1.一种基于大数据的安卓恶意软件检测方法，其特征在于，具体包括以下步骤：将待检测的安卓软件的样本数据输入预训练的超信息神经网络中，得到样本数据的第一特征数据；超信息神经网络由级联的多层结构组成，第l+1层对数据的处理包括：(l+1)

其中，H 为超信息神经网络第l+1层的输出， 为超信息神经网络第l层的自适应(l)权重向量；⊙表示矩阵元素乘法；b 为超信息神经网络第l层的可学习偏置，σ为非线性激活函数；

超信息神经网络第l层的自适应权重向量 中元素根据反向传播进行更新，进行初始化时，自适应权重向量中第i个元素的值为第i个节点与其所有邻居节点之间自适应权重的累计，第i个节点与其第j个邻居节点之间的自适应权重表示为：其中，sim(xi,xj)表示第i个节点与第j个节点之间的相似度度量，N(i)表示第i个节点的邻居节点集合；

将第一特征数据输入预训练的全连接网络中，得到样本数据的第二特征数据；全连接网络由级联的多个残差块组成，每个残差块包括两个级联的线性全连接层，将第二个线性线性全连接层的输出与该残差的输入相加后作为参数块的输出；一个残差块对输入的数据的处理过程包括：Z1＝W1·x+b1

f1(x)＝σ(Z1)

Z2＝W2·f1(x)+b2

f2(x)＝σ(Z2)

y＝f2(x)+x

其中，x为残差层的输入；W1为第一个全连接层的权重，b1为第一个全连接层的偏置，Z1为第一个全连接层的输出，f1(x)为第一个全连接的线性变换输出；W2为第二个全连接层的权重，b2为第二个全连接层的偏置，Z2为第二个全连接层的输出，f2(x)为第二个全连接的线性变换输出；y为残差块的输出；

利用Compare Loss损失函数对超信息神经网络进行方向传播，完成对超信息神经网络的训练，Compare Loss损失函数表示为：其中，f(x)为Compare Loss损失函数；α为相似对特征的相对重要性权重因子，β为不相似对特征的相对重要性权重因子；y为是否相似度的标识，当样本特征xi与样本特征yi对应的样本均为正样本或负样本，则样本相似，此时y＝1，否则y＝0；D表示样本集合；B为设定阈值；对第二特征数据进行位置编码，获取每个节点的唯一向量表示；

将节点的唯一向量表示输入由信息决策卷积神经网络模型、提升深度卷积神经网络和全局最大池化层构成的预测网络得到检测结果，即在预测网络中包括两个分支，第一个分支由级联的信息决策卷积神经网络模型和提升深度卷积神经网络构成，第二个分支由级联的提升深度卷积神经网络和信息决策卷积神经网络模型构成，将两个分支的输出拼接在一起后输入全局最大池化层得到最终的预测结果；

提升深度卷积神经网络对数据进行处理的过程包括以下步骤：f(v)＝σ1(W1·xv+W2·AGG(v,N(v))+W3·HIST(v)+W4·hemb(v))其中，f(v)表示经过提升深度卷积神经网络处理后得到的节点v；σ1(·)为ReLU激活函数；W1、W2、W3、W4分别为提升深度卷积神经网络中第一、第二、第三、第四可学习的权重矩阵；

xv为输入深度卷积神经网络的节点v的特征向量；AGG(v,N(v))表示节点v的邻居节点集合N(v)中所有节点的聚合；HIST(v)表示输入深度卷积神经网络的节点v的历史特征向量；hemb(v)为节点v的嵌入表示。

2.根据权利要求1所述的一种基于大数据的安卓恶意软件检测方法，其特征在于，信息决策卷积神经网络模型对数据进行处理的过程包括以下步骤：计算第i个节点的特征与第j个节点的特征之间的注意力系数，即：T 1 2

eij＝LeakyReLU(a[Whi||Whj])T

其中，a 表示注意力机制的权重向量a的转置；hi、hj分别为i、j的特征表示；LeakyReLU

1 2

(·)为LeakyReLU激活函数；W、W分别为信息决策卷积神经网络模型中第一、第二可学习的权重矩阵；||表示拼接操作；

利用softmax函数对注意力系数进行归一化，即：

其中，Ni表示节点i的邻居集合；

利用当前节点归一化后的注意力系数以及当前节点的邻居节点对当前节点进行更新，即：3

其中，h′i为经过信息决策卷积神经网络模型处理后的节点i；W为信息决策卷积神经网络模型中第三可学习的权重矩阵。