1.一种加权量化的态势感知方法，其特征在于，所述方法包括：
采集不同来源的传感器、信息平台、探测设备的运行状态数据；
接收采集数据后，清除数据中的冗余信息，根据来源的类型，将数据格式转换为统一的格式，分入对应的字段，合并成数据流；
从合并后的数据流提取要素，发现要素中包括的行为动作、访问对象、来源者地址、瞬时流量大小的信息，从中发掘高频项目组，根据高频项目组对应的信息生成高频关联规则，加大其对应的权重，组成频繁模式树状结构；
根据所述频繁模式树状结构，查询地址相邻相近的资产态势信息，查询访问对象所属同层的资产态势信息，以及查询流量速度、流量总量相似的资产态势信息；
判断单个关键设备是否存在与地址相邻相近资产相同的安全漏洞，判断单个关键设备的并发线程、带宽、网络拓扑、访问频率是否存在与所属同层资产相同的报警，判断单个关键设备的流入量增长率、不同协议数据包分布比例、不同大小数据包分布比例是否存在与流量速度、流量总量相似资产相同的变化，计算单个关键设备的安全态势值；
将邻近的若干个单个关键设备，或者依据有业务交互的若干个单个关键设备，组成局部网络，由局部网络内的每个关键设备对应的安全漏洞、并发线程、带宽、网络拓扑、访问频率、流入量增长率、不同协议数据包分布比例和不同大小数据包分布比例，根据业务优先级引入模糊处理计算局部网络的安全态势值；
根据多个局部网络的拓扑关系，模糊处理计算整个网络的安全态势值；
分别将单个关键设备、局部网络和整个网络的安全态势值导入神经网络模型，通过神经网络模型推演，得出未来一段时间关于攻击者来源和攻击范围的预测；
将单个关键设备、局部网络和整个网络的安全态势值，攻击者来源和攻击范围的预测结果进行可视化展示。
2.根据权利要求1所述的方法，其特征在于，所述从合并后的数据流提取要素，包括：根据以往历史数据的评估模型、关联规则和指标库，从数据流的相应字段中提取要素信息。
3.根据权利要求1-2任一项所述的方法，其特征在于，所述清除数据中的冗余信息，根据来源的类型，将数据格式转换为统一的格式，是基于mapreduce分布式并行计算处理的。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述模糊处理计算是基于d-s理论与模糊集相结合的方法，计算攻击发生支持的概率。
5.一种加权量化的态势感知系统，其特征在于，所述系统包括：
采集单元，用于采集不同来源的传感器、信息平台、探测设备的运行状态数据；
预处理单元，用于接收采集数据后，清除数据中的冗余信息，根据来源的类型，将数据格式转换为统一的格式，分入对应的字段，合并成数据流；
态势理解单元，用于从合并后的数据流提取要素，发现要素中包括的行为动作、访问对象、来源者地址、瞬时流量大小的信息，从中发掘高频项目组，根据高频项目组对应的信息生成高频关联规则，加大其对应的权重，组成频繁模式树状结构；
态势评估单元，用于根据所述频繁模式树状结构，查询地址相邻相近的资产态势信息，查询访问对象所属同层的资产态势信息，以及查询流量速度、流量总量相似的资产态势信息；判断单个关键设备是否存在与地址相邻相近资产相同的安全漏洞，判断单个关键设备的并发线程、带宽、网络拓扑、访问频率是否存在与所属同层资产相同的报警，判断单个关键设备的流入量增长率、不同协议数据包分布比例、不同大小数据包分布比例是否存在与流量速度、流量总量相似资产相同的变化，计算单个关键设备的安全态势值；
将邻近的若干个单个关键设备，或者依据有业务交互的若干个单个关键设备，组成局部网络，由局部网络内的每个关键设备对应的安全漏洞、并发线程、带宽、网络拓扑、访问频率、流入量增长率、不同协议数据包分布比例和不同大小数据包分布比例，根据业务优先级引入模糊处理计算局部网络的安全态势值；
根据多个局部网络的拓扑关系，模糊处理计算整个网络的安全态势值；
态势预测单元，用于分别将单个关键设备、局部网络和整个网络的安全态势值导入神经网络模型，通过神经网络模型推演，得出未来一段时间关于攻击者来源和攻击范围的预测；
态势展示单元，用于将单个关键设备、局部网络和整个网络的安全态势值，攻击者来源和攻击范围的预测结果进行可视化展示。
6.根据权利要求5所述的系统，其特征在于，所述态势理解单元从合并后的数据流提取要素，包括：根据以往历史数据的评估模型、关联规则和指标库，从数据流的相应字段中提取要素信息。
7.根据权利要求5-6任一项所述的系统，其特征在于，所述预处理单元清除数据中的冗余信息，根据来源的类型，将数据格式转换为统一的格式，是基于mapreduce分布式并行计算处理的。
8.根据权利要求5-7任一项所述的系统，其特征在于，所述态势评估单元模糊处理计算是基于d-s理论与模糊集相结合的方法，计算攻击发生支持的概率。