1.一种针对网络节点分类和链路预测的指标评测方法，其特征在于：包括以下步骤：S1：使用cora引文网络数据集，选取最新的节点分类模型和链路预测模型，选取最新的深度学习攻击方法，将生成的对抗样本和原始样本一一对应保存；

S2：将原始样本输入到最新的节点分类模型和链路预测模型得到网络图性质指标；将原始样本和攻击样本输入模型得到攻击隐蔽性指标；

S3：通过指标相关性分析、筛选掉相关性过高的指标，并把输出的指标保存下来；

S4：将输出指标分为训练集和验证集，训练随机森林模型，设计特征映射损失函数作为其损失函数，进行多次迭代，制作鲁棒性分析模块，使用t‑SNE方法对输出指标进行可视化，可视化模型鲁棒性特征。

2.根据权利要求1所述的一种针对网络节点分类和链路预测的指标评测方法，其特征在于：步骤S1所述的选取最新的节点分类模型和链路预测模型，节点分类模型包括：GCN，GAT，MIXHOP模型，链路预测模型包括：GCN_VAE,ARGA_AE,ARGA_VAE模型，所述的最新的攻击方法，节点分类最新的攻击方法包括NTK，GFA，链路预测最新的攻击方法包括白盒攻击和代替模型攻击。具体包括：

S1.1：使用Cora数据集作为样本数据：使用Cora数据集进行评估，该数据集共2708个样本点，每个样本点都是一篇科学论文，所有样本点被分为8个类别，类别分别是1)基于案例；2)遗传算法；3)神经网络；4)概率方法；5)强化学习；6)规则学习；7)理论，每篇论文都由一个1433维的词向量表示，所以，每个样本点具有1433个特征；词向量的每个元素都对应一个词，且该元素只有0或1两个取值。取

0表示该元素对应的词不在论文中，取1表示在论文中。所有的词来源于一个具有1433个词的字典。每篇论文都至少引用了一篇其他论文，或者被其他论文引用，也就是样本点之间存在联系，没有任何一个样本点与其他样本点完全没联系。如果将样本点看做图中的点，则这是一个连通的图，不存在孤立点。其中训练集、验证集、测试集包含的节点个数分别为：140、

500、1000，其中每类节点个数相同；

S1.2：选取最新的节点分类模型和链路预测模型，选取最新的攻击方法，将生成的对抗样本和原始样本一一对应保存：

选取最新的节点分类模型包括：GCN，GAT，MIXHOP模型，最新的链路预测模型包括：GCN_VAE,ARGA_AE,ARGA_VAE模型，选取最新的攻击方法，节点分类最新的攻击方法包括NTK，GFA，链路预测最新的攻击方法包括白盒攻击和代替模型攻击。

3.根据权利要求1所述的一种针对网络节点分类和链路预测的指标评测方法，其特征在于：步骤S2具体包括：

S2.1:将原始样本输入到不同参数、结构的模型得到网络图性质指标；

所述的网络图性质指标如下：度中心性DC，接近中心性CC，介数中心性BC，特征向量中心性EC，聚类系数Cluster，其中DC常用来衡量节点在网络中的重要性，即一个节点的度中心性越大则意味着这个节点越重要；CC表示节点到其它所有节点距离的平均值的倒数，用于度量网络中的一个节点到其它节点的平均最短距离；BC指标为网络中所有节点对之间的最短路径中，经过某节点的最短路径的数量占所有最短路径数量的比例；EC指标用来衡量网络中节点影响力的一种度量指标，网络中节点的重要性取决于其邻居节点的数量，也取决于其邻居节点的重要性；Cluster指标表示该节点的邻居节点之间实际存在的连边占邻居节点之间可能形成的最大连边数的比例，用来定量刻画邻居节点形成连边的概率；

S2.2:将原始样本和攻击样本输入模型得到攻击隐蔽性指标；所述的攻击隐蔽性指标如下：对抗网络的最大连接部分的大小，对抗网络的‘三角形’数，对抗网络的‘矩形数’，对抗网络的幂律系数，对抗网络节点连接相似度，对抗网络的连接部分数，对抗网络的特征路径长度；其中对抗网络的最大连接部分的大小表示其子图内的每个点至少与其余点中的一个连接，且子图间没有连接，最大连接部分的大小即最大子图的尺寸；对抗网络的‘三角形’数表示对抗网络图中包含一个节点作为一个顶点的三角形数量；对抗网络的‘矩形’数：表示对抗网络图中平均每个节点含有的矩形数量；对抗网络的幂律系数表示当随机从网络中抽取一个节点时，与该节点相连的节点数的概率分布，对对抗网络的概率分布进行幂律拟合，计算幂律拟合的最小值；对抗网络节点的连接相似度：先求节点度发生共现的联合概率，分别按行和列得到两个量，求两个量的线性相关系数；对抗网络的连接部分数：表示图的连接部分定义为一个子图，子图内的每个点至少与子图内其余点中的一个连接，且子图间的点没有连接，统计对抗网络的子图数量；对抗网络的特征路径长度：表示求对抗网络从节点i到节点j的最短路径距离，得到一个各个节点间最短距离数值的矩阵，再对矩阵中非无穷的元素求和取平均值得到特征路径长度。

4.根据权利要求1所述的一种针对网络节点分类和链路预测的指标评测方法，其特征在于：步骤S3具体包括：

S3.1：选取kendall相关性算法，计算不同指标之间的相关性；选取kendall相关系数作为衡量指标之间相关性的方法，kendall系数是一个用来测量两个随机数相关性的统计值，将保存好的指标csv文件进行kendall相关系数计算。

S3.2：根据指标之间的相关性，筛选出相关性值较高的两两指标，选取其中一个指标，并把结果保存下来；当相关系数大于0.8，或小于‑0.8时，那么表示这指标之间存在很强的相关性，对后续的分类可能造成过拟合等不良影响，除去掉两两相关性高于0.8或小于‑0.8两列中的一列，并将筛选后的指标保存下来。

5.根据权利要求1所述的一种针对网络节点分类和链路预测的指标评测方法，其特征在于：步骤S4具体包括：

S4.1将输出指标分为训练集和验证集，设计经验损失函数；

将输出指标按照2:1的比例划分为训练集和验证集，保证训练集中鲁棒模型指标和不鲁棒模型‑指标相同。按照指标体系的输出指标，设计经验损失函数，使得鲁棒模型和不鲁棒模型的指标分布相距更远。

经验损失函数如下：

loss总＝η1×loss网+η2×loss隐             (1)上述公式1中，η1为0.5，η2为0.5，loss网表示网络图性质指标，loss隐表示隐蔽性指标。

S4.2优化模型参数，训练随机森林模型；

先通过不断迭代随机森林决策树数量这一重要参数，使得上述的经验损失函数更大，鲁棒模型和不鲁棒模型的指标分布相距更远。之后使用网格迭代法寻优，找到决策树深度，最大分叉树等一系列参数的最优解，进一步扩大指标的分布距离。

S4.3提取模型的指标数据，经过t‑SNE降维方法可视化模型鲁棒性特征。

6.实施权利要求1所述的一种针对网络节点分类和链路预测的指标评测系统的系统，其特征在于：包括依次连接的识别攻击模块，评测模块，相关性分析模块，搜索优化模块，可视化模块；

所述识别攻击模块，选取cora引文数据集作为使用数据集，选取最新的节点分类模型包括：GCN，GAT，MIXHOP模型，链路预测模型包括：GCN_VAE,ARGA_AE,ARGA_VAE模型，选取最新的攻击，节点分类最新的攻击方法包括NTK，GFA，链路预测最新的攻击方法包括白盒攻击和代替模型攻击，用攻击方法在训练好的模型上生成攻击样本，保存所述模型和攻击样本；

所述评测模块，输入保存的模型和原始样本计算模型的网络图性质指标，输入保存的模型、原始样本和攻击样本计算模型的攻击隐蔽性指标，并将上述评测的指标保存成字典形式；

所述的相关性分析模块，输入指标字典，选取kendall相关性算法计算不同指标之间的相关性，根据指标之间的相关性，筛选出相关性值较高的两两指标，选取其中一个指标，并把结果保存下来；

所述搜索优化模块，将输出指标按照2:1的比例划分为训练集与测试集，保证训练集中鲁棒性指标和不鲁棒模型指标相同，不断迭代随机森林决策树数量这一重要参数，使得上述的经验损失函数更大，鲁棒模型和不鲁棒模型的指标分布相距更远，之后使用网格迭代法寻优，找到决策树深度，最大分叉树参数的最优解，进一步扩大指标的分布距离；

所述的可视化模块：取出模型的指标数据，经过t‑SNE降维方法可视化模型鲁棒性特征。