1.一种面向后门攻击的防御方法，其特征在于，包括如下步骤：

步骤1，获取图神经网络模型Moracle及其训练数据集Dataoracle；

步骤2，对训练数据集Dataoracle进行预处理：取出部分数据组成干净样本数据集Dataclean，连边操作后获得新的训练数据集Datadeal，将新的训练数据集Datadeal划分为训练集Datatrain，验证集Dataval和测试集Datatest；

步骤3，构建生成器网络G，将所述训练集Datatrain中样本数据输入到生成器网络G中，得到重要性数值eij；将所述重要性数值eij输入softmax层得到相应的节点嵌入h'，将节点嵌入h'经解码器解码得到预测图Ypred；

步骤4，构建鉴别器网络D，将所述干净样本数据集Dataclean和预测图Ypred输入鉴别器，经鉴别器网络D特征提取得到相应的节点嵌入Ztrain，将节点嵌入Ztrain输入全连接层FC和softmax层，输出图数据二分类的结果；

步骤5，防御模型的训练：对生成器网络G和判别器进行优化训练，得到训练后的生成器网络G作为后续防御网络；将所述数据训练集Datatrain和生成器网络G的优化函数输入到后续防御网络中降低模型的损失函数值，完成后门攻击的防御网络模型搭建；

步骤6，防御模型中生成器网络的应用：将删减连边处理后的任务数据Dreal输入到生成器网络G中进行数据重建，得到最终数据Dreal_defense，再将该数据送入执行下有任务的模型Moracle中，得到任务结果；

步骤3中，生成器网络G包括编码器和解码器，所述编码器为GAT网络，所述解码器为全连接层FC网络；

得到重要性数值eij的过程具体包括：将所述训练集Datatrain中每一样本数据转换成相应的邻接矩阵Atrain和特征矩阵Xtrain～U(0,1)，输入到生成器网络G中，其中特征矩阵Xtrain作为噪声输入，通过GAT网络得到节点的嵌入，从输入数据得到的节点特征的集合表示为：其中， 为节点i的特征向量,N为节点的数量，F节点的特征维度；eij代表节点j对节点i的重要性程度，a为映射函数，W为权重参数矩阵；

步骤4中，取得相应的节点嵌入Ztrain的过程具体包括：将所述干净样本数据集DatacleanN×F和预测图Ypred输入鉴别器，经过GCN网络进行数据的特征提取,Z∈R 是节点通过GCN所得N×D N×N到的嵌入特征，X∈R 是特征矩阵Xtrain，A∈R 是邻接矩阵Atrain，N其中为节点的个数，D为(0) (1)节点的特征维数，W 、W 分别为第一、第二层权重参数，ReLU为激活函数，得到相应的节点嵌入Ztrain。

2.根据权利要求1所述的面向后门攻击的防御方法，其特征在于，所述图神经网络模型Moracle的下游任务为图分类任务；图神经网络模型Moracle为已经训练完成的图分类器f:E→{0,1,...,}yi；其中E为相应的输入样本，{0,1,...,}yi为所对应的分类器预测标签。

3.根据权利要求1所述的面向后门攻击的防御方法，其特征在于，所述训练数据集Dataoracle为COLLAB数据集，Twitter数据集或Bitcoin数据集。

4.根据权利要求1所述的面向后门攻击的防御方法，其特征在于，步骤3中，得到预测图Ypred的过程具体包括：将所述重要性数值eij输入softmax层得到相应的重要性系数αij，并对邻居节点进行聚合，得到各个节点新的特征向量，公式为：其中， 是得到的节点i的新特征向量，F'是新特征的维度，N为节点的数量；

再将得到的节点嵌入h'输入到解码器中进行解码，解码过程公式如下：

N×N

其中，Y∈R 是通过解码器预测出的邻接矩阵，W是全连接层的权重，B是偏置，ReLU，N×Nsoftmax为激活函数，节点嵌入h'通过解码器得到了预测结果Ytrain∈R ，Ytrain(i,j)取值范围在[0,1],对其进行阈值处理，Ytrain(i,j)≥0.5,赋值为1，表示节点i和节点j之间存在连边，否则为0，表示节点i和节点j之间不存在连边，得到最后的预测图Ypred。

5.根据权利要求1所述的面向后门攻击的防御方法，其特征在于，步骤4中，所述鉴别器网络D包括两层GCN网络、一层全连接层FC和一层softmax层，其中GCN网络用于提取数据特征，全连接层FC以及softmax层用于分类。

6.根据权利要求1所述的面向后门攻击的防御方法，其特征在于，步骤4中，输出图数据二分类的结果的过程具体包括：将节点嵌入Ztrain输入全连接层FC和softmax层，输出的Y是对输入样本最后分类的概率， 是全连接层的权重， 是偏置，ReLU和softmax为激活函数，最后输入图数据二分类的结果。

7.根据权利要求1所述的面向后门攻击的防御方法，其特征在于，步骤5中，对生成器网络G和判别器进行优化训练具体过程包括：所述生成器网络G的优化函数，公式如下：

其中，Lbce为二值交叉熵，G为生成器，D为鉴别器，N为训练样本的数量；

所述判别器的优化函数公式如下：

8.根据权利要求1所述的面向后门攻击的防御方法，其特征在于，步骤6中，删减连边处理后的任务数据Dreal的过程包括：对需要输入所述图神经网络模型Moracle的下有任务数据Dreal随机删减连边处理，得到处理后的任务数据Dreal。