1.一种用于故障根因的识别方法，其特征在于，包括：
根据第一网络中的第一失败流，从多条第一成功流中确定与所述第一失败流相关的第一目标成功流，其中，所述第一目标成功流与所述第一失败流具有高相似度；
根据所述第一失败流的特征指标、所述第一目标成功流的特征指标和已训练的第一机器学习模型，确定所述第一失败流的目标故障根因。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定第二网络中的多条第二失败流和与每条第二失败流对应的第一已知故障根因；
从所述第二网络的多条第二成功流中为每条所述第二失败流分别确定一条相关的第二目标成功流，其中，每条所述第二失败流和与其相关的所述第二目标成功流具有高相似度；
根据所述多条第二失败流的特征指标、与每条所述第二失败流对应的所述第一已知故障根因和与每条所述第二失败流相关的所述第二目标成功流的特征指标进行训练，得到所述第一机器学习模型。
3.根据权利要求1或2所述的方法，其特征在于，所述第一失败流、所述第一目标成功流、所述多条第一成功流、所述多条第二失败流、与每条所述第二失败流相关的所述第二目标成功流和所述多条第二成功流均为传输控制协议tcp流、互联网协议ip流或者用户数据报udp流。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述第一目标成功流与所述第一失败流具有高相似度，具体为：
所述第一目标成功流与所述第一失败流之间的相似度大于预设相似度阈值，或，所述第一目标成功流与所述第一失败流之间的相似度属于所述第一网络中的多个第一成功流与所述第一失败流的相似度中最大的前n个，n为预设值。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据第一网络中的第一失败流，从多条成功流中确定与所述第一失败流相关的第一目标成功流，包括：
获取所述第一网络中所述第一失败流的特征指标，以及所述第一网络中多条所述第一成功流的特征指标；
基于目标系数集合、所述第一失败流的特征指标以及各所述第一成功流的特征指标，计算各所述第一成功流和所述第一失败流之间的相似度；所述目标系数集合包括的每个目标系数分别与所述第一失败流中的一个特征指标以及每个所述第一成功流中的一个特征指标对应；
将计算所得的多个所述相似度中最高的相似度对应的所述第一成功流记作所述第一目标成功流。
6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：
获取第三网络中所述第三失败流的特征指标，以及所述第三网络中多条第三成功流的特征指标；
分别基于随机选取的多个初始系数集合，所述第三失败流的特征指标以及各所述第三成功流的特征指标，计算各所述初始系数集合下，各所述第三成功流和所述第三失败流之间的相似度；
基于计算所得的多个所述相似度，确定每个所述初始系数集合下所述第三失败流对应的所述第三目标成功流；
根据所述第三失败流的特征指标、多个所述初始系数集合对应的所述第三目标成功流的特征指标和第二机器学习模型，确定每个所述初始系数集合下所述第三失败流对应的第二学习故障根因与所述第三失败流对应的第二已知故障根因之间的差异；
根据多个所述初始系数集合和每个所述初始系数集合对应的差异，确定所述目标系数集合。
7.根据权利要求6所述的方法，其特征在于，所述根据多个所述初始系数集合和每个所述初始系数集合对应的所述差异，确定所述目标系数集合，包括：
对多个所述初始系数集合和每个所述初始系数集合对应的所述差异进行拟合；
确定拟合结果中最小值点对应的系数集合为所述目标系数集合。
8.根据权利要求6或7所述的方法，其特征在于，采用e-贪心算法随机选择所述初始系数集合。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述目标故障根因包括：ip下线、应用下线、安全设备层异常、路由设备层异常、网口出错或者应用负载过重。
10.根据权利要求1-9任一项所述的方法，其特征在于，还包括：
基于所述目标故障根因，对所述第一网络进行维护。
11.一种用于故障根因的识别装置，其特征在于，包括：
第一确定单元，用于根据第一网络中的第一失败流，从多条第一成功流中确定与所述第一失败流相关的第一目标成功流，其中，所述第一目标成功流与所述第一失败流具有高相似度；
第二确定单元，用于根据所述第一失败流的特征指标、所述第一目标成功流的特征指标和已训练的第一机器学习模型，确定所述第一失败流的目标故障根因。
12.根据权利要求11所述的装置，其特征在于，还包括：
第三确定单元，用于确定第二网络中的多条第二失败流和与每条第二失败流对应的第一已知故障根因；
第四确定单元，用于从所述第二网络的多条第二成功流中为每条所述第二失败流分别确定一条相关的第二目标成功流，其中，每条所述第二失败流和与其相关的所述第二目标成功流具有高相似度；
训练单元，用于根据所述多条第二失败流的特征指标、与每条所述第二失败流对应的所述第一已知故障根因和与每条所述第二失败流相关的所述第二目标成功流的特征指标进行训练，得到所述第一机器学习模型。
13.根据权利要求11或12所述的装置，其特征在于，所述第一失败流、所述第一目标成功流、所述多条第一成功流、所述多条第二失败流、与每条所述第二失败流相关的所述第二目标成功流和所述多条第二成功流均为传输控制协议tcp流、互联网协议ip流或者用户数据报udp流。
14.根据权利要求11-13任一项所述的装置，其特征在于，所述第一目标成功流与所述第一失败流具有高相似度，具体为：
所述第一目标成功流与所述第一失败流之间的相似度大于预设相似度阈值，或，所述第一目标成功流与所述第一失败流之间的相似度属于所述第一网络中的多个第一成功流与所述第一失败流的相似度中最大的前n个，n为预设值。
15.根据权利要求11-14任一项所述的装置，其特征在于，所述第一确定单元，包括：
获取子单元，用于获取所述第一网络中所述第一失败流的特征指标，以及所述第一网络中多条所述第一成功流的特征指标；
计算子单元，用于基于目标系数集合、所述第一失败流的特征指标以及各所述第一成功流的特征指标，计算各所述第一成功流和所述第一失败流之间的相似度；所述目标系数集合包括的每个目标系数分别与所述第一失败流中的一个特征指标以及每个所述第一成功流中的一个特征指标对应；
第一确定子单元，用于将计算所得的多个所述相似度中最高的相似度对应的所述第一成功流记作所述第一目标成功流。
16.根据权利要求11-15任一项所述的装置，其特征在于，还包括：
获取单元，用于获取第三网络中所述第三失败流的特征指标，以及所述第三网络中多条第三成功流的特征指标；
计算单元，用于分别基于随机选取的多个初始系数集合，所述第三失败流的特征指标以及各所述第三成功流的特征指标，计算各所述初始系数集合下，各所述第三成功流和所述第三失败流之间的相似度；
第五确定单元，用于基于计算所得的多个所述相似度，确定每个所述初始系数集合下所述第三失败流对应的所述第三目标成功流；
第六确定单元，用于根据所述第三失败流的特征指标、多个所述初始系数集合对应的所述第三目标成功流的特征指标和第二机器学习模型，确定每个所述初始系数集合下所述第三失败流对应的第二学习故障根因与所述第三失败流对应的第二已知故障根因之间的差异；
第七确定单元，用于根据多个所述初始系数集合和每个所述初始系数集合对应的差异，确定所述目标系数集合。
17.根据权利要求16所述的装置，其特征在于，所述第七确定单元，包括：
拟合子单元，用于对多个所述初始系数集合和每个所述初始系数集合对应的所述差异进行拟合；
第二确定子单元，用于确定拟合结果中最小值点对应的系数集合为所述目标系数集合。
18.根据权利要求16或17所述的装置，其特征在于，采用e-贪心算法随机选择所述初始系数集合。
19.根据权利要求11-18任一项所述的装置，其特征在于，所述目标故障根因包括：ip下线、应用下线、安全设备层异常、路由设备层异常、网口出错或者应用负载过重。
20.根据权利要求11-19任一项所述的装置，其特征在于，还包括：
维护单元，用于基于所述目标故障根因，对所述第一网络进行维护。