1.一种图神经网络训练方法，其特征在于，应用在一种图神经网络训练系统中，所述图神经网络训练系统包括训练终端以及可信终端；所述训练终端包括多个第一终端以及一个第二终端；不同的训练终端包括不同的本地图数据以及本地图神经网络；所述图神经网络训练方法包括：

通过所述训练终端根据所述本地图数据计算对应的本地特征；

基于所述本地特征，通过所述第一终端与所述第二终端进行秘密分享，得到所述本地特征对应的混淆局部特征，并将所述混淆局部特征发送给所述可信终端；

通过所述可信终端基于各训练终端发送的混淆局部特征进行还原聚合，以获取全局特征，并基于所述全局特征训练全局图神经网络，以将得到的网络输出结果发送至所述第二终端，以使所述第二终端根据所述网络输出结果计算网络梯度并返回给所述可信终端；

通过所述可信终端根据所述网络梯度更新所述全局图神经网络，以得到更新后的网络参数，并将所述更新后的网络参数发送至对应的所述训练终端以更新所述本地图神经网络。

2.如权利要求1所述图神经网络训练方法，其特征在于，所述本地特征包括所述第一终端计算得到的第一本地特征以及所述第二终端计算得到的第二本地特征；

所述通过所述训练终端根据所述训练终端对应的本地图数据计算本地特征，包括：通过所述第一终端构建对应的第一秘密分享矩阵；以及通过所述第二终端构建对应的第二秘密分享矩阵；

通过所述第一终端将所述第一秘密分享矩阵与所述第一终端对应的本地图数据相乘，得到所述第一本地特征；以及，通过所述第二终端将所述第二秘密分享矩阵与所述第二终端对应的本地图数据相乘，得到所述第二本地特征。

3.如权利要求2所述图神经网络训练方法，其特征在于，所述基于所述本地特征，通过所述第一终端与所述第二终端进行秘密分享，得到所述本地特征对应的混淆局部特征，包括：

通过所述第一终端随机生成第一秘密参数对，以基于所述第一秘密参数对以及所述第一本地特征，与所述第二终端进行秘密分享，得到所述第二终端对应的混淆局部特征；

通过所述第二终端随机生成第二秘密参数对，以基于所述第二秘密参数对以及所述第二本地特征，与所述第一终端进行秘密分享，得到所述第一终端对应的混淆局部特征；

其中，所述第一秘密参数对以及所述第二秘密参数对均为一组绝对值相同的正负数。

4.如权利要求3所述图神经网络训练方法，其特征在于，所述将所述混淆局部特征发送给所述可信终端，包括：

通过所述第二终端将所述第二终端对应的混淆局部特征发送给所述可信终端；以及，通过所述第一终端将所述第一秘密参数对发送给所述可信终端，以使所述可信终端根据所述第一秘密参数对还原所述第一终端对应的混淆局部特征；

通过所述第一终端将所述第一终端对应的混淆局部特征发送给所述可信终端；以及，通过所述第二终端将所述第二秘密参数对发送给所述可信终端，以使所述可信终端根据所述第二秘密参数对还原所述第二终端对应的混淆局部特征。

5.如权利要求3所述图神经网络训练方法，其特征在于，所述第一本地特征包括与所述第二终端对应的第一目标矩阵；所述基于第一秘密参数对以及所述第一本地特征，与所述第二终端进行秘密分享，以得到所述第二终端对应的混淆局部特征，包括：对所述第一目标矩阵进行分解，得到第一子矩阵和第二子矩阵；其中，所述第一子矩阵和所述第二子矩阵的矩阵加和为所述第一目标矩阵；

基于所述第一秘密参数对所述第一子矩阵和所述第二子矩阵进行数据混淆，得到第一秘密矩阵和第二秘密矩阵；

将所述第一秘密矩阵和所述第二秘密矩阵发送给所述第二终端，以使所述第二终端将对应的本地图数据，分别与所述第一秘密矩阵和所述第二秘密矩相乘，得到所述第二终端对应的混淆局部特征。

6.如权利要求3所述图神经网络训练方法，其特征在于，所述第二本地特征包括与所述第一终端对应的第二目标矩阵；所述基于所述第二秘密参数对以及所述第二本地特征，与所述第一终端进行秘密分享，以得到所述第一终端对应的混淆局部特征，包括：对所述第二目标矩阵进行分解，得到第三子矩阵和第四子矩阵；其中，所述第三子矩阵和所述第四子矩阵的矩阵加和为所述第二目标矩阵；

基于所述第二秘密参数对所述第三子矩阵和所述第四子矩阵进行数据混淆，得到第三秘密矩阵和第四秘密矩阵；

将所述第三秘密矩阵和所述第四秘密矩阵发送给所述第一终端，以使所述第一终端将对应的本地图数据，分别与所述第三秘密矩阵和所述第四秘密矩阵相乘，以得到所述第一终端对应的混淆局部特征。

7.如权利要求3所述图神经网络训练方法，其特征在于，所述通过所述可信终端根据接收到的所述训练终端对应的混淆局部特征进行还原聚合，获取聚合后的全局特征，包括：通过所述可信终端将所述第一秘密参数对第二终端对应的混淆局部特征还原为真实局部特征；以及，通过所述可信终端将所述第二秘密参数对第一终端对应的混淆局部特征还原为真实局部特征；

对所述各训练终端对应的真实局部特征进行累加处理，以将得到的累加结果作为所述全局特征；或者

对所述各训练终端对应的真实局部特征进行取平均处理，以将得到的平均值作为所述全局特征；或者，

对所述各训练终端对应的真实局部特征进行加权处理，以将得到的加权结果作为所述全局特征。

8.一种图神经网络训练系统，其特征在于，包括：本地特征计算模块，用于通过训练终端根据所述本地图数据计算对应的本地特征；

秘密分享模块，用于基于所述本地特征，通过第一终端与第二终端进行秘密分享，得到所述本地特征对应的混淆局部特征，并将所述混淆局部特征发送给可信终端；

特征还原聚合模块，用于通过所述可信终端基于各训练终端发送的混淆局部特征进行还原聚合，以获取全局特征，并基于所述全局特征训练全局图神经网络，以将得到的网络输出结果发送至所述第二终端，以使所述第二终端根据所述网络输出结果计算网络梯度并返回给所述可信终端；

网络更新模块，用于通过所述可信终端根据所述网络梯度更新所述全局图神经网络，以得到更新后的网络参数，并将所述更新后的网络参数发送至对应的所述训练终端以更新所述本地图神经网络。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

7任一项所述图神经网络训练方法的步骤。

10.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述图神经网络训练方法的步骤。