1.一种基于大数据和神经网络分析计算机网络态势的方法，其特征在于，包括以下步骤：

步骤S1，采集分布式数据，对分布式数据进行预处理生成模型训练集，并存储至NoSQL数据库；

步骤S2，构建基于长短期记忆网络的网络态势分析模型，用模型训练集训练网络态势分析模型，并将迭代次数和学习率预设完整；

所述网络态势分析模型由依次连接的卷积模块、批归一化模块、参数修正模块、全局池化模块、长短期记忆网络模块、第一全连接模块、第二全连接模块、类别损失函数模块和定位回归损失函数模块构成；依次将卷积模块、批归一化模块、参数修正模块、全局池化模块、长短期记忆网络模块串联连接；将长短期记忆网络模块分别和第一全连接模块、第二全连接模块连接；将第一全连接模块和类别损失函数模块连接，将第二全连接模块和定位回归损失函数模块连接；

步骤S3，使用网络态势分析模型对分布式数据进行关联分析和深度学习，将分布式数据集输入网络态势分析模型中进行训练，生成训练好的网络态势分析模型，并利用类别损失函数和定位回归损失函数计算预测值和真实值之间的损失值；包括：将分布式数据集输入进网络态势分析模型后利用卷积模块、批归一化模块和参数修正模块提取分布式数据集的局部信息，与此同时卷积模块对分布式数据进行采样，再深度挖掘分布式数据集，最后由全局池化模块、长短期记忆网络模块和全连接模块将分布式数据集的特征信息聚合之后，使用类别损失函数模块和定位回归损失函数模块中的二元交叉熵损失函数和平滑L1损失函数计算分布式数据集预测点与真实点的损失值，利用学习率下降法不断迭代衰减损失值，优化网络态势分析模型的权重参数，直到迭代次数等于最大迭代次数，中止训练，生成训练好的网络态势分析模型；

步骤S4，再次采集分布式数据，将分布式数据集输入进训练好的网络态势分析模型中，通过深度挖掘分析对网络态势进行评估，并进行可视化展示。

2.根据权利要求1所述的一种基于大数据和神经网络分析计算机网络态势的方法，其特征在于，所述步骤S1中采集分布式数据的方法包括：使用系统日志采集工具采集分布式数据、使用互联网数据采集方式采集分布式数据或使用ETL工具采集分布式数据。

3.根据权利要求1所述的一种基于大数据和神经网络分析计算机网络态势的方法，其特征在于，所述步骤S1中对分布式数据进行预处理的方法具体包括：对分布式数据依次进行数据清洗、数据集成、数据变换和数据规约。

4.根据权利要求1所述的一种基于大数据和神经网络分析计算机网络态势的方法，其特征在于，包括：所述卷积模块、批归一化模块和参数修正模块通过串联组合连接，用于解决分布式数据集的无序性，增加分布式数据集的局部特征。

5.根据权利要求1所述的一种基于大数据和神经网络分析计算机网络态势的方法，其特征在于，包括：所述类别损失函数模块采用改进之后的二元交叉熵损失函数，用于计算预测类别值与预测概率值之间的损失值；

所述定位回归损失函数模块采用改进之后的平滑L1损失函数，计算候选区域与真实边界框之间的损失值。

6.根据权利要求1所述的一种基于大数据和神经网络分析计算机网络态势的方法，其特征在于，所述步骤S4中进行可视化展示的方法包括：使用标签云的方法、使用流式地图的方法、使用聚类图的方法、使用空间信息流的方法或使用热图的方法进行可视化展示。

7.一种基于大数据和神经网络分析计算机网络态势的系统，其特征在于，包括大数据采集单元、大数据预处理单元、大数据存储单元、大数据分析与挖掘单元、大数据可视化单元，其中：大数据采集单元，用于采集分布式数据；

大数据预处理单元，用于对分布式数据进行预处理生成模型训练集；

大数据存储单元，用于将预处理的分布式数据存储至NoSQL数据库；

大数据分析与挖掘单元，用于构建基于长短期记忆网络的网络态势分析模型，用模型训练集训练网络态势分析模型，并将迭代次数和学习率预设完整；

网络态势分析模型由依次连接的卷积模块、批归一化模块、参数修正模块、全局池化模块、长短期记忆网络模块、第一全连接模块、第二全连接模块、类别损失函数模块和定位回归损失函数模块构成；依次将卷积模块、批归一化模块、参数修正模块、全局池化模块、长短期记忆网络模块串联连接；将长短期记忆网络模块分别和第一全连接模块、第二全连接模块连接；将第一全连接模块和类别损失函数模块连接，将第二全连接模块和定位回归损失函数模块连接；

通过大数据分析与挖掘单元使用网络态势分析模型对分布式数据进行关联分析和深度学习，利用类别损失函数和定位回归损失函数指导网络态势分析模型并优化权重参数，将分布式数据集以数据输入网络态势分析模型中进行训练，生成训练好的网络态势分析模型，并计算预测值和真实值之间的损失值；包括：将分布式数据集输入进网络态势分析模型后利用卷积模块、批归一化模块和参数修正模块提取分布式数据集的局部信息，与此同时卷积模块对分布式数据进行采样，再深度挖掘分布式数据集，最后由全局池化模块、长短期记忆网络模块和全连接模块将分布式数据集的特征信息聚合之后，使用类别损失函数模块和定位回归损失函数模块中的二元交叉熵损失函数和平滑L1损失函数计算分布式数据集预测点与真实点的损失值，利用学习率下降法不断迭代衰减损失值，优化网络态势分析模型的权重参数，直到迭代次数等于最大迭代次数，中止训练，生成训练好的网络态势分析模型；

通过大数据分析与挖掘单元再次采集分布式数据，将分布式数据集输入进训练好的网络态势分析模型中，通过深度挖掘分析对网络态势进行评估；

大数据可视化单元，用于对网络态势的评估结果进行可视化展示。