1.一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：所述方法包括以下步驟：
2.根據權利要求1所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s1中，對于惡意詞典w，首先收集的惡意詞匯，對收集的惡意詞匯進行處理，形成惡意詞典：
3.根據權利要求2所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s2中，建立融合惡意詞典與bert預訓練模型的惡意url文本內容檢測網絡，其中，文本內容檢測網絡包括輸入層、bert預訓練模型、惡意值計算模塊、多尺度卷積模塊以及softmax分類器，輸入層輸入文本內容，采用bert預訓練模型對文本進行特征提取，惡意值計算模塊用于計算惡意權重向量，多尺度卷積模塊，提取不同尺度下的特征，并通過softmax輸出最終預測的惡意分類結果。
4.根據權利要求3所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s3中，bert預訓練模型按照以下步驟對輸入的文本內容進行特征提?。?/p>
5.根據權利要求4所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s4中，惡意值計算模塊按照以下步驟計算惡意權重向量：
6.根據權利要求5所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s5中，多尺度卷積模塊的處理過程包括：
7.根據權利要求6所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s51中，首先根據通道數自適應計算一維卷積的核大小k，核大小k的計算公式為：
8.根據權利要求6所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s52中，最終的特征向量ac表示為：
9.根據權利要求6所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s53中，多頭自注意力計算為：
10.根據權利要求6所述的一種融合惡意詞典與bert預訓練模型的惡意url檢測方法，其特征在于：在步驟s54中，特征向量m的第i個類別的得分zi為：