1.一种基于r-GRU网络的工业互联网跨域访问请求潜在风险判别方法，其特征在于，包括如下步骤：步骤1、采集网络设备上实际工业互联网跨域访问请求，通过数据包级别和会话流级别提取基于时间信息的多维工业互联网跨域访问请求数据指纹；步骤2、利用相应的嵌入技术将每个网络设备上的工业互联网跨域访问请求的相关数据指纹转换为密集且连续的向量；工业互联网跨域访问请求nf i 在t时间片的指纹表示如下：其中， 是连接算子， 表示工业互联网跨域访问请求在t时间片的IP地址信息， 表示工业互联网跨域访问请求在t时间片的端口号信息， 表示工业互联网跨域访问请求在t时间片的协议类型信息， 表示工业互联网跨域访问请求在t时间片的标志位信息，在t时间片， 无缝集成了每个网络设备上的工业互联网跨域访问请求nf i 所有信息指纹；步骤3、利用r-GRU网络训练和提取每个网络设备上基于时间的工业互联网跨域访问请求数据指纹；在r-GRU网络中，重置门、候选知识、更新门和隐藏状态分别设置为：其中，符号“⊙”表示逐元素乘法， σ是ReLu、sigmoid、tanh的非线性激活函数，W,V,W Z 和V Z 分别表示对应的权重矩阵，I表示单位矩阵；工业互联网跨域访问请求nf i 在T个时间片的嵌入信息如下所示：步骤4、使用多层感知机MLP技术对r-GRU网络生成的隐式表达向量进一步提取更高维度的基于时间的工业互联网跨域访问请求数据指纹；其中， 和 分别为工业互联网跨域访问请求nf i 的第一层权重矩阵和偏置项， 和 分别为第二层权重矩阵和偏置项，以此类推；步骤5、根据工业互联网跨域访问请求数据的嵌入信息和利用深度学习网络获得的基于时间的工业互联网跨域访问请求数据指纹计算出重构误差，通过统计重构误差的分布确定检测阈值τ，阈值τ计算过程如下：其中，N表示工业互联网跨域访问请求数据的数量；当新输入工业互联网跨域访问请求数据的重构误差大于该阈值时则可认为该数据为异常工业互联网跨域访问请求数据。
2.如权利要求1所述的基于r-GRU网络的工业互联网跨域访问请求潜在风险判别方法，其特征在于，步骤1中，请求数据指纹包括IP地址信息、端口号信息、协议类型信息、标志位信息。
3.一种如权利要求1所述的基于r-GRU网络的工业互联网跨域访问请求潜在风险判别方法的判别系统，其特征在于，包括：数据采集模块、数据转换模块、数据提取模块和数据计算模块；数据采集模块采集网络设备上实际工业互联网跨域访问请求，通过数据包级别和会话流级别提取基于时间信息的多维工业互联网跨域访问请求数据指纹；数据转换模块利用相应的嵌入技术将每个网络设备上的工业互联网跨域访问请求的相关数据指纹转换为密集且连续的向量；数据提取模块通过两次提取更高维度的基于时间的工业互联网跨域访问请求数据指纹，第一次利用r-GRU网络训练和提取每个网络设备上基于时间的工业互联网跨域访问请求数据指纹，第二次使用多层感知机MLP技术对r-GRU网络生成的隐式表达向量进一步提取更高维度的基于时间的工业互联网跨域访问请求数据指纹；数据计算模块根据工业互联网跨域访问请求数据的嵌入信息和利用深度学习网络获得的基于时间的工业互联网跨域访问请求数据指纹计算出重构误差，数据计算模块计算出重构误差，通过统计重构误差的分布确定检测阈值τ，当新输入工业互联网跨域访问请求数据的重构误差大于该阈值时则认为该数据为异常工业互联网跨域访问请求数据。
4.如权利要求3所述的基于r-GRU网络的工业互联网跨域访问请求潜在风险判别系统，其特征在于，数据采集模块采集网络设备上实际工业互联网跨域访问请求，请求的相关数据指纹包括IP地址信息、端口号信息、协议类型信息、标志位信息。
