1.一种基于深度学习的SDN流表冲突检测装置，其特征在于，包括窗口分割模块(window splitter)、深度检测模块（Deep Detecting）、结果分析模块（Result analysis）、监听模块(Sniffer)及数据存储模块(Database),其中：
窗口分割模块(window splitter)：完成循环读取数据存储模块（Database）中的已有流表项，并对所有流表项按照适合于深度检测模块（Deep Detecting）处理的窗口大小进行分割；
深度检测模块（Deep Detecting）：提取新产生的流表项及数据存储模块（Database）中已经存在的流表项的特征，使用已学习好的深度学习模型，检测新产生的流表项是否与数据存储模块(Database)中已有的流表项存在冲突；
结果分析模块（Result analysis）：对使用深度学习进行流表冲突检测后的结果进行处理；
监听模块(Sniffer)：对所有转发设备（OpenFlow交换机）中的流表信息进行动态监听，并将转发设备中流表的动态变化结果反馈到数据存储模块(Database)中；
数据存储模块(Database)：存储当前SDN中所有OpenFlow交换机的流表。
2.一种基于深度学习的SDN流表冲突检测方法，其特征在于，包括如下步骤：
（1）将一个具体SDN应用在策略映射层（Policy Mapping）映射为具体的SDN流表项{P}后，将这些新的流表项输入到深度检测模块（Deep Detecting）；
（2）深度检测模块（Deep Detecting）启动窗口分割模块(window splitter)；
（3）窗口分割模块(window splitter)从数据存储模块(Database)中提取适合于深度检测模块（Deep Detecting）处理的窗口大小的流表项{W}，并输出给深度检测模块（Deep Detecting）；
（4）深度检测模块（Deep Detecting）提取{P}及{W}中流表项的所有可能冲突的域作为深度学习模型的输入特征；
（5）深度检测模块（Deep Detecting）利用已学习的深度学习模型进行检测，如检测到冲突，则记录{P}及{W}中冲突的具体流表项；
（6）判断是否已检测完数据存储模块(Database)中的所有流表项：如未检测完，跳转到步骤3），否则将检测结果输入到结果分析模块（Result analysis）中，并跳转到步骤7）；
（7）结果分析模块（Result analysis）对检测结果进行分析判断，如存在冲突，将冲突的具体流表项告知策略映射层（Policy Mapping）；如不存在冲突，则将新的流表项输出给控制器（Controller）进行下发。
3.根据权利要求2所述的基于深度学习的SDN流表冲突检测方法，其特征在于，数据存储模块(Database)中的数据由监听模块(Sniffer)进行动态更新。
4.根据权利要求3所述的基于深度学习的SDN流表冲突检测方法,其特征在于，所述的对数据存储模块(Database)进行动态更新的监听模块(Sniffer)，监听所有转发设备中的流表变化信息（删除、添加、更改流表项），并根据这些变化信息对数据存储模块(Database)进行动态更新。