1.一种基于ai的白名单生成方法，其特征在于，该方法具体为：
1)获取目标网站的流量数据；该流量数据包含所述目标网站下多个网页的统一资源定位符url；
2)针对每一个所述url，提取url的路径部分，并对所述url的路径部分进行泛化替换，得到url的第一泛化路径信息；所述url的第一泛化路径信息用于表征url的初始模式；
3)将所述初始模式相似的url的第一泛化路径信息进行合并处理，得到url的第二泛化路径信息；所述url的第二泛化路径信息用于表征url的最终模式；
4)根据第一泛化路径信息、第二泛化路径信息，进行变量解析，获得变量参数；
5)获取变量参数对应的ai模型，ai模型为基于人工智能学习的表征变量安全的模型；
6)对变量参数进行判断，判断变量参数是否符合ai模型；
7)若变量参数符合ai模型，基于所述url的第二泛化路径信息生成与目标网站对应的白名单；
8)若变量参数不符合ai模型，基于该检测结果对相应的web数据进行防护。
2.如权利要求1所述的基于ai的白名单生成方法，其特征在于，对所述url的路径部分进行泛化替换，得到url的第一泛化路径信息，包括：计算所述url的路径部分的相似度；若所述相似度大于或等于预设阈值，则基于预设泛化规则对所述url的路径部分进行泛化替换，得到所述url的第一泛化路径信息。
3.如权利要求1所述的基于ai的白名单生成方法，其特征在于，计算所述url的路径部分的相似度，包括：将所述url的路径部分解析为多层级的目录；记录所述目录的总层数和最长公共层数；基于所述目录的总层数和所述最长公共层数，计算所述url的路径部分的相似度。
4.如权利要求1所述的基于ai的白名单生成方法，其特征在于，基于预设泛化规则对所述url的路径部分进行泛化替换，得到所述url的第一泛化路径信息，包括：确定所述url的路径部分中的待泛化目录；所述待泛化目录为所述url的路径部分中的任一层级的目录；基于预设泛化规则对所述url的路径部分中的待泛化目录进行泛化处理，得到所述url的第一泛化路径信息。
5.如权利要求1所述的基于ai的白名单生成方法，其特征在于，将所述初始模式相似的url的第一泛化路径信息进行合并处理，得到url的第二泛化路径信息，包括：基于所述相似度，判断多个url的初始模式是否相似；若相似，则将所述初始模式相似的所述多个url的第一泛化路径信息进行合并处理，得到url的第二泛化路径信息。
6.如权利要求1所述的基于ai的白名单生成方法，其特征在于，所述步骤5)中，所述基于人工智能学习的表征变量安全的模型，具体为：获取已知安全网站对应的白名单的第一泛化路径信息、第二泛化路径信息，对该已知的第一泛化路径信息、第二泛化路径信息进行变量解析，得到实时变量参数；将实时变量参数输入至预先训练的机器学习模型；获取所述机器学习模型基于所述实时变量输出的ai模型。
7.如权利要求1所述的基于ai的白名单生成方法，其特征在于，所述变量参数包括参数类型、参数关键词、参数名、关键词编码、请求参数值、路径信息。
8.一种基于ai的白名单生成装置，其特征在于，该装置包括：
获取单元，用于获取目标网站的流量数据；其中，流量数据包含目标网站下多个网页的统一资源定位符url；
泛化替换单元，用于针对每一个url，提取url的路径部分，并对url的路径部分进行泛化替换，得到url的第一泛化路径信息；其中，url的第一泛化路径信息用于表征url的初始模式；
合并处理单元，用于将初始模式相似的url的第一泛化路径信息进行合并处理，得到url的第二泛化路径信息；其中，url的第二泛化路径信息用于表征url的最终模式；
变量解析单元，根据第一泛化路径信息、第二泛化路径信息，进行变量解析，获得变量参数；
ai模型，通过变量参数对应的ai模型，对变量参数进行判断，判断变量参数是否符合ai模型；
生成单元，若变量参数符合ai模型，用于基于url的第二泛化路径信息生成与目标网站对应的白名单。若变量参数不符合ai模型，基于该检测结果对相应的web数据进行防护。
9.一种电子设备，其特征在于，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种可读介质，其特征在于，具体为具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如权利要求1至7任一项所述的方法。