1.一种基于持续学习改进的类增量业务识别方法，其特征在于，包括以下步骤：采集通信网数据并进行无损压缩，处理为只含有IP层报文的报文信息流；

对所述报文信息流进行预处理，然后采用DBSCAN算法对信息流添加标签，得到可用于业务识别模型训练的数据集；

采用OWM方法改进CNN模型，得到OWM改进的业务识别模型，并用所述数据集对OWM改进的业务识别模型进行训练，之后结合专家知识来进行模型诊断，调整模型参数，进行AI辨识；

将经过AI辨识产生的结果输出，并根据业务识别结果对网络进行精细化管理；

采用DBSCAN算法对数据流添加标签的步骤包括：确定DBSCAN算法参数：邻域半径ε和成为核心对象的在邻域半径内的最少点数μ；

将确认后的参数输入DBSCAN算法，并将数据集经过DBSCAN算法后生成标签的训练集进行输出；

所述最少点数μ通过经验法确定，为所选特征数的2倍；所述邻域半径ε采用肘点法确认；

训练OWM改进的业务识别模型的步骤为：

加载已经添加过标签的数据集；

截长补短保证数字列表长度一致，Embedding层将其转化为向量列表；

构建CNN神经网络，采用正交权值修正法对CNN神经网络进行权值修正；

检测模型业务识别准确性和对旧业务分类的遗忘情况；

将训练好的模型保存到检测器模型库中。

2.根据权利要求1所述的一种基于持续学习改进的类增量业务识别方法，其特征在于，对所述报文信息流进行预处理的步骤包括：将采集的报文信息流根据五元组进行划分，划分为网络数据流形式；

统一网络数据流的格式，对超过784字节的数据流进行截断，对不足784的数据流在末尾补0；

对报文信息流进行数据清洗，去除重复样本以及不完整数据的无效样本。

3.根据权利要求1所述的一种基于持续学习改进的类增量业务识别方法，其特征在于，所述CNN神经网络包括三个卷积层，三个最大池化层，三个全连接层，一个softmax层；其中Conv1，Conv2，Conv3的神经元个数均为784个，内核大小为2，全零填充步长为1；三个最大池化层的内核为2，全零填充步长为2；三个全连接层的神经元个数分别为2000、1000、100个；

每个池层都使用批规范化，三个卷积层使用的激活函数为ReLU函数，训练模型Adam优化算法是最大30epochs，学习速率为0.002；神经网络使用早期停止，即训练在5个epochs内，损失函数没有降低，则训练终止。

4.一种基于持续学习改进的类增量业务识别系统，其特征在于，包括：数据采集模块：采集通信网数据并进行无损压缩，处理为只含有IP层报文的报文信息流；

数据预处理模块：对所述报文信息流进行预处理，然后采用DBSCAN算法对信息流添加标签，得到可用于业务识别模型训练的数据集；

AI辨识模块：采用OWM方法改进CNN模型，得到OWM改进的业务识别模型，并用所述数据集对OWM改进的业务识别模型进行训练，之后结合专家知识来进行模型诊断，调整模型参数，进行AI辨识；

以及，结果输出模块：将经过AI辨识产生的结果输出，并根据业务识别结果对网络进行精细化管理；

采用DBSCAN算法对数据流添加标签的步骤包括：确定DBSCAN算法参数：邻域半径ε和成为核心对象的在邻域半径内的最少点数μ；

将确认后的参数输入DBSCAN算法，并将数据集经过DBSCAN算法后生成标签的训练集进行输出；

所述最少点数μ通过经验法确定，为所选特征数的2倍；所述邻域半径ε采用肘点法确认；

训练OWM改进的业务识别模型的步骤为：

加载已经添加过标签的数据集；

截长补短保证数字列表长度一致，Embedding层将其转化为向量列表；

构建CNN神经网络，采用正交权值修正法对CNN神经网络进行权值修正；

检测模型业务识别准确性和对旧业务分类的遗忘情况；

将训练好的模型保存到检测器模型库中。

5.一种计算机存储介质，存储有可读程序，其特征在于，当程序运行时，能够执行权利要求1‑3任一项所述的一种基于持续学习改进的类增量业务识别方法。

6.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1‑3中任一项所述的一种基于持续学习改进的类增量业务识别方法对应的操作。

7.一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行如权利要求1‑3中任一所述的一种基于持续学习改进的类增量业务识别方法对应的操作。