1.一种基于多维度特征学习与特征聚焦的恶意命令行检测方法，其特征在于，所述基于多维度特征学习与特征聚焦的恶意命令行检测方法，包括：采用CharBERT模型对待检测命令行的参数输出高维特征；

基于注意力掩码机制根据高维特征得到基础特征，将基础特征分别输入多个带动态膨胀率的膨胀卷积，得到多个分支特征；

针对每一个分支特征，将分支特征与基础特征进行融合得到初步融合特征；

采用激活函数根据初步融合特征输出动态权重系数，并基于动态权重系数对所有初步融合特征进行加权融合，得到层级渐进式融合特征；

对层级渐进式融合特征进行自适应平均池化操作，生成不同维度的池化特征；

针对每一维度的池化特征，采用多层感知器提取注意力权重，并将注意力权重与层级渐进式融合特征进行融合，得到每一维度的聚焦特征；

对所有维度的聚焦特征进行加权融合，得到最终的命令行特征，利用检测模型学习命令行特征，输出检测结果，所述检测结果为恶意命令行或正常命令行；

其中，所述基于注意力掩码机制根据高维特征得到基础特征，包括：将高维特征输入深度可分离卷积，得到深度卷积特征；

利用激活函数将高维特征转换为注意力掩码；

取深度卷积特征与注意力掩码的相乘结果作为基础特征；

其中，所述注意力权重与层级渐进式融合特征进行融合，得到每一维度的聚焦特征，包括：；

式中， 表示第 个维度的聚焦特征， 注意力权重融合比例， 为层级渐进式融合特征， 表示第 个维度的注意力权重。

2.根据权利要求1所述的基于多维度特征学习与特征聚焦的恶意命令行检测方法，其特征在于，所述动态膨胀率的确定方式如下：；

其中， 表示第 个膨胀卷积的动态膨胀率， 为取最大值操作， 表示第 个膨胀卷积的学习参数， 表示高维特征， 表示Frobenius范数， 表示向下取整操作。

3.根据权利要求1所述的基于多维度特征学习与特征聚焦的恶意命令行检测方法，其特征在于，所述将分支特征与基础特征进行融合得到初步融合特征，包括：读取融合系数并应用于基础特征，然后与分支特征相加作为初步融合特征。

4.根据权利要求1所述的基于多维度特征学习与特征聚焦的恶意命令行检测方法，其特征在于，所述采用激活函数根据初步融合特征输出动态权重系数，包括：所述激活函数为softmax归一化函数，则动态权重系数计算如下：；

式中， 表示第 个初步融合特征对应的动态权重系数， 表示初步融合特征的个数，表示自然常数 为底的指数函数；

当 或 时， 表示基础特征的学习参数， 表示基础特征；否则 表示第个初步融合特征的学习参数， 表示第 个初步融合特征， 表示第 个初步融合特征的学习参数， 表示第 个初步融合特征。

5.根据权利要求1所述的基于多维度特征学习与特征聚焦的恶意命令行检测方法，其特征在于，所述基于动态权重系数对所有初步融合特征进行加权融合，得到层级渐进式融合特征，包括：；

式中， 为层级渐进式融合特征， 表示初步融合特征的个数， 表示第 个初步融合特征对应的动态权重系数， 表示残差比例参数， 表示高维特征；当 时， 表示基础特征；否则 表示第 个初步融合特征。

6.根据权利要求1所述的基于多维度特征学习与特征聚焦的恶意命令行检测方法，其特征在于，所述对所有维度的聚焦特征进行加权融合，包括：对每一个维度的聚焦特征进行上采样操作，得到上采样特征；

对上采样特征赋予加权权重，得到加权特征；

利用求和函数对所有维度的加权特征进行求和，输出命令行特征。