1.一种用于网络技术服务的信息处理方法，其特征在于，包括：获取预定时间段内多个预定时间点的网络流量值；

将所述多个预定时间点的网络流量值按照时间维度排列为网络流量时序输入向量；

计算所述网络流量时序输入向量中相邻两个预定时间点的网络流量值之间的差值以得到网络流量变化时序输入向量；

将所述网络流量时序输入向量和所述网络流量变化时序输入向量进行级联以得到网络流量多维度时序输入向量；

将所述网络流量多维度时序输入向量通过包含第一卷积层和第二卷积层的网络流量模式特征提取器以得到网络流量时序特征向量；

基于高斯密度图对所述网络流量时序特征向量进行特征表达强化以得到网络流量时序特征矩阵；

将所述网络流量时序特征矩阵通过空间注意力模块以得到分类特征矩阵；

对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示网络流量是否正常。

2.根据权利要求1所述的用于网络技术服务的信息处理方法，其特征在于，将所述网络流量多维度时序输入向量通过包含第一卷积层和第二卷积层的网络流量模式特征提取器以得到网络流量时序特征向量，包括：将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第一卷积层以得到第一尺度网络流量特征向量；

将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第二卷积层以得到第二尺度网络流量特征向量；以及融合所述第一尺度网络流量特征向量和所述第二尺度网络流量特征向量以得到所述网络流量时序特征向量。

3.根据权利要求2所述的用于网络技术服务的信息处理方法，其特征在于，所述网络流量模式特征提取器的第一卷积层和第二卷积层分别采用不同尺度的一维卷积核。

4.根据权利要求3所述的用于网络技术服务的信息处理方法，其特征在于，基于高斯密度图对所述网络流量时序特征向量进行特征表达强化以得到网络流量时序特征矩阵，包括：使用高斯密度图以如下高斯密度公式构造所述网络流量时序特征向量的强化高斯密度图；

其中，所述高斯密度公式为： ，其中，表示所述网络流量时序特征向量，且的每个位置的值表示所述网络流量时序特征向量中相应两个位置的特征值之间的方差；以及对所述强化高斯密度图的各个位置的高斯分布进行离散化处理以得到所述网络流量时序特征矩阵。

5.根据权利要求4所述的用于网络技术服务的信息处理方法，其特征在于，将所述网络流量时序特征矩阵通过空间注意力模块以得到分类特征矩阵，包括：所述空间注意力模块的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；

对所述卷积特征图进行池化处理以生成池化特征图；

对所述池化特征图进行非线性激活以生成激活特征图；

计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；

计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；

其中，所述空间注意力模块的最后一层输出的所述特征矩阵为所述分类特征矩阵。

6.根据权利要求5所述的用于网络技术服务的信息处理方法，其特征在于，对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到优化分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到所述优化分类特征矩阵；

其中，所述优化公式为：

，其中， 是所述分类特征矩阵的尺

度， 是所述分类特征矩阵 的第 位置的特征值， 表示所述分类特征矩阵 的Frobenius范数的平方，且 是加权超参数， 是所述优化分类特征矩阵的第 位置的特征值。

7.根据权利要求6所述的用于网络技术服务的信息处理方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示网络流量是否正常，包括：将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量；

使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

8.一种用于网络技术服务的信息处理系统，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的网络流量值；

向量排列模块，用于将所述多个预定时间点的网络流量值按照时间维度排列为网络流量时序输入向量；

差值计算模块，用于计算所述网络流量时序输入向量中相邻两个预定时间点的网络流量值之间的差值以得到网络流量变化时序输入向量；

向量级联模块，用于将所述网络流量时序输入向量和所述网络流量变化时序输入向量进行级联以得到网络流量多维度时序输入向量；

特征提取模块，用于将所述网络流量多维度时序输入向量通过包含第一卷积层和第二卷积层的网络流量模式特征提取器以得到网络流量时序特征向量；

特征表达强化模块，用于基于高斯密度图对所述网络流量时序特征向量进行特征表达强化以得到网络流量时序特征矩阵；

空间编码模块，用于将所述网络流量时序特征矩阵通过空间注意力模块以得到分类特征矩阵；

分布增益模块，用于对所述分类特征矩阵进行基于概率密度特征模仿范式的分布增益以得到优化分类特征矩阵；以及分类模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示网络流量是否正常。

9.根据权利要求8所述的用于网络技术服务的信息处理系统，其特征在于，所述特征提取模块，用于：将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第一卷积层以得到第一尺度网络流量特征向量；

将所述网络流量多维度时序输入向量通过所述网络流量模式特征提取器的所述第二卷积层以得到第二尺度网络流量特征向量；以及融合所述第一尺度网络流量特征向量和所述第二尺度网络流量特征向量以得到所述网络流量时序特征向量。

10.根据权利要求9所述的用于网络技术服务的信息处理系统，其特征在于，所述网络流量模式特征提取器的第一卷积层和第二卷积层分别采用不同尺度的一维卷积核。