1.一种基于LGF‑Net的代码混淆有效性评估方法，其特征在于，包括：

S1：对于数据集中的每一个程序，首先获取该程序的源代码对应的已混淆代码和反混淆代码；然后从源代码、已混淆代码和反混淆代码中提取特征，得到第一特征集合F；接着为F赋予一个混淆效果等级y，并将F与其对应的y表示为一个序偶；最后把所有的序偶构成一个代码混淆有效性评估数据集，称为第一数据集D，并将D划分为训练集和测试集；

S2：构建代码混淆有效性评估模型LGF‑Net；LGF‑Net通过局部特征模块LFTM进行特征选择和处理，通过全局特征模块GFTM进行特征融合；具体步骤包括：S21：对于第一特征集合F，使用批量归一化操作BN对F进行归一化处理，得到第二特征集合 ；

S22：将 传入到LFTM进行特征选择和处理：LFTM包括特征处理模块FT、第一决策步、第二决策步和第三决策步；首先使用特征处理模块FT对 进行特征处理；然后经过第一决策步、第二决策步和第三决策步三个决策步的特征选择和处理后，得到每个决策步对应的输出，分别为第一特征向量 、第二特征向量 和第三特征向量 ；

S23：将 传入到GFTM进行特征融合：GFTM包括第一残差连接块Resblock1、第二残差连接块Resblock2和第三残差连接块Resblock3；通过Resblock1、Resblock2和Resblock3三个残差连接块逐步将 与 、和 进行特征融合，最终得到GFTM的输出 ；

S24：使用全连接层FC对 进行转换，并通过Softmax函数对转换后的结果进行处理，得到最终的预测结果；

S3：训练S2中构建好的代码混淆有效性评估模型LGF‑Net：分别使用训练集和测试集对LGF‑Net进行训练和测试，得到训练好的LGF‑Net；

S4：首先使用待评估的代码混淆算法混淆程序中的源代码，得到对应的已混淆代码；然后使用反混淆工具对该已混淆代码进行反混淆，得到对应的反混淆代码；接着根据S1中提取特征的做法，从源代码、已混淆代码和反混淆代码中提取特征，得到对应的F；最后将F输入到S3中训练好的LGF‑Net中，得到待评估的代码混淆算法的混淆效果等级。

2.根据权利要求1所述的基于LGF‑Net的代码混淆有效性评估方法，其特征在于，所述的将 传入到LFTM进行特征选择和处理的步骤包括有：S221：使用特征处理模块FT对第二特征集合 进行特征处理：首先，将 输入到基本块block中，通过全连接层FC和批量归一化操作BN对 进行特征抽象化和归一化处理，并使用门控线性单元GLU对归一化处理后的结果进行特征处理，得到block的输出 ；然后，将 输入到第一残差基本块SVRblock1中，通过FC和BN对 进行特征抽象化和归一化处理，并使用GLU对归一化处理后的结果进行特征处理，将特征处理的结果与 进行逐元素求和后与α相乘，得到SVRblock1的输出 ；最后将 输入到第二残差基本块SVRblock2中，通过SVRblock2的特征处理后，得到SVRblock2的输出 ；

S222：通过第一决策步进行特征选择和处理：首先，将S221中所述的 输入到注意力模块AT中，使用自注意力机制SA对 进行特征权重分配，通过FC和BN进行特征抽象化和归一化处理，并将归一化处理后的结果与初始的先决选择 进行点乘操作，使用Sparsemax函数计算生成第一决策步的掩码 ，同时通过 来更新当前第一决策步的先决选择 ；

然后将 与 相乘来实现第一决策步的特征选择，并将特征选择后的结果传入到FT中进行特征处理，得到第一决策步中FT的输出 ；最后使用ReLu函数对 进行非线性转换，得到第一特征向量 ；

S223：通过第二决策步进行特征选择和处理：首先，将 输入到AT中，使用SA对 进行特征权重分配，通过FC和BN进行特征抽象化和归一化处理，并将归一化处理后的结果与第一决策步的先决选择 进行点乘操作，使用Sparsemax函数计算生成第二决策步的掩码，同时通过 来更新当前第二决策步的先决选择 ；然后将 与 相乘来实现第二决策步的特征选择，并将特征选择后的结果传入到FT中进行特征处理，得到第二决策步中FT的输出 ；最后使用ReLu函数对 进行非线性转换，得到第二特征向量 ；

S224：通过第三决策步进行特征选择和处理：首先，将 输入到AT中，使用SA对 进行特征权重分配，通过FC和BN进行特征抽象化和归一化处理，并将归一化处理后的结果与第二决策步的先决选择 进行点乘操作，使用Sparsemax函数计算生成第三决策步的掩码，同时通过 来更新当前第三决策步的先决选择 ；然后将 与 相乘来实现第三决策步的特征选择，并将特征选择后的结果传入到FT中进行特征处理，得到第三决策步中FT的输出 ；最后使用ReLu函数对 进行非线性转换，得到第三特征向量 。

3.根据权利要求1所述的基于LGF‑Net的代码混淆有效性评估方法，其特征在于，所述的将 传入到GFTM进行特征融合的步骤包括有：S231：使用第一残差连接块Resblock1对第二特征集合 进行特征融合：首先，将 输入到Resblock1中，将 与第一特征向量 进行向量拼接；然后通过第一全连接层 对拼接后的特征向量进行特征抽象化，并使用ReLu函数进行非线性转换；最后通过第二全连接层对非线性转换后的结果进行特征抽象化，并将 与特征抽象化后的结果进行逐元素求和，得到Resblock1的输出 ；

S232：使用第二残差连接块Resblock2对 进行特征融合：首先，将 输入到Resblock2中，将 与第二特征向量 进行向量拼接；然后通过 对拼接后的特征向量进行特征抽象化，并使用ReLu函数进行非线性转换；最后通过 对非线性转换后的结果进行特征抽象化，并将 与特征抽象化后的结果进行逐元素求和，得到Resblock2的输出 ；

S233：使用第三残差连接块Resblock3对 进行特征融合：首先，将 输入到Resblock3中，将 与第三特征向量 进行向量拼接；然后通过 对拼接后的特征向量进行特征抽象化，并使用ReLu函数进行非线性转换；最后通过 对非线性转换后的结果进行特征抽象化，并将 与特征抽象化后的结果进行逐元素求和，得到Resblock3的输出 ； 即为GFTM的输出 。

4.根据权利要求2所述的基于LGF‑Net的代码混淆有效性评估方法，其特征在于，所述的 和 的计算公式为：

在上式中， 代表第m残差基本块的输出，代表门控线性单元GLU，代表批量归一化操作BN，代表全连接层FC，代表特征向量逐元素求和，为预防模型方差过于剧烈变化的系数；其中，m的取值为1或者2；为基本块block的输出。

5.根据权利要求2所述的基于LGF‑Net的代码混淆有效性评估方法，其特征在于，所述的 、 和 以及 、和 的计算公式为：其中，掩码MASK的计算公式如下：

在上式中， 代表第t决策步的掩码MASK， 代表Sparsemax函数， 代

表第t‑1决策步的先决选择，代表批量归一化操作BN，代表全连接层FC，代表自注意力机制SA， 代表第t‑1决策步中FT的输出；其中，t的取值为1或者2或者3；初始的先决选择为一个全1的向量；初始决策步中FT的输出 为S221中的 ；

其中，先决选择 的计算公式如下：

在上式中，代表第t决策步的先决选择，先决选择是指过去所有决策步中特征的使用情况；是一个标量，用于控制特征在决策步中的使用情况； 代表第t决策步的掩码MASK；其中，t的取值为1或者2或者3。

6.根据权利要求3 所述的基于LGF‑Net的代码混淆有效性评估方法，其特征在于，所述的 、 和 的计算公式为

在上式中， 代表第k残差连接块的输出， 代表第二全连接层， 代表ReLu函数，代表第一全连接层， 代表向量拼接操作，代表第k特征向量， 代表特征向量逐元素求和；其中，k的取值为1或者2或者3； 为第二特征集合 。

7.一种基于LGF‑Net的代码混淆有效性评估系统，用于运行权利要求1‑6任一所述的基于LGF‑Net的代码混淆有效性评估方法，其特征在于，包括数据预处理模块、代码混淆有效性评估模型构建模块、代码混淆有效性评估模型训练模块、代码混淆有效性评估模块：所述数据预处理模块：对于数据集中的每一个程序，首先获取该程序的源代码对应的已混淆代码和反混淆代码；然后从源代码、已混淆代码和反混淆代码中提取特征，得到第一特征集合；接着为第一特征集合赋予一个混淆效果等级，并将第一特征集合与其混淆效果等级表示为一个序偶；最后把所有的序偶构成一个代码混淆有效性评估数据集，称为第一数据集，并将第一数据集划分为训练集和测试集；

所述代码混淆有效性评估模型构建模块：构建代码混淆有效性评估模型LGF‑Net：LGF‑Net通过局部特征模块进行特征选择和处理，通过全局特征模块进行特征融合；

所述代码混淆有效性评估模型训练模块：分别使用训练集和测试集对LGF‑Net进行训练和测试，得到训练好的LGF‑Net；

所述代码混淆有效性评估模块：首先使用待评估的代码混淆算法混淆程序中的源代码，得到对应的已混淆代码；然后使用反混淆工具对该已混淆代码进行反混淆，得到对应的反混淆代码；接着根据所述数据预处理模块中提取特征的做法，从源代码、已混淆代码和反混淆代码中提取特征，得到对应的第一特征集合；最后将第一特征集合输入到训练好的LGF‑Net中，得到待评估的代码混淆算法的混淆效果等级。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1‑6任一所述的基于LGF‑Net的代码混淆有效性评估方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1‑6任一所述的基于LGF‑Net的代码混淆有效性评估方法的步骤。