1.一种基于EPM‑MCNET神经网络的安卓恶意软件检测方法，其特征在于，包括：

S1、构建一个安卓软件RGB图像数据集D，D由若干个安卓软件RGB图像FI构成；

S2、构建并训练基于EPM‑MCNET神经网络的安卓恶意软件检测模型；该模型包括将安卓软件可视化为RGB图像部分和EPM‑MCNET神经网络部分；所述EPM‑MCNET神经网络包括输入层、中间层和输出层；中间层包括第一卷积归一化激活模块CBR1、第二卷积归一化激活模块CBR2，第一硬卷积归一化激活模块CBH1、第二硬卷积归一化激活模块CBH2，最大池化层、强化感知模块EPM、多尺度卷积模块MC，具体的模型训练步骤包括：S21、输入层接收D中的任意安卓软件RGB图像FI，并将FI传递至EPM‑MCNET神经网络的中间层；

S22、中间层中的CBR1模块接收到FI之后，对FI进行卷积、归一化处理和ReLU激活函数进行激活；输出特征图像T1；然后将T1输入至最大池化层进行降维，输出特征图像Fm1，并将其传递至CBH1模块中；

S23、CBH1模块接收到Fm1之后，对Fm1进行卷积、归一化处理和H‑Swish激活函数进行激活，输出特征图像T2；随后将T2输入至最大池化层进行降维，输出特征图像T3；接着将T3输入至EPM模块，以增强特征图像T3特定区域或特定通道的特征信息，输出特征图像Fm2；最后将特征图像Fm2输入至CBH2模块中；

所述将T3输入至EPM模块，以增强特征图像T3特定区域或特定通道的特征信息，输出特征图像Fm2，具体步骤包括：当将高度为H、宽度为W、通道数为C的三维特征图像T3输入至EPM模块后，同时被该模块的路径A和路径B接收；

对于路径A，分别采用全局最大池化、全局平均池化提取特征图像T3的特征信息，得到两个1×1×C的特征向量；接着，路径A将这两个特征向量逐元素求和，得到一个1×1×C的特征向量FA1；随后路径A通过多层感知机MLP1对特征向量FA1的每个通道进行权重赋值，得到一个尺寸为1×1×C的特征向量FA2；

对于路径B，分别采用全局最大池化、全局平均池化提取特征图像T3的特征信息，得到两个H×W×1的特征矩阵；接着，路径B将这两个特征矩阵逐元素求和，得到一个H×W×1的特征矩阵FB1；随后路径B通过多层感知机MLP2对特征矩阵FB1的不同区域进行权重赋值，得到一个H×W×1的特征矩阵FB2；

接着，EPM模块将FB2的尺寸重塑为1×1×HW，让特征向量FA2与特征矩阵FB2沿着通道维度进行叠加，输入到MLP3中进行权重赋值，输出尺寸为1×1×(HW+C)的特征向量F1；然后，将特征向量F1分割为特征向量F2和特征向量F3，其中的F2为1×1×C，F3为1×1×HW；将F2输入Sigmoid激活函数，得到权重向量MC，即特征图像T3中每个通道的重要程度；将特征向量F3的尺寸重塑为H×W×1，接着将F3输入Sigmoid激活函数，得到权重矩阵MS，即特征图像T3不同区域的重要程度；最后将特征图像T3与MC、MS相乘，得到特征增强的特征图像Fm2；具体公式为：其中，δ表示Sigmoid激活函数，⊙表示元素积操作，S表示沿通道维度分割特征向量，R表示重塑特征向量；

式(1)中，特征向量F1的计算公式如式(2)所示：

其中，M表示MLP，[，，]表示张量拼接操作，Max表示全局最大池化，Avg表示全局平均池化， 表示逐元素求和，R表示重塑特征向量；

S24、CBH2模块接收到Fm2后，对Fm2进行卷积、归一化处理和H‑Swish激活函数进行激活，输出特征图像T4；接着将T4输入至EPM模块中，输出特征图像Fm3，最后将特征图像Fm3输入至CBR2模块中；

S25、CBR2模块接收到特征图像Fm3，对Fm3进行卷积、归一化处理和ReLU激活函数进行激活，输出特征图像T5；然后将T5输入至最大池化层进行降维，输出特征图像T6；随后将T6输入至MC模块中，MC模块采用不同尺寸的卷积核对输入特征图像T6进行卷积操作，最终输出特征图像Fm4，并将其传递至输出层；

S26、输出层接收特征图像Fm4，判断该特征图像Fm4对应的安卓软件是否为安卓恶意软件，并将判断的结果输出；

S27、重复步骤S21‑S26，直到模型训练结束；训练结束后，得到基于EPM‑MCNET神经网络的安卓恶意软件检测模型；

S3、运用基于EPM‑MCNET神经网络的安卓恶意软件检测模型检测安卓软件，判断该安卓软件是否为安卓恶意软件。

2.根据权利要求1所述的基于EPM‑MCNET神经网络的安卓恶意软件检测方法，其特征在于，所述步骤S25，MC模块采用不同尺寸的卷积核对输入特征图像T6进行卷积操作，最终输出特征图像Fm4，具体内容包括：当将高度为H0、宽度为W0、通道数为C0的三维特征图像T6输入至MC模块后，同时被该模块的路径I、路径II、路径III接收；

对于路径I，首先采用尺寸为1×1的卷积核对特征图像T6进行卷积操作，然后进行归一化处理，ReLU激活函数激活以及最大池化层降维操作，最后输出尺寸为H’×W’×C1的特征图像F4；

对于路径II，首先采用尺寸为3×3的卷积核对特征图像T6进行卷积操作，接着进行归一化处理，ReLU激活函数激活，最后输出尺寸为H’×W’×C2的特征图像F5；

对于路径III，首先采用尺寸为5×5的卷积核对特征图像T6进行卷积操作，接着执行归一化处理，ReLU激活函数激活，最后输出尺寸为H’×W’×C3的特征图像F6；

将特征图像F4、F5、F6沿通道维度进行叠加，得到尺寸为H’×W’×C4的特征图像F7，其中C4＝C1+C2+C3；最后将特征图像F7输入至卷积核尺寸为1×1的卷积层中进行卷积，输出尺寸为H’×W’×C’的特征图像Fm4。

3.一种基于EPM‑MCNET神经网络的安卓恶意软件检测系统，其通过权利要求1所述的一种基于EPM‑MCNET神经网络的安卓恶意软件检测方法实现，其特征在于，包括数据预处理模块、安卓恶意软件检测模型训练模块、安卓软件检测模块：所述数据预处理模块：构建一个安卓软件RGB图像数据集D，D由若干个安卓软件RGB图像FI构成；

所述安卓恶意软件检测模型训练模块：构建基于EPM‑MCNET神经网络的安卓恶意软件检测模型；该模型包括将安卓软件可视化为RGB图像部分和EPM‑MCNET神经网络部分；所述EPM‑MCNET神经网络包括输入层、中间层和输出层；中间层包括第一卷积归一化激活模块CBR1、第二卷积归一化激活模块CBR2，第一硬卷积归一化激活模块CBH1、第二硬卷积归一化激活模块CBH2，最大池化层、强化感知模块EPM、多尺度卷积模块MC，具体的模型训练步骤包括：第一步、输入层接收D中的任意安卓软件RGB图像FI，并将FI传递至EPM‑MCNET神经网络的中间层；

第二步、中间层中的CBR1模块接收到FI之后，对FI进行卷积、归一化处理和ReLU激活函数进行激活；输出特征图像T1；然后将T1输入至最大池化层进行降维，输出特征图像Fm1，并将其传递至CBH1模块中；

第三步、CBH1模块接收到Fm1之后，对Fm1进行卷积、归一化处理和H‑Swish激活函数进行激活，输出特征图像T2；随后将T2输入至最大池化层进行降维，输出特征图像T3；接着将T3输入至EPM模块，以增强特征图像T3特定区域或特定通道的特征信息，输出特征图像Fm2；最后将特征图像Fm2输入至CBH2模块中；

所述将T3输入至EPM模块，以增强特征图像T3特定区域或特定通道的特征信息，输出特征图像Fm2，具体步骤包括：当将高度为H、宽度为W、通道数为C的三维特征图像T3输入至EPM模块后，同时被该模块的路径A和路径B接收；

对于路径A，分别采用全局最大池化、全局平均池化提取特征图像T3的特征信息，得到两个1×1×C的特征向量；接着，路径A将这两个特征向量逐元素求和，得到一个1×1×C的特征向量FA1；随后路径A通过多层感知机MLP1对特征向量FA1的每个通道进行权重赋值，得到一个尺寸为1×1×C的特征向量FA2；

对于路径B，分别采用全局最大池化、全局平均池化提取特征图像T3的特征信息，得到两个H×W×1的特征矩阵；接着，路径B将这两个特征矩阵逐元素求和，得到一个H×W×1的特征矩阵FB1；随后路径B通过多层感知机MLP2对特征矩阵FB1的不同区域进行权重赋值，得到一个H×W×1的特征矩阵FB2；

接着，EPM模块将FB2的尺寸重塑为1×1×HW，让特征向量FA2与特征矩阵FB2沿着通道维度进行叠加，输入到MLP3中进行权重赋值，输出尺寸为1×1×(HW+C)的特征向量F1；然后，将特征向量F1分割为特征向量F2和特征向量F3，其中的F2为1×1×C，F3为1×1×HW；将F2输入Sigmoid激活函数，得到权重向量MC，即特征图像T3中每个通道的重要程度；将特征向量F3的尺寸重塑为H×W×1，接着将F3输入Sigmoid激活函数，得到权重矩阵MS，即特征图像T3不同区域的重要程度；最后将特征图像T3与MC、MS相乘，得到特征增强的特征图像Fm2；具体公式为：其中，δ表示Sigmoid激活函数，⊙表示元素积操作，S表示沿通道维度分割特征向量，R表示重塑特征向量；

式(1)中，特征向量F1的计算公式如式(2)所示：

其中，M表示MLP，[，，]表示张量拼接操作，Max表示全局最大池化，Avg表示全局平均池化， 表示逐元素求和，R表示重塑特征向量；

第四步、CBH2模块接收到Fm2后，对Fm2进行卷积、归一化处理和H‑Swish激活函数进行激活，输出特征图像T4；接着将T4输入至EPM模块中，输出特征图像Fm3，最后将特征图像Fm3输入至CBR2模块中；

第五步、CBR2模块接收到特征图像Fm3，对Fm3进行卷积、归一化处理和ReLU激活函数进行激活，输出特征图像T5；然后将T5输入至最大池化层进行降维，输出特征图像T6；随后将T6输入至MC模块中，MC模块采用不同尺寸的卷积核对输入特征图像T6进行卷积操作，最终输出特征图像Fm4，并将其传递至输出层；

第六步、输出层接收特征图像Fm4，判断该特征图像Fm4对应的安卓软件是否为安卓恶意软件，并将判断的结果输出；

第七步、重复上述第一步到第六步，直到模型训练结束；训练结束后，得到基于EPM‑MCNET神经网络的安卓恶意软件检测模型；

所述安卓软件检测模块：运用基于EPM‑MCNET神经网络的安卓恶意软件检测模型检测安卓软件，判断该安卓软件是否为安卓恶意软件。

4.一种计算机设备，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1‑2任一所述的基于EPM‑MCNET神经网络的安卓恶意软件检测方法的步骤。

5.一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1‑2任一所述的基于EPM‑MCNET神经网络的安卓恶意软件检测方法的步骤。