1.一种基于多模态学习的加密流量分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多模态学习的加密流量分类方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求2所述的一种基于多模态学习的加密流量分类方法，其特征在于，所述五元组的结构表示为<源ip地址，目的ip地址，源端口，目的端口，传输层协议>，其中，源和目的两个方向可互换。
4.根据权利要求1所述的一种基于多模态学习的加密流量分类方法，其特征在于，所述s2包括以下步骤：
5.根据权利要求1所述的一种基于多模态学习的加密流量分类方法，其特征在于，所述层级注意力网络包括依次连接的分布式一维卷积模块、分布式注意力机制模块、面向数据包序列的双向gru模块，基于层级注意力网络提取内容模态特征具体包括以下步骤：
6.根据权利要求1所述的一种基于多模态学习的加密流量分类方法，其特征在于，所述时序循环网络包括依次连接的时间卷积网络模块和双向gru模块，基于时序循环网络提取时序模态特征具体包括以下步骤：
7.根据权利要求1所述的一种基于多模态学习的加密流量分类方法，其特征在于，所述s5中的多模态融合网络，考虑到内容模态特征和时序模态特征都为序列形式，利用点对点融合方式在每个序列点上进行维度拼接，并利用高速网络自适应地提取多模态表示，获得高层多模态特征。
8.根据权利要求1所述的一种基于多模态学习的加密流量分类方法，其特征在于，所述s6具体为：对高层多模态特征通过flatten运算降维并输入全连接输出层，通过softmax函数映射为分类概率，得到加密流量的分类标签，实现加密流量分类。
9.一种基于多模态学习的加密流量分类装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。