1.一种面向网络管理系统的故障检测方法,其特征在于，包括以下步骤：步骤1、获取原始不均衡网络故障数据集NF，对NF进行压缩和过滤操作，得到处理后数据集NF＇，NF＇包括样本，样本包括两种类型样本，两种类型样本是指非故障样本和故障样本；

步骤2、获取不均衡比例I，所述不均衡比例I＝非故障样本的数目/故障样本的数目；

步骤3、预先设置一个采样后的两种类型样本数目的比例I′，I′>I，根据I′获取新合成故障数据样本的数目N，N＝I′×故障样本的数目‑非故障样本的数目；

步骤4、构建新合成故障数据样本的空间分布分配规则：首先对于故障样本，使用k‑means方法聚类划分为K个子簇；

其次对于非故障样本和故障样本划分后的各个子簇，分别获取非故障样本的类中心以及故障样本每个子簇的簇中心，得到各子簇簇中心到非故障样本的类中心的类‑簇间距离；

根据第i子簇簇中心到非故障样本的类中心的类‑簇间距离di，建立权重值计算公式，根据权重值计算公式和di计算出第i子簇的权重值获取故障样本的第i子簇待新合成的故障数据样本数Ni＝Wi·N；

步骤5、构建新合成故障数据样本的合成规则：首先以子簇为单位，遍历第i子簇中故障样本到该子簇簇中心的距离，故障样本按距离大小升序排列，选取前Mi个故障数据样本作为第i子簇的优选样例Ai，根据合成方法，使用Ai合成第i子簇的新故障数据样本；其中， k为基于K近邻算法寻找某一优选样例的k个最近的邻居样本；

之后，将各子簇的新故障数据样本加入到NF＇中，获得均衡数据集NFB；

步骤6、建立XGB‑RF网络故障检测模型：首先，获得NFB中的第m个样本特征vm，利用XGBoost算法构建出分类效果最优的XGBoost模型；其中，m＝1,2,3,…M，M为样本特征总数；

根据每个vm在XGBoost算法中的所有树中分割训练NFB的次数，计算vm的重要性得分Sm，选择n个Sm值最大的样本特征，1

将完成特征选择的NFB输入到随机森林模型中，实现网络故障检测模型的构建。

2.根据权利要求1所述的一种面向网络管理系统的故障检测方法,其特征在于，步骤6中，所述特征重要性得分 其中 表示损失函数，n‘m表示在构建出分类效果最优的XGBoost模型的过程中、使用vm分割训练NFB的次数，n′为初始迭代次数，γ表示惩罚系数，λ表示惩罚项，wL和wR分别表示vm分割后得到的左子树和右子树的权重。

3.根据权利要求1所述的一种面向网络管理系统的故障检测方法,其特征在于，第i子簇簇中心到非故障样本的类中心的类‑簇间距离其中，非故障样本的类中心是通过求类中所有数据点的平均值求得的，即(A1,A2,…,AM)为非故障样本中每个特征中所有样本的均值； 为第i子簇的簇中心， 表示第i子簇簇中心样本的第m特征的值，Am为非故障样本中第m特征。

4.基于权利要求1所述的一种面向网络管理系统的故障检测方法的装置,其特征在于，包括数据预处理模块、故障数据样本获取模块、处理模块、新样本合成模块以及故障检测模块，其中，

数据预处理模块，用于原始不均衡网络故障数据的压缩和过滤操作，得到处理后数据集NF＇；

故障数据样本获取模块，用于获取NF＇；

处理模块，用于计算故障样本各簇待新合成的故障数据样本数；

新样例合成模块：用于构建新合成故障数据样本的合成规则，获得均衡数据集NFB；

故障检测模块，用于建立XGB‑RF网络故障检测模型，实现网络故障检测。