1.基于大数据分析的风险评估方法，其特征在于，所述方法包括以下步骤：
s1、构建信息系统风险评估指标体系；
s2、采用因子分析法，获取所述信息系统风险评估体系中的公共指标；
s3、采用改进的gw0算法优化bp神经网络，构建gw0-bp神经网络；
s4、将所述公共指标作为所述gw0-bp神经网络的输入数据，建立信息系统风险评估模型，完成信息系统风险评估。
2.根据权利要求1所述基于大数据分析的风险评估方法，其特征在于，步骤s1中，所述信息系统风险评估体系的原始信息系统风险评估指标包括p个，所述原始信息系统风险评估指标fi通过m(m＜p)个公共指标si和一个特殊指标εi经线性加权方式表达，表达式为：
fi＝ωi1s1+ωi2s2+…+ωimsm+εi，i＝1，2，...，n
其中ωim，n分别表示指标i在公共指标m上的系数。
3.根据权利要求2所述基于大数据分析的风险评估方法，其特征在于，步骤s2中，所述采用因子分析法包括以下流程：
s201、对输入数据fij展开标准化处理，得到相关系数评判矩阵：
w＝(ωij)p*p
其中
s202、利用kmo度量值展开各变量的相关性分析并建立因子变量，遵循|ηi-w|＝0原则，计算累积方差贡献率：
其中ηi为相关性的矩阵特征值；
s203、选取累积方差贡献率范围的86％～91％中排名靠前的m个指标获取主要风险评估指标，其荷载矩阵z的表达式为：
z＝li(zi)m*p,i＝1,2,…,p
其中li表示第i个指标与原变量间的系数。
s204、获取原始变量的线性组合，变化处理指标变量，公式为：
si＝li1f1+li2f2+…+lipfp,i＝1,2,…,m。
4.根据权利要求3所述基于大数据分析的风险评估方法，其特征在于，步骤s3中，所述改进的gwo算法对适应度差的算法施以罚函数。
5.根据权利要求4所述基于大数据分析的风险评估方法，其特征在于，所述改进的gwo算法对适应度差的算法施以罚函数时，包括以下步骤：
s301、灰狼在捕食过程中，依据适应度值分为四个等级，分别为：最优、第二优、第三优和其他灰狼，分别用α，β，θ，μ表示；
s302、灰狼在捕食时，α，β，θ负责追赶猎物，μ沿着前三个等级灰狼的路线搜索目标，在这个过程中，灰狼个体与猎物之间的距离表达式为：
q＝|c*bp(t)-b(t)|
其中：q，t分别表示灰狼个体与猎物之间的距离、迭代次数；bp(t)，b(t)分别表示迭代次数为t时的猎物位置、灰狼个体位置；c＝2r1，r1∈[0，1]，为常数；
s303、灰狼位置更新为：
b(t+1)＝bp(t)-a*q
a＝2ar2-a
其中：a，max，r2分别表示收敛因子、最大迭代次数、[0，1]区间常数，若|a|＞1，狼群执行全局搜索；若|a|＜1，狼群执行局部搜索；
s304、计算灰狼个体间的距离dij＜σ，比较灰狼i灰狼j的适应度fi，fj的大小，若dij＜σ，则min(fi，fj)-penalty，σ是小生境半径，penalty是罚函数；
s305、α，β，θ追赶猎物的数学模型为：
s306、根据α，β，θ的位置获取μ的最终位置信息，公式为：
bp(t+1)＝(b1+b2+b3)/3。
6.根据权利要求5所述基于大数据分析的风险评估方法，其特征在于，步骤s3中，所述gwo－bp神经网络通过以下步骤构建：
s301、所述改进的gwo算法将bp神经网络的权重和阈值作为灰狼位置信息；
s302、利用灰狼搜索猎物的能力更新bp神经网络的权重和阈值；
s303、通过多次迭代，bp神经网络得到全局最优权值和阈值。
7.一种计算机装置，所述计算机装置包括处理器及存储器，所述存储器上存储有若干计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1－6中任意一项所述基于大数据分析的风险评估方法的步骤。
8.一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如权利要求1－6中任意一项所述的基于大数据分析的风险评估方法的步骤。