技术特征：
1.一种恶意代码分类结果的精确度验证方法，其特征在于，包括下述步骤：获取包含恶意代码的原始文件，并基于所述原始文件建立样本数据集；构建深度学习网络模型，并基于所述样本数据集对深度学习网络模型进行训练，得到深度学习网络模型的最优网络结构；基于所述深度学习网络模型的最优网络结构对待预测原始文件中的恶意代码进行分类，得到恶意代码的分类结果，并验证所述恶意代码分类结果的精确度。2.根据权利要求1所述的恶意代码分类结果的精确度验证方法，其特征在于，获取包含恶意代码的原始文件，并基于所述原始文件建立样本数据集，包括下述步骤：基于所述包含恶意代码的原始文件，得到指定序列长度的二进制代码；对所述指定序列长度的二进制代码进行预处理，得到二进制文件列表；为所述二进制文件列表中的每个恶意代码添加标签，得到样本数据集。3.根据权利要求2所述的恶意代码分类结果的精确度验证方法，其特征在于，所述恶意代码的标签包括ramnit、lollipop、kelihos_ver3、vundo、simda、tracur、kelihos_ver1、obfuscator.acy和gatak。4.根据权利要求1所述的恶意代码分类结果的精确度验证方法，其特征在于，所述深度学习网络模型包括卷积神经网络和长短期记忆网络，其中，所述卷积神经网络包括依次连接的卷积层、池化层、全连接层、归一化层和第一输出层；所述长短期记忆网络包括正向lstm层、反向lstm层和第二输出层，其中，所述第二输出层用于将所述正向lstm层的输出特征与反向lstm层的输出特征进行拼接并输出。5.根据权利要求3所述的恶意代码分类结果的精确度验证方法，其特征在于，基于所述样本数据集对深度学习网络模型进行训练，得到深度学习网络模型的最优网络结构，包括下述步骤：将所述样本数据集划分为训练数据集和验证数据集；将所述训练数据集输入深度学习网络模型进行训练，得到训练好的深度学习网络；基于所述验证数据集对训练好的深度学习网络进行验证，得到深度学习网络模型的最优网络结构。6.根据权利要求5所述的恶意代码分类结果的精确度验证方法，其特征在于，基于所述深度学习网络模型的最优网络结构对待预测原始文件中的恶意代码进行分类，得到恶意代码的分类结果，并验证所述恶意代码分类结果的精确度，包括下述步骤：将所述包含恶意代码的待预测原始文件输入深度学习网络模型的最优网络结构，得到恶意代码的分类结果和预测结果；基于所述预测结果计算精确率和召回率；基于所述精确率和召回率得到分类结果对应的f1分数，其中，所述f1分数越大，则恶意代码分类结果的精确度越高。7.一种恶意代码分类结果的精确度验证装置，其特征在于，包括：样本数据集构建模块，用于获取包含恶意代码的原始文件，并基于所述原始文件建立样本数据集；模型训练模块，用于构建深度学习网络模型，并基于所述样本数据集对深度学习网络模型进行训练，得到深度学习网络模型的最优网络结构；
分类结果的精确度验证模块，用于根据所述深度学习网络模型的最优网络结构对待预测原始文件中的恶意代码进行分类，得到恶意代码的分类结果，并验证所述恶意代码分类结果的精确度。8.根据权利要求7所述的恶意代码分类结果的精确度验证装置，其特征在于，所述样本数据集构建模块用于：基于所述包含恶意代码的原始文件，得到指定序列长度的二进制代码；对所述指定序列长度的二进制代码进行预处理，得到二进制代码文件列表；为所述二进制代码文件列表中的每个恶意代码添加标签，得到样本数据集。9.根据权利要求8所述的恶意代码分类结果的精确度验证装置，其特征在于，所述恶意代码的标签包括ramnit、lollipop、kelihos_ver3、vundo、simda、tracur、kelihos_ver1、obfuscator.acy和gatak。10.根据权利要求9所述的恶意代码分类结果的精确度验证装置，其特征在于，所述深度学习网络模型包括卷积神经网络和长短期记忆网络，其中，所述卷积神经网络包括依次连接的卷积层、池化层、全连接层、归一化层和第一输出层；所述长短期记忆网络包括正向lstm层、反向lstm层和第二输出层，其中，所述第二输出层用于将所述正向lstm层的输出特征与反向lstm层的输出特征进行拼接并输出。