1.一种基于人工智能的网络安全可视化监测方法，其特征在于，包括：

获取由网络嗅探器采集的网络流量数据的时间序列；

将所述网络流量数据的时间序列按照时间维度排列为网络流量时序输入向量后通过向量‑图像转换模块以得到网络流量时序图；

通过基于深度神经网络模型的流量时序模式特征提取器对所述网络流量时序图进行特征提取以得到网络流量全时域时序模式关联特征图；

将所述网络流量全时域时序模式关联特征图进行网络流量时序模式本质特征筛选处理以得到网络流量全时域时序模式本质特征向量的序列；

将所述网络流量全时域时序模式本质特征向量的序列通过网络流量时序模式推理器以得到网络流量时序模式推理特征；

以及基于所述网络流量时序模式推理特征，确定网络流量模式是否正常，并将所述网络流量时序图和检测结果在显示终端上进行可视化显示；

其中，将所述网络流量全时域时序模式关联特征图进行网络流量时序模式本质特征筛选处理以得到网络流量全时域时序模式本质特征向量的序列，包括：将所述网络流量全时域时序模式关联特征图通过基于门控注意力网络的特征筛选器进行处理以得到所述网络流量全时域时序模式本质特征向量的序列；

其中，将所述网络流量全时域时序模式关联特征图通过基于门控注意力网络的特征筛选器进行处理以得到所述网络流量全时域时序模式本质特征向量的序列，包括：将所述网络流量全时域时序模式关联特征图通过所述基于门控注意力网络的特征筛选器以如下特征筛选公式进行处理以得到所述网络流量全时域时序模式本质特征向量的序列；其中，所述特征筛选公式为：；

；

；

其中， 和 分别为所述网络流量全时域时序模式关联特征图中沿通道维度的各个特征矩阵向量化展开得到的网络流量全时域时序模式关联特征向量的序列中第 个网络流量全时域时序模式关联特征向量在第 位置的特征值和第 个网络流量全时域时序模式关联特征向量在第 位置的特征值， 是所述网络流量全时域时序模式关联特征向量的序列， 表示以2为底的对数函数值， 为各个所述网络流量全时域时序模式关联特征向量的长度， 为所述网络流量全时域时序模式关联特征向量的序列中向量的个数减1， 为网络流量时序图局部语义差异特征向量中各个位置的特征值， 为掩码化操作， 为掩码网络流量时序图局部语义差异特征向量中各个位置的特征值，是所述掩码网络流量时序图局部语义差异特征向量的长度， 为指数运算， 为所述第 个网络流量全时域时序模式关联特征向量， 为所述第 个网络流量全时域时序模式关联特征向量， 是所述网络流量全时域时序模式本质特征向量的序列中的第 个网络流量全时域时序模式本质特征向量。

2.根据权利要求1所述的基于人工智能的网络安全可视化监测方法，其特征在于，所述基于深度神经网络模型的流量时序模式特征提取器为基于全卷积神经网络模型的流量时序模式特征提取器。

3.根据权利要求2所述的基于人工智能的网络安全可视化监测方法，其特征在于，将所述网络流量全时域时序模式本质特征向量的序列通过网络流量时序模式推理器以得到网络流量时序模式推理特征，包括：将所述网络流量全时域时序模式本质特征向量的序列通过所述网络流量时序模式推理器以如下时序模式推理公式进行处理以得到网络流量时序模式推理特征向量作为所述网络流量时序模式推理特征；其中，所述时序模式推理公式为：；

其中， 是所述网络流量全时域时序模式本质特征向量的序列中最后一个位置的网络流量全时域时序模式本质特征向量， 是所述网络流量全时域时序模式本质特征向量的序列中随机位置的网络流量全时域时序模式本质特征向量， 是所述网络流量全时域时序模式本质特征向量的序列的均值特征向量， 和 为权重超参数， 和 是以产生均值为0、方差为1的高斯分布随机数函数作为高斯分布函数系数的超参数， 和分别为向量减法和向量加法， 为所述网络流量时序模式推理特征向量。

4.根据权利要求3所述的基于人工智能的网络安全可视化监测方法，其特征在于，基于所述网络流量时序模式推理特征，确定网络流量模式是否正常，并将所述网络流量时序图和所述检测结果在显示终端上进行可视化显示，包括：将所述网络流量时序模式推理特征向量通过基于分类器的网络流量异常检测器以得到检测结果，所述检测结果用于表示网络流量模式是否正常；

以及将所述网络流量时序图和检测结果在显示终端上进行可视化显示。

5.根据权利要求4所述的基于人工智能的网络安全可视化监测方法，其特征在于，还包括训练步骤：用于对所述基于全卷积神经网络模型的流量时序模式特征提取器、所述基于门控注意力网络的特征筛选器、所述网络流量时序模式推理器和所述基于分类器的网络流量异常检测器进行训练。

6.根据权利要求5所述的基于人工智能的网络安全可视化监测方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括由网络嗅探器采集的训练网络流量数据的时间序列，以及网络流量模式是否正常的真实值；

将所述训练网络流量数据的时间序列按照时间维度排列为训练网络流量时序输入向量后通过向量‑图像转换模块以得到训练网络流量时序图；

通过所述基于全卷积神经网络模型的流量时序模式特征提取器对所述训练网络流量时序图进行特征提取以得到训练网络流量全时域时序模式关联特征图；

将所述训练网络流量全时域时序模式关联特征图通过所述基于门控注意力网络的特征筛选器进行处理以得到训练网络流量全时域时序模式本质特征向量的序列；

将所述训练网络流量全时域时序模式本质特征向量的序列通过所述网络流量时序模式推理器进行处理以得到训练网络流量时序模式推理特征向量；

将所述训练网络流量时序模式推理特征向量通过所述基于分类器的网络流量异常检测器以得到分类损失函数值；

以及基于所述分类损失函数值对所述基于全卷积神经网络模型的流量时序模式特征提取器、所述基于门控注意力网络的特征筛选器、所述网络流量时序模式推理器和所述基于分类器的网络流量异常检测器进行训练，其中在所述训练的每一轮迭代中，对所述训练网络流量时序模式推理特征向量进行校正。