1.一种基于非监督机器学习的用户可疑行为分析方法，其特征在于，所述方法包括如下步骤：
根据用户实时操作行为数据生成实时的用户行为链；
对实时的用户行为链进行向量化处理，获取用户实时行为向量；
根据用户历史操作日志和k-mean++算法，生成聚类模型；
加载聚类模型，对用户实时行为向量进行离群点分析，根据离群点的行为链数据生成预警信息。
2.根据权利要求1所述的基于非监督机器学习的用户可疑行为分析方法，其特征在于，通过对用户实时操作行为数据为进行窗口计算，生成实时的用户行为链。
3.根据权利要求1所述的基于非监督机器学习的用户可疑行为分析方法，其特征在于，加载idf模型对实时的用户行为链进行向量化处理；所述idf模型包括if-idf算法。
4.根据权利要求1所述的基于非监督机器学习的用户可疑行为分析方法，其特征在于，生成聚类模型的方法包括如下步骤：
根据用户历史操作日志，生成用户历史行为链；
使用if-idf算法对用户历史行为链进行向量化处理，获取用户历史行为向量；
使用k-means++算法，加载用户历史行为向量，进行聚类模型训练。
5.根据权利要求4所述的基于非监督机器学习的用户可疑行为分析方法，其特征在于，所述方法还包括：
对用户历史操作日志进行链式分析，生成行为链md5；
根据md5值，对用户历史操作日志进行聚合操作，生成用户历史行为链数据。
6.根据权利要求1所述的基于非监督机器学习的用户可疑行为分析方法，其特征在于，所述方法还包括：将预警信息写入分析搜索引擎。
7.一种基于非监督机器学习的用户可疑行为分析系统，其特征在于，所述系统包括：
第一生成模块：用于根据用户实时操作行为数据生成实时的用户行为链；
第一获取模块：用于对实时的用户行为链进行向量化处理，获取用户实时行为向量；
第二生成模块：用于根据用户历史操作日志和k-mean++算法，生成聚类模型；
分析模块：用于加载聚类模型，对用户实时行为向量进行离群点分析，根据离群点的行为链数据生成预警信息。
8.根据权利要求7所述的基于非监督机器学习的用户可疑行为分析系统，其特征在于，所述第二生成模块包括：
第三生成模块：用于根据用户历史操作日志，生成用户历史行为链；
第二获取模块：用于使用if-idf算法对用户历史行为链进行向量化处理，获取用户历史行为向量；
训练模块：用于使用k-means++算法，加载用户历史行为向量，进行聚类模型训练。
9.根据权利要求7所述的基于非监督机器学习的用户可疑行为分析系统，其特征在于，所述系统还包括将预警信息写入分析搜索引擎的写入模块。
10.一种基于非监督机器学习的用户可疑行为分析系统，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～6任一项所述方法的步骤。