1.一种基于机器学习的jvm调优方法，其特征在于，所述方法包括：
获取终端上应用程序的第一性能数据的诊断结果，根据所述第一性能数据和所述诊断结果生成训练数据；其中，所述训练数据包括训练集和验证集；
将所述训练集输入神经网络，以获取智能诊断模型，进而基于所述智能诊断模型获取调优引擎；
在所述调优引擎获取到第二性能数据后，根据所述智能诊断模型生成所述第二性能数据的性能问题，以及与所述第二性能问题相对应的解决方案；
根据所述第二性能问题和所述解决方案，生成调优结果。
2.根据权利要求1所述的jvm调优方法，其特征在于，所述根据所述第二性能问题和所述解决方案，生成调优结果包括：
基于所述调优引擎，获取所述解决方案中的可自动修复的第一优化方案；
在所述应用程序和所述调优引擎部署于同一服务器的情况下，通过配置下发模块，完成所述第一优化方案的jvm调优；或者，
在所述应用程序和所述调优引擎部署于不同服务器的情况下，通过配置推送模块，将所述第一优化方案推送至与所述性能问题相匹配的具体应用，进而生成所述调优结果；
基于所述调优引擎，获取所述解决方案中无法自动修复的第二优化方案，并将所述第二优化方案发送至告警模块，进而生成调优结果。
3.根据权利要求2所述的jvm调优方法，其特征在于，所述根据所述第二性能问题和所述解决方案，生成调优结果之后，所述方法还包括：
将所述调优引擎的应用优化历史发送至应用性能处置监控平台；其中，所述应用性能处置监控平台提供针对所述第一优化方案的一键还原功能。
4.根据权利要求1所述的jvm调优方法，其特征在于，所述获取智能诊断模型之后，所述在所述调优引擎获取到所述第二性能数据的情况下，根据所述智能诊断模型生成所述性能数据的性能问题之前，所述方法还包括：
根据所述验证集获取交叉验证结果；基于超参数搜索获取所述智能诊断模型的最优参数组合；在每一次训练遍历结束的情况下，获取所述验证集的精确度；其中，所述精确度用于指示停止训练所述智能诊断模型；
根据所述交叉验证结果、所述最优参数组合和所述精确度，获取调优后的智能诊断模型，进而基于所述调优后的智能诊断模型获取所述调优引擎。
5.根据权利要求1所述的jvm调优方法，其特征在于，所述获取终端上应用程序的性能数据的诊断结果，根据所述第一性能数据和所述诊断结果生成训练数据包括：
基于人工诊断获取所述诊断结果以及优化方案；根据所述第一性能数据、所述诊断结果和所述优化方案生成所述训练数据。
6.根据权利要求5所述的jvm调优方法，其特征在于，所述基于人工诊断获取所述诊断结果以及优化方案之前，所述方法还包括：
基于解析程序将所述第一性能数据解析为json格式，并对解析后的第一性能数据进行数据处理。
7.根据权利要求1所述的jvm调优方法，其特征在于，所述获取终端上应用程序的第一性能数据包括：
基于jvm的命令行检测工具，获取实时日志数据和jvm配置信息；或者，基于编写脚本采集操作系统日志；或者，基于所述应用程序的日志数据获取应用程序数据；
其中，所述第一性能数据包括：所述实时日志数据、所述jvm配置信息、所述操作系统日志和所述应用程序数据。
8.根据权利要求1至7任一项所述的jvm调优方法，其特征在于，所述神经网络设置为自适应谐振理论art网络。
9.一种基于机器学习的jvm调优装置，其特征在于，所述装置包括：训练模块、诊断模块和调优模块；
所述训练模块，用于获取终端上应用程序的第一性能数据的诊断结果，根据所述第一性能数据和所述诊断结果生成训练数据；其中，所述训练数据包括训练集和验证集；
所述诊断模块，用于将所述训练集输入神经网络，以获取智能诊断模型，进而基于所述智能诊断模型获取调优引擎；
所述调优模块，用于在所述调优引擎获取到第二性能数据后，根据所述智能诊断模型生成所述第二性能数据的性能问题，以及与所述第二性能问题相对应的解决方案；所述调优模块根据所述第二性能问题和所述解决方案，生成调优结果。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的jvm调优的方法。