1.一種網(wǎng)元異常檢測方法，其特征在于，包括：
根據(jù)網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行建模獲得網(wǎng)元行為模型，所述網(wǎng)元行為模型包括多個(gè)神經(jīng)元，所述神經(jīng)元包括第一權(quán)值向量和第二權(quán)值向量，所述網(wǎng)元行為模型保留有網(wǎng)元?dú)v史狀態(tài)的上下文向量；
根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時(shí)間檢測門限；
獲取所述網(wǎng)元的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)；
根據(jù)所述網(wǎng)元的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個(gè)神經(jīng)元中所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元；
根據(jù)所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)和所述獲勝神經(jīng)元對應(yīng)的第一權(quán)值向量，確定當(dāng)前空間量化誤差；
根據(jù)所述獲勝神經(jīng)元對應(yīng)的第二權(quán)值向量和所述上下文向量，確定當(dāng)前時(shí)間量化誤差；
根據(jù)所述當(dāng)前空間量化誤差和所述空間檢測門限，確定所述網(wǎng)元當(dāng)前行為是否空間異常；
根據(jù)所述當(dāng)前時(shí)間量化誤差和所述時(shí)間檢測門限，確定所述網(wǎng)元當(dāng)前行為是否時(shí)間異常。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時(shí)間檢測門限，包括：
根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量，確定建?？臻g量化誤差；
根據(jù)所述建?？臻g量化誤差，確定空間檢測門限；
根據(jù)所述第二權(quán)值向量和所述上下文向量，確定建模時(shí)間量化誤差；
根據(jù)所述建模時(shí)間量化誤差，確定時(shí)間檢測門限。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量，確定建模空間量化誤差，包括：
計(jì)算每個(gè)歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量的歐式距離，每個(gè)歷史網(wǎng)絡(luò)數(shù)據(jù)對應(yīng)的歐式距離構(gòu)成所述建模空間量化誤差；
所述根據(jù)所述建?？臻g量化誤差，確定空間檢測門限，包括：
根據(jù)所述建?？臻g量化誤差中的最大值和最小值，確定空間檢測門限。
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述第二權(quán)值向量和所述上下文向量，確定建模時(shí)間量化誤差，包括：
計(jì)算與每個(gè)歷史網(wǎng)絡(luò)數(shù)據(jù)在同一時(shí)刻的所述上下文向量和所述第二權(quán)值向量的歐式距離，所述歐式距離構(gòu)成所述建模時(shí)間量化誤差；
所述根據(jù)所述建模時(shí)間量化誤差，確定時(shí)間檢測門限，包括：
將所述建模時(shí)間量化誤差中的每個(gè)歐式距離按照從小到大的順序排列；
將所述排列中百分位數(shù)為閾值的歐式距離確定為所述時(shí)間檢測門限。
5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述網(wǎng)元的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個(gè)神經(jīng)元中所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元，包括：
遍歷所述多個(gè)神經(jīng)元中的每個(gè)神經(jīng)元，計(jì)算所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)和所述神經(jīng)元的第一權(quán)值向量的第一歐式距離；
計(jì)算所述神經(jīng)元的第二權(quán)值向量和前一時(shí)刻的所述上下文向量的第二歐式距離；
根據(jù)所述第一歐式距離和所述第二歐式距離，計(jì)算遞推距離；
將所述多個(gè)神經(jīng)元中對應(yīng)所述遞推距離最小的神經(jīng)元確定為所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。
6.一種網(wǎng)元異常檢測裝置，其特征在于，包括：
建模模塊，用于根據(jù)網(wǎng)元的歷史網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行建模獲得網(wǎng)元行為模型，所述網(wǎng)元行為模型包括多個(gè)神經(jīng)元，所述神經(jīng)元包括第一權(quán)值向量和第二權(quán)值向量，所述網(wǎng)元行為模型保留有網(wǎng)元?dú)v史狀態(tài)的上下文向量；
確定模塊，用于根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)、所述第一權(quán)值向量、所述第二權(quán)值向量和所述上下文向量，確定空間檢測門限和時(shí)間檢測門限；
獲取模塊，用于獲取所述網(wǎng)元的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)；
所述確定模塊還用于根據(jù)所述網(wǎng)元的當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)，確定所述多個(gè)神經(jīng)元中所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元；根據(jù)所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)和所述獲勝神經(jīng)元對應(yīng)的第一權(quán)值向量，確定當(dāng)前空間量化誤差；根據(jù)所述獲勝神經(jīng)元對應(yīng)的第二權(quán)值向量和所述上下文向量，確定當(dāng)前時(shí)間量化誤差；根據(jù)所述當(dāng)前空間量化誤差和所述空間檢測門限，確定所述網(wǎng)元當(dāng)前行為是否空間異常；根據(jù)所述當(dāng)前時(shí)間量化誤差和所述時(shí)間檢測門限，確定所述網(wǎng)元當(dāng)前行為是否時(shí)間異常。
7.根據(jù)權(quán)利要求6所述的網(wǎng)元異常檢測裝置，其特征在于，所述確定模塊具體用于根據(jù)所述歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量，確定建?？臻g量化誤差；根據(jù)所述建?？臻g量化誤差，確定空間檢測門限；根據(jù)所述第二權(quán)值向量和所述上下文向量，確定建模時(shí)間量化誤差；根據(jù)所述建模時(shí)間量化誤差，確定時(shí)間檢測門限。
8.根據(jù)權(quán)利要求7所述的網(wǎng)元異常檢測裝置，其特征在于，所述確定模塊包括：
計(jì)算單元，用于計(jì)算每個(gè)歷史網(wǎng)絡(luò)數(shù)據(jù)和所述第一權(quán)值向量的歐式距離，每個(gè)歷史網(wǎng)絡(luò)數(shù)據(jù)對應(yīng)的歐式距離構(gòu)成所述建?？臻g量化誤差；
確定單元，用于根據(jù)所述建?？臻g量化誤差中的最大值和最小值，確定空間檢測門限。
9.根據(jù)權(quán)利要求7所述的網(wǎng)元異常檢測裝置，其特征在于，所述確定模塊包括：
計(jì)算單元，用于計(jì)算與每個(gè)歷史網(wǎng)絡(luò)數(shù)據(jù)在同一時(shí)刻的所述上下文向量和所述第二權(quán)值向量的歐式距離，所述歐式距離構(gòu)成所述建模時(shí)間量化誤差；
確定單元，用于將所述建模時(shí)間量化誤差中的每個(gè)歐式距離按照從小到大的順序排列；將所述排列中百分位數(shù)為閾值的歐式距離確定為所述時(shí)間檢測門限。
10.根據(jù)權(quán)利要求6-9任一項(xiàng)所述的網(wǎng)元異常檢測裝置，其特征在于，所述確定單元具體用于遍歷所述多個(gè)神經(jīng)元中的每個(gè)神經(jīng)元，計(jì)算所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)和所述神經(jīng)元的第一權(quán)值向量的第一歐式距離；計(jì)算所述神經(jīng)元的第二權(quán)值向量和前一時(shí)刻的所述上下文向量的第二歐式距離；根據(jù)所述第一歐式距離和所述第二歐式距離，計(jì)算遞推距離；將所述多個(gè)神經(jīng)元中對應(yīng)所述遞推距離最小的神經(jīng)元確定為所述當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)的獲勝神經(jīng)元。