1.一种基于节点嵌入差异检测的垂直联邦模型防御方法，其特征在于，包括以下步骤：(1)训练参与方利用本地的图数据和服务器下发的梯度信息对边缘图卷积模型进行训练，获得边缘图卷积模型更新的节点嵌入向量；

(2)训练参与方利用本地的图数据新建一个基准图卷积模型并进行训练，获得基准图卷积模型更新的节点嵌入向量；

(3)分别计算边缘图卷积模型更新的节点嵌入向量之间和基准图卷积模型更新的节点嵌入向量之间的节点相似度，并对两个模型生成的节点相似度作差得到相似度差异矩阵；

所述的节点相似度采用余弦相似度进行计算，公式为：

其中，Xi和Xj分别代表节点i和节点j的嵌入向量；具体地，在边缘图卷积模型中，Xi＝f(i)，Xj＝f(j)；在基准图卷积模型中，Xi＝g(i)，Xj＝g(j)；

所述的相似度差异矩阵定义为：

D(i,j)＝d(f(i),f(j))‑d(g(i),g(j))其中，D为一个N×N大小的矩阵，N为图数据中节点的数量，D矩阵中每个值代表节点对之间的相似度差异；

(4)将节点的相似度差异作为节点特征，对节点进行聚类，并筛选出目标节点；

(5)根据目标节点和与邻居节点的相似度，在节点特征聚合时为每一个邻居节点赋予权重，得到修正节点嵌入向量；

(6)将修正节点嵌入向量X't替代边缘图卷积模型中对应节点的嵌入向量上传至服务器，完成服务器模型的联合训练，最终训练好的服务器模型用于对节点进行分类。

2.根据权利要求1所述的基于节点嵌入差异检测的垂直联邦模型防御方法，其特征在于，步骤(1)中，边缘图卷积模型更新的节点嵌入向量表达式为：其中， IN为N阶单位矩阵，网络中节点

l

的度矩阵为 X 代表第l层的节点嵌入向量，当第l层为输入层l

时，X为输入节点特征向量；W为第l层的权重矩阵；σ(·)为非线性激活函数；定义由边缘图卷积模型得到的节点i的嵌入向量为f(i)。

3.根据权利要求1所述的基于节点嵌入差异检测的垂直联邦模型防御方法，其特征在于，步骤(2)中，所述的基准图卷积模型与边缘图卷积模型的结构相同，定义由基准图卷积模型得到的节点i的嵌入向量为g(i)，基准图卷积模型的训练目标函数定义为：其中，|NL|为带有标签的节点数，F＝[τ1,…,τ|F|]是网络中节点的标签集合，则|F|为节点的总标签数，Y为真实的标签矩阵；如果节点nl属于类别τk，则Ylk＝1，如果节点nl不属于类别τk，则Ylk＝0；Y′为图卷积网络的输出；l表示第l个节点，k表示第l个节点的真实标签Y或者图卷积网络的输出Y′的第k维。

4.根据权利要求1所述的基于节点嵌入差异检测的垂直联邦模型防御方法，其特征在于，步骤(4)的具体过程为：(4‑1)将相似度差异矩阵的每一行作为对应节点的特征，采用K‑means聚类方法对其进行聚类；

(4‑2)从节点样本中随机选择2个样本作为初始均值向量{μ1,μ2},设置输出簇划分初始化为 并计算每个样本到均值向量的距离：将Xi标记为distij最小距离所对应的类别λi，更新簇：重新计算质心：

(4‑3)迭代至2个质心均不再发生变化，输出簇划分C＝{C1,C2}；根据聚类结果，将节点相似度差异较大的一簇节点作为疑似受到攻击的节点，即目标节点。

5.根据权利要求4所述的基于节点嵌入差异检测的垂直联邦模型防御方法，其特征在于，步骤(5)中，修正的节点嵌入向量被定义为：‑λd(f(n),g(t))

wn＝e

其中，Nt为目标节点t的邻居节点集合，d(·)为余弦相似度公式，f(n)为邻居节点n在边缘图卷积模型中的节点嵌入向量，g(t)为目标节点t在基准图卷积模型中的节点嵌入向量,λ为可调节的超参，用于调节每个节点分配到的权重大小。