1.基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，包括以下步骤：S1、根据网络入侵及攻击检测的数据类型将其划分为若干个分类，每个类中选出适应度较大的个体作为该类的达标组成一个种群，使用动态模糊聚类对初始化种群pini进行小生境划分，实现种群初始化，采用实数编码的方式实现对种群的编码；

S2、获取个体适应度值并对适应度值前Q的个体进行降序排序；

S3、采用期待值算法进行遗传过程中的选择操作，使用自适应方法对交叉算子和变异算子进行处理，完成选择、交叉、变异遗传操作；

S4、采用动态模糊淘汰机制实现小生境整体淘汰；

S5、使用基于动态模糊聚类优化后的自适应遗传算法对初始权值分布进行粗略调整优化，在解空间中找出神经网络权值分布较优的搜索空间；

S6、使用BP算法在这个较小的解空间中搜索出最优解，采用基于动态模糊聚类优化后的自适应遗传算法对神经网络权值进行优化；

S7、建立三参数区间灰数序列；

S8、设系统特征为数据序列及其相关因素序列均为三参数区间灰数序列，获取由GM(0,N)模型推广到三参数区间灰数信息下的SGM(0,N)模型；

S9、使用基于动态模糊聚类和自适应遗传算法优化的BP神经网络改进SGM模型，构建优化后的BP神经网络与SGM(0,N)模型相结合的SGBP(0,N)预测模型，并分别取SGM(0,N)模型下界、中间值、上界序列的预测值，作为BP神经网络的输入项，取其实际值作为输出项，训练神经网络，最终利用该模型进行网络安全预测。

2.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，个体适应度值表示为：其中，f为个体适应度值，Yt为输出层第t个节点的实际输出量，Y′t为输出层第t个节点的期望输出量，n为输出层节点的总个数。

3.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，步骤S4具体包括以下步骤：S41、对个体的实数基因码制进行归一化处理；

S42、根据归一化的操作，构建个体间的模糊相似矩阵R；

S43、通过寻找存在模糊矩阵R的最小传递闭包，获得相应的模糊等价矩阵T，并利用T进行种群的聚类，比较相似系数β与每对个体间的等价系数Tpq，若β≤Tpq，则将个体xp和xq划分为同一小生境，以此类推，直到所有个体均被划分到小生境中；

S44、根据每代的等价模糊等价矩阵以及种群个体数，对相似度系数λ动态更新；

S45、通过每个小生境中个体适应度值大小的比较，对适应度值相对较小的个体施加惩罚因子；

S46、判断若某小生境的适应度值远小于其他小生境，则用满足适应度要求的个体进行替换。

4.根据权利要求3所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，模糊矩阵R表示为：其中， 表示个体xp的第j位置的基因码制归一化之后的值，chromlen表示种群个体的维度。

5.根据权利要求3所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，更新相似度系数λ包括：其中，λt表示相似度系数，Tmaxj表示最大适应度值个体与xmax与个体xj之间的等价系数，N表示种群的总个体数。

6.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，步骤S5具体包括以下步骤：S51、初始化种群P，包括交叉规模、交叉概率pc、突变概率pm以及对任意WIHij和WHOji初始化，采用实数进行编码，初始化种群取25；

S52、计算每一个个体评价函数，并将其排序，按 概率值选择网络个体，其中个体i的适配值fi表示为：S53、以概率Pc对个体Gi和Gi+1进行交叉操作，产生新个体Gi和Gi+1，没有进行交叉操作的个体直接进行复制；

S54、利用概率Pm进行突变操作产生Gi的新个体G；

S55、将新个体插入到种群P中，并计算新个体的评价函数；

S56、计算神经网络的误差平方和，若达到预定值εGA，即找到满意个体，跳转步骤S57，否则转步骤S53；

S57、以遗传算法的优化初值作为初始权值，用BP算法训练网络在，直到指定精度εBP，且εGA<εGA，将最终群体中的最优个体解码得到优化后的网络连接权系数；

其中，k为输出层结点数，p为学习样本数，WIHij为输入层中第i结点的输出，WHOji为隐含层中第j结点于输出层第i结点的连接权值，Vk表示学习样本信号，Tk表示教师信号。

7.根据权利要求1所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，步骤S8中三参数区间灰数信息下的SGM(0,N)模型下求解过程具体包括以下步骤：S81、数据预处理，根据实际需求确定构建模型所需样本数，并根据三参数区间灰数数据序列的一阶累加序列求得该样本一阶累加序列；

S82、确定系统行为序列，从下界序列 中界序列 以及上界序列 中选取一个；

S83、确定相关因素序列，选取所有相关因素序列的系统行为序列；

S84、运用灰色关联分析法，确定相关因素对系统行为序列变量发展的影响大小，确定Nv值，建立GM(0,Nv)模型并求解，其中，Nv表示由灰色关联分析法所确定的Nv阶微分方程；

S85、重复步骤S82～S84，分别获取根据每个系统行为序列下GM(0,Nv)模型的预测值；

S86、重复步骤S82、S83、S84、S85，分别选取下界序列 中间值序列 上界序列为系统行为序列，并分别选取所有相关因素序列的下界、中间值、上界序列作为相关因素，根据所建立的GM(0,Nv)模型求解所得到的预测值，预测值包括选取下界序列 为系统行为序列，并选取所有相关元素的下界值序列得到的预测值 选取所有相关元素的中间值序列得到的预测值 选取所有相关元素的上界序列得到的预测值选取中间序列 为系统行为序列，并选取所有相关元素的下界值序列得到的预测值 选取所有相关元素的中间值序列得到的预测值 选取所有相关元素的上界序列得到的预测值 选取上界序列 为系统行为序列，并选取所有相关元素的下界值序列得到的预测值 选取所有相关元素的中间值序列得到的预测值 选取所有相关元素的上界序列得到的预测值 k＝1,2,…,n，k表示预测序列顺序，n为系统特征行为数据序列元素的总个数。

S87、对获取的预测值，进行一阶累减还原得到初步预测值，并将该值作为SGM(0,N)模型的预测值。

8.根据权利要求7所述的基于动态模糊聚类和灰色神经网络的网络安全预测方法，其特征在于，SGBP(0,N)预测模型的构建包括：取SGM(0,N)模型下界序列的预测值，作为基于动态模糊聚类和自适应遗传算法的BP神经网络的输入项，实际值作为输出项，训练神经网络，再输入需要预测的SGM(0,N)得到的预测值进行仿真，求出最终值；重复上述步骤，依次得到中间值序列、上界序列的最终值，并使用三参数区间灰数表达数据样本。