1.基于全局注意力时域卷积网络的网络故障预测方法，其特征在于，包括如下步骤：步骤1，将网络故障数据进行序列化并划分训练集和测试集；

步骤2，构建一个基于全局注意力时域卷积网络模型，包含时域卷积网络层，全局注意力层以及门控融合层；

步骤3，利用训练集对步骤2构建的基于全局注意力时域卷积网络模型进行训练；

步骤4，利用训练好的网络模型预测网络故障。

2.根据权利要求1所述的基于全局注意力时域卷积网络的网络故障预测方法，其特征在于：步骤1的具体实现方式如下；

步骤(1.1)，对于网络故障的数据，根据其发生的时间节点参照时间序列化基准转化为样本序列；

步骤(1.2)，对于序列化的数据，将70％的网络故障数据作为训练集，30％的网络故障数据作为测试集。

3.根据权利要求1所述的基于全局注意力时域卷积网络的网络故障预测方法，其特征在于：步骤2的具体实现方式如下；

步骤(2.1)，构建一个时域卷积网络层，时域卷积网络层包括因果卷积，扩张卷积，残差连接部分，时域卷积网络层的输入是向量集合：x＝(x1,x2,x3,...,xt)其中，xt表示的是输入的故障时间序列；

因果卷积对输入的向量进行计算和特征提取，因果卷积具有很强的时间限制，在t时刻的故障预测，只能用t时刻之前的故障数据进行网络故障预测：其中，p是对t时刻之前的故障数据进行特征提取，T表示的是特征提取数据的截至时间；

因果卷积对特征的提取取决于卷积核的大小，为能学习到更多的时间故障信息，引入扩张卷积，增大感受野的范围，并减小计算量：fk_d＝(d‑1)×(fk‑1)+fk其中，fk_d表示的是添加扩张卷积之后的卷积核大小，d表示的是在卷积核内部插入的空洞数，fk表示的是插入前的卷积核大小；

为了避免在深度学习中出现梯度消失，使用ReLU函数作为激活函数：经过因果卷积，扩张卷积，激活函数，Dropout层输出F(x)，为了提高模型的泛化能力，解决深层的网络结构引起的梯度爆炸问题，使用残差连接：H＝x+F(x)

其中，x表示输入的向量集合，H表示经过残差块结构之后的输出结果；

步骤(2.2)，构建一个全局注意力层，用全局注意力机制来挖掘网络故障之间的复杂关系，在得到预测可能发生网络故障的时候，利用全局注意力机制从目标对象中选择信息，得T

到不同的部分对于网络故障的影响程度，计算公式如下：a＝hReLU(Wa[ht]+ba)，其中，a指的是全局注意力向量，Wa和ba为全局注意力网络的权重矩阵和偏移向量，ht表示的是输入特T

征，h是表示将隐藏层的输出表示为注意力权重向量的投影，将ReLU作为激活函数，通过softmax函数，将注意力向量进行归一化，得到at，at表示t时刻的网络故障的注意力权重：at,i表示的是t时刻之前的第i个时刻的值，在经过全局注意力层之后，注意力分数和网络故障预测加权表示：

ht＝∑Ht·at

步骤(2.3)，构建一个门控融合层，用于对网络故障影响的多种结果进行融合，得出最终对网络故障的预测结果：

g＝sigmoid(w1ui+w2ht+b)out＝g*ui+(1‑g)*ht其中，g表示的是Gate门控融合，w1，w2分别表示的是两个权重，b表示的是偏置值，ui表示的是故障时间向量。

4.根据权利要求3所述的基于全局注意力时域卷积网络的网络故障预测方法，其特征在于：在门控融合层采用sigmoid函数作为激活函数。