1.一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢(shì)感知方法，其特征在于，包括：
采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值；
對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，獲取網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列；
對(duì)網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列進(jìn)行聚類(lèi)歸一化處理，獲得網(wǎng)絡(luò)流量的攻擊趨向和態(tài)勢(shì)流向。
2.如權(quán)利要求1所述的方法，其特征在于，所述Elman神經(jīng)網(wǎng)絡(luò)為帶反饋的BP神經(jīng)網(wǎng)絡(luò)。
3.如權(quán)利要求1所述的方法，其特征在于，所述采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，包括：
獲取訓(xùn)練樣本集，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練；
在對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練的過(guò)程中，通過(guò)Elman神經(jīng)網(wǎng)絡(luò)向正余雙弦算法提供訓(xùn)練的均方誤差MSE，得到正余雙弦算法反饋的權(quán)值W和閾值B，將權(quán)值W和閾值B輸入至Elman神經(jīng)網(wǎng)絡(luò)。
4.如權(quán)利要求1至3中任意一項(xiàng)所述的方法，其特征在于，所述聚類(lèi)歸一化處理為態(tài)勢(shì)感知模型的聚類(lèi)歸一化處理。
5.一種基于正余雙弦算法的網(wǎng)絡(luò)態(tài)勢(shì)感知裝置，其特征在于，包括：
調(diào)整模塊，用于采用正余雙弦算法調(diào)整Elman神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值；
優(yōu)化模塊，用于對(duì)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，獲取網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列；
聚類(lèi)模塊，用于對(duì)網(wǎng)絡(luò)流量樣本的時(shí)間序列、網(wǎng)絡(luò)流量經(jīng)緯度的時(shí)間序列和網(wǎng)絡(luò)流量流向的時(shí)間序列進(jìn)行聚類(lèi)歸一化處理，獲得網(wǎng)絡(luò)流量的攻擊趨向和態(tài)勢(shì)流向。
6.如權(quán)利要求5所述的裝置，其特征在于，所述Elman神經(jīng)網(wǎng)絡(luò)為帶反饋的BP神經(jīng)網(wǎng)絡(luò)。
7.如權(quán)利要求5所述的裝置，其特征在于，所述調(diào)整模塊包括：
訓(xùn)練單元，用于獲取訓(xùn)練樣本集，利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練；
獲取單元，用于在對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練的過(guò)程中，通過(guò)Elman神經(jīng)網(wǎng)絡(luò)向正余雙弦算法提供訓(xùn)練的均方誤差MSE，得到正余雙弦算法反饋的權(quán)值W和閾值B，將權(quán)值W和閾值B輸入至Elman神經(jīng)網(wǎng)絡(luò)。
8.如權(quán)利要求5至7中任意一項(xiàng)所述的裝置，其特征在于，所述聚類(lèi)歸一化處理為態(tài)勢(shì)感知模型的聚類(lèi)歸一化處理。