1.一种应用于宽带接入网的业务识别方法，其特征在于，包括以下步骤：
S1：从宽带接入网不同业务的若干数据帧中筛选得到TCP和UDP协议对应的数据帧；
S2：对步骤S1筛选得到的所有数据帧，从每个数据帧中提出得到源IP地址、目的IP地址、协议类型、源端口、目的端口，构建该数据帧对应的五元组数据；
S3：根据五元组数据对数据帧进行业务流划分，建立业务流流池群，其具体方法为：依次提取出数据帧，如果该数据帧为上行数据帧，则将其五元组数据与每个业务流流池中上行业务流流池的五元组数据进行匹配，如果与某个上行业务流流池的五元组数据相同，则将该数据帧划入对应的上行业务流流池中，如果所有上行业务流流池的五元组数据都不同，则新建一个业务流流池，将该数据帧划入新建业务流流池的上行业务流流池中；如果该数据帧为下行数据帧，则将其五元组数据与每个业务流流池中下行业务流流池的五元组数据进行匹配，如果与某个下行业务流流池的五元组数据相同，则将该数据帧划入对应的下行业务流流池中，如果所有下行业务流流池的五元组数据都不同，则新建一个业务流流池，将该数据帧划入新建业务流流池的下行业务流流池中；
S4：对于业务流流池群中每个业务流流池中的每个数据帧，提取得到其IP数据包，如果该数据包字节数小于A，在数据包末尾添零至字节数A，替换原有数据帧，否则直接以该数据包替换原有数据帧；其中A大于等于IP数据包的最大长度；
S5：对业务流流池群中的每个业务流流池添加业务类别标签；
S6：构建集成卷积神经网络，包括上行一维卷积神经网络、下行一维卷积神经网络、交互一维卷积神经网络和仲裁模块，其中上行一维卷积神经网络用于对上行业务流数据包进行业务识别，下行一维卷积神经网络用于对下行业务流数据包进行业务识别，交互一维卷积神经网络用于上行、下行业务流数据包进行业务识别，仲裁模块对三个一维卷积神经网络的识别结果进行联合仲裁；每个一维卷积神经网络中，其输入层包括A个神经元，输入层、每级隐层的特征图和核均为一维结构；
S7：采用业务流流池群对集成卷积神经网络中的三个一维卷积神经网络进行分别训练，其中上行一维卷积神经网络的训练输入为业务流流池群中的每条上行业务流数据包，其期望输出为对应的业务类别标签；下行一维卷积神经网络的训练输入为业务流流池群中的每条下行业务流数据包，其期望输出为对应的业务类别标签；交互一维卷积神经网络的训练输入为业务流流池群中的每条上行业务流数据包和下行业务流数据包，其期望输出为对应的业务类别标签；
S8：在宽带接入网实际运行时，捕获得到一段TCP或UDP业务流数据帧，从该业务流中每个数据帧中提取出数据包，末尾添零至长度为A字节的业务流数据包，将这些业务流数据包划分为上行业务流数据包和下行业务流数据包，输入集成卷积神经网络中的对应一维卷积神经网络，仲裁模块根据三个一维卷积神经网络的业务识别结果综合仲裁得到最终业务识别结果，仲裁方法为：仲裁模块收集三个一维卷积神经网络的识别结果进行联合仲裁，先分别对每个一维卷积神经网络的识别结果进行统计，选择每个一维卷积神经网络中数量占该一维卷积神经网络所有识别结果数量的百分比最大的识别结果作为该一维卷积神经网络的有效识别结果；在三个有效识别结果中，如果任意两个一维卷积神经网络的有效识别结果一致时，将此有效识别结果作为最终的识别结果，否则选择百分比最大的有效识别结果作为最终的识别结果。
2.根据权利要求1所述的业务识别方法，其特征在于，所述步骤S7中，每个一维卷积神经网络网络，将对应的所有业务流数据包按照随机顺序输入。