1.一种无标注多源网络流量数据漂移检测方法，其特征在于，所述方法包括：在多个网络流数据源分别部署网络流量采集器；对于每一个网络流数据源，当到达漂移检测周期时，获取漂移检测周期内的网络流量采集器采集到的网络流量数据；所述网络流量数据中包括多个数据样本，对网络流量数据样本进行处理，得到数据样本对应的样本特征；根据所述数据样本的样本特征，得到网络流量数据的数据特征矩阵，进一步得到特征转换后的降维数据特征矩阵和特征变换矩阵；将多个网络流数据源获取的降维数据特征矩阵和特征变换矩阵传输至概念漂移检测模块；在所述概念漂移检测模块中，根据所述的特征变换矩阵，将当前概念漂移检测模块中存储的历史概念数据进行特征转换，得到历史概念数据特征矩阵；根据所述降维数据特征矩阵和历史概念数据特征矩阵之间的JS散度，设置漂移检测机制，对实时无标注多源网络流量数据的概念漂移进行检测；根据所述数据样本的样本特征，得到网络流量数据的数据特征矩阵，进一步得到特征转换后的降维数据特征矩阵和特征变换矩阵，包括：对所述样本特征的矩阵中的每个样本特征进行中心化处理，得到处理后的样本特征 其中x i 表示样本特征矩阵的第i个特征；采用处理后的样本特征更新所述数据特征矩阵，得到更新后的数据特征矩阵S；计算所述更新后的数据特征矩阵的协方差矩阵 计算所述协方差矩阵对应的特征值和特征向量，并将特征值和特征向量按照特征值降序进行排序；选择排序靠前的d个特征值对应的特征向量，组成特征变换矩阵U＝[w 1 ，…，w d ]；根据所述数据样本和所述特征变换矩阵，求解Z＝S×U，得到降维后的数据特征矩阵；获取历史概念数据的步骤，包括：对于每一个数据源，从历史概念存储模块中获取其对应的历史概念数据；其中，所述历史概念存储模块，存储了对应每个网络流数据源的历史概念的数据，当每个数据源部署的网络流量采集器首次向概念漂移检测模块传输降维数据特征矩阵和特征变换矩阵时，使用特征变换矩阵将降维数据特征矩阵还原，并分别存储进对应的历史概念存储模块，作为初始的历史概念数据；根据所述数据特征矩阵和历史概念数据特征矩阵之间的JS散度，设置漂移检测机制，对实时无标注多源网络流量数据的概念漂移进行检测，包括：使用特征变换矩阵对历史概念数据的数据特征矩阵进行变换，得到特征变换后的历史概念数据特征矩阵；对所述降维后的数据特征矩阵和变换后的历史数据特征矩阵求均值，得到数据均值；根据所述降维后的数据特征矩阵和所述数据均值的KL散度，所述变换后的历史数据特征矩阵和所述数据均值的KL散度，得到所述数据特征矩阵和历史数据特征矩阵之间的JS散度；当JS散度大于预先设置的显著性参数时，确定对应数据源的网络流量数据发生漂移。
2.根据权利要求1所述的方法，其特征在于，计算数据特征矩阵和数据均值的KL散度，包括：其中，μ k 表示数据均值，z k (n)表示降维后的数据特征矩阵，KL(z k ||μ k )表示降维后的数据特征矩阵和数据均值的KL散度，数据特征数为d。
3.根据权利要求1所述的方法，其特征在于，计算特征变换后的历史概念数据特征矩阵和数据均值的KL散度，包括：其中，μ k 表示数据均值，p k (x)表示特征变换后的历史概念数据特征矩阵，KL(p k ||μ k ))表示历史数据特征矩阵和数据均值的KL散度，数据特征数为d。
4.根据权利要求1所述的方法，其特征在于，根据所述降维后的数据特征矩阵和所述数据均值的KL散度，所述变换后的历史数据特征矩阵和所述数据均值的KL散度，得到所述数据特征矩阵和历史数据特征矩阵之间的JS散度，包括：根据所述降维后的数据特征矩阵和所述数据均值的KL散度，所述变换后的历史数据特征矩阵和所述数据均值的KL散度，得到所述数据特征矩阵和历史数据特征矩阵之间的JS散度为：其中，JSD(p k ||z k )表示所述数据特征矩阵和历史数据特征矩阵之间的JS散度。
5.一种无标注多源网络流量数据漂移检测装置，其特征在于，所述装置包括：数据采集模块，用于在多个网络流数据源分别部署网络流量采集器；对于每一个网络流数据源，当到达漂移检测周期时，获取漂移检测周期内的网络流量采集器采集到的网络流量数据；所述网络流量数据中包括多个数据样本，对网络流量数据样本进行处理，得到数据样本对应的样本特征；特征转化模块，用于根据所述数据样本的样本特征，得到网络流量数据的数据特征矩阵，进一步得到特征转换后的降维数据特征矩阵和特征变换矩阵；将多个网络流数据源获取的降维数据特征矩阵和特征变换矩阵传输至概念漂移检测模块；在所述概念漂移检测模块中，根据所述的特征变换矩阵，将当前概念漂移检测模块中存储的历史概念数据进行特征转换，得到历史概念数据特征矩阵；漂移检测模块，用于根据所述降维数据特征矩阵和历史概念数据特征矩阵之间的JS散度，设置漂移检测机制，对实时无标注多源网络流量数据的概念漂移进行检测；特征转化模块还用于对所述样本特征的矩阵中的每个样本特征进行中心化处理，得到处理后的样本特征 其中x i 表示样本特征矩阵的第i个特征；采用处理后的样本特征更新所述数据特征矩阵，得到更新后的数据特征矩阵S；计算所述更新后的数据特征矩阵的协方差矩阵 计算所述协方差矩阵对应的特征值和特征向量，并将特征值和特征向量按照特征值降序进行排序；选择排序靠前的d个特征值对应的特征向量，组成特征变换矩阵U＝[w 1 ，…，w d ]；根据所述数据样本和所述特征变换矩阵，求解Z＝S×U，得到降维后的数据特征矩阵；特征转化模块还用于对于每一个数据源，从历史概念存储模块中获取其对应的历史概念数据；其中，所述历史概念存储模块，存储了对应每个网络流数据源的历史概念的数据，当每个数据源部署的网络流量采集器首次向概念漂移检测模块传输降维数据特征矩阵和特征变换矩阵时，使用特征变换矩阵将降维数据特征矩阵还原，并分别存储进对应的历史概念存储模块，作为初始的历史概念数据；漂移检测模块还用于使用特征变换矩阵对历史概念数据的数据特征矩阵进行变换，得到特征变换后的历史概念数据特征矩阵；对所述降维后的数据特征矩阵和变换后的历史数据特征矩阵求均值，得到数据均值；根据所述降维后的数据特征矩阵和所述数据均值的KL散度，所述变换后的历史数据特征矩阵和所述数据均值的KL散度，得到所述数据特征矩阵和历史数据特征矩阵之间的JS散度；当JS散度大于预先设置的显著性参数时，确定对应数据源的网络流量数据发生漂移。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
