1.一种用于工业互联网入侵检测的Triple CGAN模型框架，其特征在于，所述模型框架包括：生成器、判别器、归类器、处理器与数据空间；

生成器的功能是接收随机噪声和标签信息，生成假数据供判别器鉴别真假以及归类器归类数据；

判别器的功能是接收数据空间对判别器的选择数据输入，并对接收数据进行真假判断；

归类器的功能是接收数据空间对归类器的选择数据输入，并对接收数据进行数据归类；

处理器的功能是接收所有数据特征与数据标签，对输入进行初步计算，再将特征输出结果与标签输出结果输入到数据空间中；

在数据空间中，首先检查输入数据，特征与标签的对应关系是否有差错，然后将特征与标签进行组合处理，转发给判别器，将去除标签的数据转发给归类器。

2.根据权利要求1所述的模型框架，其特征在于，输入数据经由处理器的并列计算，输出到数据空间进行特征与标签组合处理，再输入到判别器中进行真假判别，最终形成数据的判别计算过程；同理，数据空间内进行特征与标签分离处理，再输入到归类器中进行归类计算，形成数据的归类计算过程。

3.一种用于工业互联网入侵检测的Triple CGAN方法，其特征在于，所述方法基于权利要求1所述的Triple CGAN模型框架实现，所述方法包括以下步骤：Step 1导入UNSW_NB15数据集，进行数据集预处理；

Step 2将数据集分割为训练部分和测试部分；

Step 3生成器根据输入随机噪声与条件信息生成假数据，并输入处理器；

Step 4处理器接收假数据与真实数据，分别计算数据特征与标签，并输入到数据空间；

Step 5数据空间中，存储并统计输入数据，将接收到数据特征与对应的标签组合处理输入判别器，并分离出特征部分输入归类器；

Step 6判别器负责辨识输入数据的真伪，而分类器则对输入数据进行类别划分；

Step 7计算各部分损失，进行各自参数更新优化；

Step 8启动早停法，检查Triple CGAN模型是否达到触发条件；是，则训练停止，转到Step 10；否，则转到Step 9；

Step 9判断是否达到预设模型训练周期；若小于，则转到Step 3；否则，转到Step 10；

Step 10停止训练，保存模型参数；

Step 11加载测试集和已保存模型；

Step 12生成器根据随机噪声和条件信息生成数据，并输入处理器；

Step 13对真实数据与生成数据进行从处理器的分别计算，到数据空间进行特征与标签分离处理，再到输入归类器中进行归类计算的整体归类流程；

Step 14评估Triple CGAN模型性能；

Step 15结束。

4.根据权利要求3所述的方法，其特征在于，建立Triple CGAN模型的问题模型，具体为：假设x、y、z、G、D、C分别表示真实数据、标签信息、噪声数据、生成器、判别器、归类器：式(1)表示G的优化目标，使生成数据趋近于真实数据；式(2)表示D的优化目标，对输入数据能够正确的区分真假；式(3)表示C的优化目标，对输入数据能够正确归类，并通过与G形成类对抗机制，从真实数据与生成数据中都能学习到数据的内在特征；式(4)表示Triple CGAN模型的总体优化目标。

5.根据权利要求3所述的方法，其特征在于，训练过程中的损失分为生成损失、判别损失和归类损失，生成器、处理器、判别器与归类器的参数根据以上损失进行更新。

6.根据权利要求5所述的方法，其特征在于，生成器参数更新所需的损失根据判别器对假数据的真假判别与归类器对假数据的分类两部分的计算组成；判别器参数更新所需的损失根据判别器对输入真数据与假数据的判别计算组成；归类器参数更新所需的损失根据归类器对输入真数据与假数据的归类计算组成；处理器参数更新所需的损失根据判别器对输入数据的真假判别与归类器对输入数据的归类计算两部分的计算组成。

7.根据权利要求3所述的方法，其特征在于，在每轮迭代过程中，先训练生成器，随后联合训练处理器与判别器，最后联合训练处理器与分类器，循环往复进行这一过程，直到归类器损失趋于平稳，归类器的性能不再提升。

8.根据权利要求3所述的方法，其特征在于，所述数据集的预处理包括数据清洗、数据编码、数据集重采样和数据标准化。

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求3‑8任一项所述方法的步骤。

10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求3‑8任一项所述方法的步骤。