1.一种基于映射关系的对抗性Android恶意软件检测方法，其特征在于，包括以下步骤：步骤1：编写python文件，对Android软件进行特征提取：步骤1‑1：判断Android软件的加固情况，如果文件被加固过，则利用脱壳和重打包工具对Android软件进行脱壳重打包；

步骤1‑2：利用解压工具对Android软件进行解压，保存解压后的文件；

步骤1‑3：查找解压后的文件中后缀为.dex的文件，使用baksmali工具将.dex文件转换为.smali文件，并保存；

步骤1‑4：遍历保存的.smali文件，搜集Android软件的使用的API信息；

步骤1‑5：查找解压后的文件中名为AndroidManifest.xml的文件，使用aapt工具将AndroidManifest.xml文件转换为AndroidManifest.txt文件，并保存；

步骤1‑6：根据AndroidManifest.txt文件，获取Android软件中申明的权限和硬件信息；

步骤2：编写python文件，对Android软件特征进行预处理：步骤2‑1：将从多个Android软件中获取到的API进行整理，根据API的危险级别和出现的频率建立敏感API库：D＝{d1,d2,...,dm}；

步骤2‑2：将从多个Android软件中获取到的权限进行整理，根据权限的危险级别和出现的频率建立敏感权限库：P＝{p1,p2,...,pn}；

步骤2‑3：根据权限控制相关API的机制，建立敏感权限和敏感API的映射关系库，权限控制相关API的机制为：A＝{(pi,dj)|pi∈P,dj∈D,pi控制dj}；

步骤2‑4：将从多个Android软件中获取到的硬件进行整理，将所有出现过的硬件申请均加入硬件库；

步骤2‑5：将从Android软件中提取到的特征与映射关系库、硬件库进行对比，生成one‑hot编码，即将每个Android软件转换为二进制向量；

步骤2‑6：将步骤2‑5中的二进制向量每8位进行分割，转换为灰度图；

步骤3：对数据集进行选择与分割：

步骤3‑1：将从步骤2‑6中获得的灰度图按照标签类型分成normal_data，malware_data；

步骤3‑2：从normal_data、malware_data中分别进行随机抽取，用于构建训练集train_data、验证集validation_data、测试集test_data；

步骤4：搭建CNN模型进行训练：

步骤4‑1：搭建CNN，使用relu函数作为激活函数，采用adam优化器进行优化，最后使用softmax函数作为分类器；

步骤4‑2：分类精度的评价指标使用Accuracy与Error_rate表示:式中，P代表正例总数、N代表负例总数；TP表示真实类别为正例，预测类别为正例；TN表示真实类别为负例，预测类别为负例；FP表示真实类别为负例，预测类别为正例；FN表示真实类别为正例，预测类别为负例；

步骤4‑3：使用train_data对搭建的模型进行训练；

步骤4‑4：在训练过程中，使用validation_data对模型进行验证，并保存最佳模型：步骤5：加载最佳的训练模型，对test_data进行测试，对软件进行检测，并计算其精度。

2.如权利要求1所述的一种基于映射关系的对抗性Android恶意软件检测方法，其特征在于：步骤3‑1中的标签类型分为正常软件：0和恶意软件：1。

3.如权利要求1所述的一种基于映射关系的对抗性Android恶意软件检测方法，其特征在于：步骤3‑2中的训练集train_data、验证集validation_data、测试集test_data分别占normal_data、malware_data的70％、20％、10％。