1.基于深度学习的计算机网络安全防护方法，其特征在于，所述计算机网络安全防护方法包括以下步骤：采集网络中的多模态原始数据，对采集的数据进行标准化、去噪和标注预处理，得到标准多模态数据；

将标准多模态数据输入至多通道协同深度检测模型中，利用TCN时间卷积网络提取网络流量中的空间局部特征向量，通过GRU门控循环单元与自注意力机制相结合的网络分析用户行为序列中的长程时序依赖关系，采用预训练的DeBERTa大型语言模型进行深度语义分析，提取异常语义特征向量，得到多模态特征向量；

通过跨模态注意力融合对多模态特征向量进行融合后输入全连接网络中进行融合分析，输出威胁评分指数；

基于Apriori关联算法根据所述威胁评分指数生成计算机网络安全的防护策略，并根据防护策略进行执行；

所述将标准多模态数据输入至多通道协同深度检测模型中，利用TCN时间卷积网络提取网络流量中的空间局部特征向量，包括：将标准多模态数据按时间序列分段，形成二维输入矩阵，包括样本数、时间步长和流量特征数；

设置TCN网络的卷积核大小为3‑5，卷积层数为3‑5层，每层采用因果卷积，并加入膨胀卷积扩大感受野；激活函数选用ReLU，避免梯度消失，通过全局平均池化层输出网络流量的空间局部特征向量；

所述通过GRU门控循环单元与自注意力机制相结合的网络分析用户行为序列中的长程时序依赖关系，包括：将用户行为序列数据转换为时序向量后，输入GRU网络，通过重置门和更新门学习序列短期依赖，输出时序特征向量；

将GRU输出的时序特征向量作为自注意力层输入，计算每个时间步特征与其他时间步的注意力权重，权重归一化后加权求和，得到包含长程时序依赖的行为特征向量；

所述采用预训练的DeBERTa大型语言模型进行深度语义分析，提取异常语义特征向量，得到多模态特征向量，包括：将标注后的文本数据按DeBERTa输入格式处理，通过预训练词表将文本转换为词嵌入向量，加入位置嵌入与段落嵌入，形成文本输入矩阵；

加载预训练的DeBERTa模型，冻结底层10‑12层参数，微调顶层2‑4层；通过双向注意力机制捕捉文本上下文语义，在输出层添加二分类任务头，提取文本数据的异常语义特征向量。

2.如权利要求1所述的基于深度学习的计算机网络安全防护方法，其特征在于，所述采集网络中的多模态原始数据，对采集的数据进行标准化、去噪和标注预处理，得到标准多模态数据，包括：采集网络中的多模态原始数据，包括网络流量数据、系统日志数据、文本类数据和用户行为数据；

利用Z‑Score标准化对多模态原始数据中的数值型数据进行处理，通过One‑Hot独热编码将非数值型数据转换为向量格式，得到标准化数据；

通过滑动窗口过滤标准化数据中网络流量数据瞬时突发的异常值，采用正则表达式日志数据匹配删除无效日志，使用停用词表去除无意义词汇后进行标注预处理，得到标准多模态数据。

3.如权利要求1所述的基于深度学习的计算机网络安全防护方法，其特征在于，所述通过跨模态注意力融合对多模态特征向量进行融合后输入全连接网络中进行融合分析，输出威胁评分指数，包括：将多模态特征向量拆分为网络流量、用户行为、文本语义三个子模态特征向量，构建注意力计算模块，以每个子模态特征向量作为查询向量，其他两个子模态特征向量拼接作为键向量和值向量，通过多头注意力计算各子模态的注意力权重；

根据注意力权重对三个子模态特征向量进行加权求和，得到融合后的全局特征向量。

4.如权利要求1所述的基于深度学习的计算机网络安全防护方法，其特征在于，所述基于Apriori关联算法根据所述威胁评分指数生成计算机网络安全的防护策略，并根据防护策略进行执行，包括：采用Apriori关联规则挖掘算法结合威胁知识库，设置最小支持度为0.05、最小置信度为0.8，挖掘威胁评分指数与威胁类型、防护措施的关联规则；

若威胁评分指数≥80时触发高优先级策略生成，威胁评分指数在50‑79时生成中优先级策略，威胁评分指数＜50时生成低优先级策略。

5.基于深度学习的计算机网络安全防护系统，用于执行如权利要求1所述的基于深度学习的计算机网络安全防护方法，其特征在于，所述计算机网络安全防护系统包括以下模块：网络数据采集模块，用于收集网络中的多模态原始数据，对采集的数据进行标准化、去噪和标注预处理，得到标准多模态数据；

特征向量提取模块，用于将标准多模态数据输入至多通道协同深度检测模型中，利用TCN时间卷积网络提取网络流量中的空间局部特征向量，通过GRU门控循环单元与自注意力机制相结合的网络分析用户行为序列中的长程时序依赖关系，采用预训练的DeBERTa大型语言模型进行深度语义分析，提取异常语义特征向量，得到多模态特征向量；

威胁指数评估模块，用于通过跨模态注意力融合对多模态特征向量进行融合后输入全连接网络中进行融合分析，输出威胁评分指数；

防护策略生成模块，用于基于Apriori关联算法根据所述威胁评分指数生成计算机网络安全的防护策略，并根据防护策略进行执行。

6.如权利要求5所述的基于深度学习的计算机网络安全防护系统，其特征在于，所述计算机网络安全防护系统包括以下子模块：计算子模块，用于将多模态特征向量拆分为网络流量、用户行为、文本语义三个子模态特征向量，构建注意力计算模块，以每个子模态特征向量作为查询向量，其他两个子模态特征向量拼接作为键向量和值向量，通过多头注意力计算各子模态的注意力权重；

融合子模块，用于根据注意力权重对三个子模态特征向量进行加权求和，得到融合后的全局特征向量。

7.如权利要求5所述的基于深度学习的计算机网络安全防护系统，其特征在于，所述计算机网络安全防护系统包括以下子模块：挖掘子模块，用于采用Apriori关联规则挖掘算法结合威胁知识库，设置最小支持度为

0.05、最小置信度为0.8，挖掘威胁评分指数与威胁类型、防护措施的关联规则；

生成子模块，用于若威胁评分指数≥80时触发高优先级策略生成，威胁评分指数在50‑

79时生成中优先级策略，威胁评分指数＜50时生成低优先级策略。