特征筛选后的数据进行各个类别的样本数量的平衡处理；

构建可变形卷积神经网络DCNN和改进的Transformer模型的混合网络模型用于实现网络流量分类；根据所述平衡处理后的数据，并结合所述混合网络模型完成损失函数的定义，训练所述混合网络模型，得到网络异常检测模型；

所述混合网络模型的构建方法为：

所述可变形卷积神经网络DCNN包括输入层、可变形卷积层、可变形ROI池化层以及Dropout层；

所述改进的Transformer模型包括编码器，所述编码器包括Embedding层、多头自注意力层、残差连接和层归一化层以及前馈网络层；

将平衡处理后的数据分别输入可变形卷积神经网络DCNN和改进的Transformer模型中，所述可变形卷积神经网络DCNN和改进的Transformer模型分别对输入的数据进行特征提取并输出，具体如下：将平衡处理后的数据输入可变形卷积神经网络DCNN的输入层进行编码，编码后的数据输入至可变形卷积层进行可变性卷积步骤，将可变性卷积步骤处理后的结果输入至可变形ROI池化层中，经过可变形ROI池化层的池化处理后传输至Dropout层，Dropout层舍弃部分神经元后输出可变形卷积神经网络DCNN的模型输出结果；

将平衡处理后的数据输入至改进的Transformer模型的Embedding层进行编码，编码后与预设的位置编码相融合，融合后的编码依次经过多头自注意力层、残差连接和层归一化层以及前馈网络层的处理，在前馈网络层之后再进行残差连接和层归一化的处理，处理后得到改进的Transformer模型输出结果；

将所述可变形卷积神经网络DCNN和改进的Transformer模型的输出结果融合输入到自注意力模块中再次进行特征提取，将自注意力模块的输出通过全连接层，再利用softmax函数进行分类。

2.根据权利要求1所述的面向深度学习的网络异常检测方法，其特征在于，还包括：在得到网络异常检测模型后，使用验证集对所述网络异常检测模型进行验证，验证通过后，使用网络异常检测模型完成异常流量数据的分类检测。

3.根据权利要求1所述的面向深度学习的网络异常检测方法，其特征在于：使用去噪自编码器DAE对训练集中的数据进行特征筛选。

4.根据权利要求1所述的面向深度学习的网络异常检测方法，其特征在于：使用自适应合成抽样算法对进行特征筛选后的数据进行各个类别的样本数量的平衡处理。

5.根据权利要求1所述的面向深度学习的网络异常检测方法，其特征在于，训练所述混合网络模型，得到网络异常检测模型的过程为：初始化所述混合网络模型的参数；

将平衡处理过的数据输入到所述混合网络模型当中；

使用定义的所述损失函数计算混合网络模型输出与真实值之间的误差；

根据所述损失函数的梯度，使用梯度下降算法，将所述误差反向传播回所述混合网络模型的每一层，逐层调整所述混合网络模型的参数；

重复以上步骤，设置训练轮次阈值；当训练轮次达到阈值时，停止训练，得到异常检测模型。

6.一种面向深度学习的网络异常检测装置，其特征在于，包括：

异常流量数据获取模块，用于获取待检测的异常流量数据，输入到预先训练好的网络异常检测模型进行分类检测，得到检测结果；

特征筛选模块，用于将获取的历史网络流量数据集划分为训练集和测试集，并将训练集的一部分划为验证集，对训练集中的数据进行特征筛选；

数据不平衡处理模块，用于对进行特征筛选后的数据进行各个类别的样本数量的平衡处理；

网络异常检测模型构建模块，用于构建可变形卷积神经网络DCNN和改进的Transformer模型的混合网络模型用于实现网络流量分类；根据所述平衡处理后的数据，并结合所述混合网络模型完成损失函数的定义，训练所述混合网络模型，得到网络异常检测模型。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时，实现权利要求1～5中任一所述的网络异常检测方法的步骤。

8.一种计算机设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现权利要求1～5中任一项所述的网络异常检测方法的步骤。

9.一种计算机程序产品，包括计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1～5中任一项所述的网络异常检测方法的步骤。