1.一種惡意代碼檢測方法，其特征在于，包括步驟：
分析待分析樣本對象的結構，所述結構包括PE可執行文體結構與文檔結構；
當所述待分析樣本對象為PE可執行文體結構時，對待分析樣本進行靜態分析、殺毒軟件接口分析、虛擬環境沙箱動態分析以及網絡數據分析，獲得第一分析結果；
當所述待分析樣本對象為文檔結構時，對待分析樣本進行靜態分析，獲得第二分析結果；
根據所述第一分析結果或所述第二分析結果，采用惡意代碼分類器，檢測是否存在惡意代碼。
2.根據權利要求1所述的惡意代碼檢測方法，其特征在于，當所述待分析樣本對象為PE可執行文體結構時，對待分析樣本進行靜態分析包括步驟：
當所述待分析樣本對象為PE可執行文體結構時，采用惡意代碼API序列威脅因子分析引擎TFAE技術、可機讀威脅情報指標技術以及惡意代碼家族歸類FCSH技術，對待分析樣本進行靜態分析。
3.根據權利要求2所述的惡意代碼檢測方法，其特征在于，采用惡意代碼API序列威脅因子分析引擎TFAE技術對待分析樣本進行靜態分析的步驟包括：
對大數據原始惡意軟件樣本集進行特征工程試驗研究；
對特征工程試驗研究的數據進行清洗及加工，生成基于惡意API序列威脅因子的數據模型；
以JSON接口交互方式，將所述基于惡意API序列威脅因子的數據模型存儲；
驗證初始階段不同批次生成的惡意API序列因子數據模型，判斷所述測試樣本對象是否存在惡意API序列威脅檢測的標注指標；
根據所述標注指標，生成惡意API序列威脅數據模型。
4.根據權利要求2所述的惡意代碼檢測方法，其特征在于，采用惡意代碼家族歸類FCSH技術，對待分析樣本進行靜態分析包括步驟：
獲取并導入所述待分析樣本對象的地址表，生成FCSH數據值；
對所述FCSH數據值進行檢測，提取待分析樣本對象的FCSH數據值作為每個分組成員名稱；
將所述待分析樣本對象的FCSH數據值與預設的數據庫存檔惡意代碼FCSH分類工作組對應的FCSH數據值進行比較；
將所述待分析樣本對象的FCSH數據值與所述預設的數據庫存檔惡意代碼FCSH分類工作組對應的FCSH數據值相同的分類組成員歸屬于同一團體的威脅家族群。
5.根據權利要求1所述的惡意代碼檢測方法，其特征在于，所述檢測是否存在惡意代碼的步驟之后還包括：
當存在惡意代碼時，提取所述惡意代碼的特征；
根據所述惡意代碼的特征，生成可機讀威脅情報IOC數據標準。
6.一種惡意代碼檢測系統，其特征在于，包括：
結構分析模塊，用于分析待分析樣本對象的結構，所述結構包括PE可執行文體結構與文檔結構；
第一分析模塊，用于當所述待分析樣本對象為PE可執行文體結構時，對待分析樣本進行靜態分析、殺毒軟件接口分析、虛擬環境沙箱動態分析以及網絡數據分析，獲得第一分析結果；
第二分析模塊，用于當所述待分析樣本對象為文檔結構時，對待分析樣本進行靜態分析，獲得第二分析結果；
檢測模塊，用于根據所述第一分析結果或所述第二分析結果，采用惡意代碼分類器，檢測是否存在惡意代碼。
7.根據權利要求6所述的惡意代碼檢測系統，其特征在于，第一分析模塊具體用于當所述待分析樣本對象為PE可執行文體結構時，采用惡意代碼API序列威脅因子分析引擎TFAE技術、可機讀威脅情報指標技術以及惡意代碼家族歸類FCSH技術，對待分析樣本進行靜態分析。
8.根據權利要求7所述的惡意代碼檢測系統，其特征在于，所述第一分析模塊包括：
研究單元，用于對大數據原始惡意軟件樣本集進行特征工程試驗研究；
威脅因子數據模型單元，用于對特征工程試驗研究的數據進行清洗及加工，生成基于惡意API序列威脅因子的數據模型；
存儲單元，用于以JSON接口交互方式，將所述基于惡意API序列威脅因子的數據模型存儲；
判斷單元，用于驗證初始階段不同批次生成的惡意API序列因子數據模型，判斷所述測試樣本對象是否存在惡意API序列威脅檢測的標注指標；
威脅數據模型單元，用于根據所述標注指標，生成惡意API序列威脅數據模型。
9.根據權利要求7所述的惡意代碼檢測系統，其特征在于，所述第一分析模塊包括：
獲取單元，用于獲取并導入所述待分析樣本對象的地址表，生成FCSH數據值；
檢測單元，用于對所述FCSH數據值進行檢測，提取待分析樣本對象的FCSH數據值作為每個分組成員名稱；
比較單元，用于將所述待分析樣本對象的FCSH數據值與預設的數據庫存檔惡意代碼FCSH分類工作組對應的FCSH數據值進行比較；
處理單元，用于將所述待分析樣本對象的FCSH數據值與所述預設的數據庫存檔惡意代碼FCSH分類工作組對應的FCSH數據值相同的分類組成員歸屬于同一團體的威脅家族群。
10.根據權利要求6所述的惡意代碼檢測系統，其特征在于，還包括：
提取模塊，用于當存在惡意代碼時，提取所述惡意代碼的特征；
生成模塊，用于根據所述惡意代碼的特征，生成可機讀威脅情報IOC數據標準。