1.一种基于基因图谱和机器学习的APT网络攻击检测方法，其特征在于，所述基于基因图谱和机器学习的APT网络攻击检测方法，包括：对包含或不包含APT网络攻击的软件样本进行软件基因提取，所述软件基因包含多个基因片段；

根据基因片段中词的词频计算基因片段的初步评估分数，并基于基因片段的代码行数得到复杂度因子，利用复杂度因子对初步评估分数进行加权得到最终评估分数；

取最终评估分数前预设个数的基因片段作为软件样本的特征基因；

利用全局词向量表示算法对特征基因进行向量化，得到特征基因对应的基因向量，所述全局词向量表示算法的目标函数上叠加有加权函数，所述加权函数由目标函数中两个词的共现频率计算得到；

对所有基因向量进行聚类以及降维，得到多个基因簇；

分别将基因簇送入由三层CNN‑LSTM神经网络构成的攻击检测模型中，得到攻击检测模型输出的对应于每个基因簇的预测结果，聚合所有预测结果对攻击检测模型进行训练更新；

基于训练更新结束后的攻击检测模型进行APT网络攻击检测，得到目标软件属于APT攻击软件或非APT攻击软件的预测结果；

其中，所述根据基因片段中词的词频计算基因片段的初步评估分数，包括：；

；

式中， 表示软件基因 中基因片段 的初步评估分数，表示基因片段 中所包含的词的个数， 表示软件样本的个数， 表示软件基因 中包含词 的基因片段总数， 表示基因片段 中的第 个词， 表示第一正参数， 表示词 在软件基因 中的词频， 表示第二正参数， 表示词 在基因片段 中的词频， 为中间参数，表示信息量程度参数， 表示软件基因 的长度， 表示所有软件样本对应的软件基因的平均长度。

2.根据权利要求1所述的基于基因图谱和机器学习的APT网络攻击检测方法，其特征在于，所述基于基因片段的代码行数得到复杂度因子，利用复杂度因子对初步评估分数进行加权得到最终评估分数，包括：；

；

式中， 表示基因片段 的复杂度因子， 表示基因片段 的代码行数， 表示软件基因 的平均代码行数，为软件基因 的总代码行数与软件基因 所包含的基因片段数的比值， 表示软件基因 中基因片段 的最终评估分数。

3.根据权利要求1所述的基于基因图谱和机器学习的APT网络攻击检测方法，其特征在于，所述加权函数由目标函数中两个词的共现频率计算得到，包括：；

式中， 为加权函数， 表示目标函数中两个词的共现频率， 为最大共现频率阈值。

4.根据权利要求1所述的基于基因图谱和机器学习的APT网络攻击检测方法，其特征在于，所述聚类采用非加权组平均法，所述降维采用统一流形逼近与投影算法。

5.根据权利要求1所述的基于基因图谱和机器学习的APT网络攻击检测方法，其特征在于，所述攻击检测模型包括依次连接的三层CNN‑LSTM神经网络，以及连接在第三层CNN‑LSTM神经网络后的全连接层，所述CNN‑LSTM神经网络包括卷积层、最大池化层、批量归一化层和LSTM层。

6.根据权利要求1所述的基于基因图谱和机器学习的APT网络攻击检测方法，其特征在于，若存在一个基因簇的预测结果为APT攻击软件，则目标软件的预测结果为APT攻击软件；

否则目标软件的预测结果为非APT攻击软件。

7.一种基于基因图谱和机器学习的APT网络攻击检测装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求6中任意一项所述基于基因图谱和机器学习的APT网络攻击检测方法的步骤。