1.一种基于深度学习的网络安全测试评估方法，其特征在于，所述基于深度学习的网络安全测试评估方法包括以下步骤：获取网络安全测试评估请求，根据所述网络安全测试评估请求，采集目标网络的网络流量数据集；

对所述网络流量数据集进行预处理，生成预处理后的网络流量数据集，对预处理后的网络流量数据集进行数据特征分析，得到网络特征数据集；

将所述网络特征数据集输入预先训练得到的测试评估模型，通过所述测试评估模型对所述目标网络进行网络安全测试评估，并输出目标网络的评估结果；

根据目标网络的评估结果确定对应的网络安全等级，基于所述网络安全等级，为目标网络的当前网络安全态势分配对应的安全分类标识，并根据所述安全分类标识发出告警，以进行安全防护。

2.如权利要求1所述的一种基于深度学习的网络安全测试评估方法，其特征在于，所述对所述网络流量数据集进行预处理，生成预处理后的网络流量数据集，包括：遍历所述网络流量数据集，采用独热编码对所述网络流量数据集进行数值化处理；

对经过独热编码处理后的网络流量数据集中的数值型数据进行无量纲化处理，并对网络流量数据集进行归一化处理，得到预处理后的网络流量数据集，其中所述归一化处理方法至少为min‑max 标准化、标准差归一化或零均值归一化中一种。

3.如权利要求1所述的一种基于深度学习的网络安全测试评估方法，其特征在于，所述对预处理后的网络流量数据集进行数据特征分析，得到网络特征数据集，包括：分别通过ET算法和XGBoost算法计算得到预处理后的网络流量数据集中网络流量特征评分，并根据网络流量特征评分进行重要性排序，生成第一重要性排序结果和第二重要性排序结果，其中所述第一重要性排序结果基于ET算法生成，所述第二重要性排序结果基于XGBoost算法生成；

通过皮尔逊相关系数算法得到预处理后的网络流量数据集中特征与标签类别之间的相关度系数，并对相关度系数进行排序，生成相关度系数排序结果；

根据所述第一重要性排序结果生成第一权重向量，根据所述第二重要性排序结果生成第二权重向量，根据所述相关度系数排序结果生成第三权重向量；

将所述第一权重向量、第二权重向量和第三权重向量进行加权合并，得到混合特征权重向量；

将所述混合特征权重向量的值按照从高到低的顺序进行降序排列，将排名靠后的冗余特征进行精简去除，选取权重值较高的特征作为网络特征数据集。

4.如权利要求3所述的一种基于深度学习的网络安全测试评估方法，其特征在于，所述分别通过ET算法和XGBoost算法计算得到预处理后的网络流量数据集中网络流量特征评分，并根据网络流量特征评分进行重要性排序，生成第一重要性排序结果和第二重要性排序结果，包括：将预处理后的网络流量数据集作为决策树构建过程中的输入数据，在特征节点分裂的过程中，计算每个特征节点的基尼指数，当决策树构建完成后，基于每个特征节点的基尼指数与位置关系，得到每个特征的分数，并通过分数对特征重要性进行评估，得到第一重要性排序结果；

将预处理后的网络流量数据集中的特征进行预排序，按照预排序针对每个特征中的分割点进行迭代循环计算，找到每个特征收益最大的分割点；遍历所有特征的收益，选择收益最大的特征作为分裂节，随着预处理后的网络流量数据集的分裂，对每一次分裂记录一次特征的增益评分，通过计算网络流量特征在每棵树的增益评分总和，并通过加权平均的方式计算重要性评分，进行重要性评估得到第二重要性排序结果。

5.如权利要求3所述的一种基于深度学习的网络安全测试评估方法，其特征在于，所述通过皮尔逊相关系数算法得到预处理后的网络流量数据集中特征与标签类别之间的相关度系数，并对相关度系数进行排序，生成相关度系数排序结果，包括：获取预处理后的网络流量数据集中特征及对应的标签类别，初始化网络流量特征相关度集合；

计算特征和标签类别之间的皮尔逊相关系数；

选择第一个特征，寻找最大化皮尔逊相关系数的特征，确定特征的相关度之后从预处理后的网络流量数据集中移除最大化皮尔逊相关系数的特征；

直到计算出全部特征的相关度，将计算得到的特征相关度输入到网络流量特征相关度集合，对网络流量特征相关度集合中相关度系数进行排序，生成相关度系数排序结果。

6.如权利要求1所述的一种基于深度学习的网络安全测试评估方法，其特征在于，所述将所述网络特征数据集输入预先训练得到的测试评估模型，通过所述测试评估模型对所述目标网络进行网络安全测试评估，并输出目标网络的评估结果，包括：将所述网络特征数据集中的数据切分为端口号属性和其他属性；

将所述端口号属性输入测试评估模型的全连接层，使用全连接层动态学习端口号属性，输出学习后的端口号注意力值；

将学习后的端口号注意力值与其他属性进行点乘操作，得到端口号注意力后数据，将所述端口号注意力后数据作为一维网络流量；

将一维网络流量归一化后映射成二维网络流量灰度图，使用二维卷积结合CBAM去学习二维网络流量灰度图的特征，得到通道注意力与空间注意力相结合的特征图，进行特征融合，将融合后的特征输入到全连接层中进行测试评估，输出目标网络的评估结果。

7.如权利要求6所述的一种基于深度学习的网络安全测试评估方法，其特征在于，所述使用二维卷积结合CBAM去学习二维网络流量灰度图的特征，得到通道注意力与空间注意力相结合的特征图，包括：通道注意力模块对输入的二维网络流量灰度图按通道进行全局最大池化和均值池化，将池化后的两个一维向量送入全连接层运算后相加，生成一维通道注意力，再将通道注意力与输入特征图相乘，得到通道注意力调整后的特征图；

空间注意力模块将通道注意力调整后的特征图按空间进行全局最大池化和均值池化，将池化生成的两个二维向量拼接后进行卷积操作，最终生成二维空间注意力，再将空间注意力与通道注意力调整后的特征图按元素相乘，得到通道注意力与空间注意力相结合的特征图。

8.一种基于深度学习的网络安全测试评估系统，其特征在于，所述基于深度学习的网络安全测试评估系统包括采集数据模块、数据特征分析模块、测试评估模块和安全防护模块，其中：采集数据模块，用于获取网络安全测试评估请求，根据所述网络安全测试评估请求，采集目标网络的网络流量数据集；

数据特征分析模块，用于对所述网络流量数据集进行预处理，生成预处理后的网络流量数据集，对预处理后的网络流量数据集进行数据特征分析，得到网络特征数据集；

测试评估模块，用于将所述网络特征数据集输入预先训练得到的测试评估模型，通过所述测试评估模型对所述目标网络进行网络安全测试评估，并输出目标网络的评估结果；

安全防护模块，用于根据目标网络的评估结果确定对应的网络安全等级，基于所述网络安全等级，为目标网络的当前网络安全态势分配对应的安全分类标识，并根据所述安全分类标识发出告警，以进行安全防护。

9.如权利要求8所述的一种基于深度学习的网络安全测试评估系统，其特征在于，所述数据特征分析模块包括重要性排序子模块、相关度排序子模块、权重向量生成子模块、加权合并子模块和降序排列子模块，其中：重要性排序子模块，用于分别通过ET算法和XGBoost算法计算得到预处理后的网络流量数据集中网络流量特征评分，并根据网络流量特征评分进行重要性排序，生成第一重要性排序结果和第二重要性排序结果；

相关度排序子模块，用于通过皮尔逊相关系数算法得到预处理后的网络流量数据集中特征与标签类别之间的相关度系数，并对相关度系数进行排序，生成相关度系数排序结果；

权重向量生成子模块，用于根据所述第一重要性排序结果生成第一权重向量，根据所述第二重要性排序结果生成第二权重向量，根据所述相关度系数排序结果生成第三权重向量；

加权合并子模块，用于将所述第一权重向量、第二权重向量和第三权重向量进行加权合并，得到混合特征权重向量；

降序排列子模块，用于将所述混合特征权重向量的值按照从高到低的顺序进行降序排列，将排名靠后的冗余特征进行精简去除，选取权重值较高的特征作为网络特征数据集。

10.如权利要求8所述的一种基于深度学习的网络安全测试评估系统，其特征在于，所述测试评估模块包括数据切分子模块、动态学习子模块、乘操作子模块和特征融合子模块，其中：数据切分子模块，用于将所述网络特征数据集中的数据切分为端口号属性和其他属性；

动态学习子模块，用于将所述端口号属性输入测试评估模型的全连接层，使用全连接层动态学习端口号属性，输出学习后的端口号注意力值；

乘操作子模块，用于将学习后的端口号注意力值与其他属性进行点乘操作，得到端口号注意力后数据，将所述端口号注意力后数据作为一维网络流量；

特征融合子模块，用于将一维网络流量归一化后映射成二维网络流量灰度图，使用二维卷积结合CBAM去学习二维网络流量灰度图的特征，得到通道注意力与空间注意力相结合的特征图，进行特征融合，将融合后的特征输入到全连接层中进行测试评估，输出目标网络的评估结果。