1.一种基于异常偏差类神经元的深度学习模型安全加固方法，其特征在于，该方法包括：

步骤一：准备干净数据集；

步骤二：选取深度学习网络，使用中毒攻击方法生成中毒数据，将中毒数据添加到干净数据集中，形成中毒数据集；采用中毒数据集训练深度学习网络，得到中毒模型；

步骤三：将少量的干净数据输入到中毒模型中，计算中毒模型中全连接层的神经元的激活值的平均值，并记录激活值大于等于所述平均值的神经元，作为神经元群；将大量的干净数据输入到中毒模型中，计算神经元群中的神经元的激活值，并将这些神经元对所有输入的干净数据的激活值累加，并将累加后的激活值按照从大到小排序，选取排序靠前的神经元，即为异常偏差类神经元；

步骤四：构建损失函数，将干净数据输入中毒模型中，并记录中毒模型中全连接层的异常偏差类神经元的激活值，并以此计算损失函数值；使用损失函数的梯度信息，对输入的干净数据的像素值进行改变，将其迭代优化为异常数据；

步骤五：采用步骤四得到的异常数据，以及原始的干净数据一起组成数据集，训练中毒模型，模型将其中的异常偏差类神经元纠正为正常工作的神经元，防御中毒攻击，从而对完成对模型的加固。

2.根据权利要求1所述的基于异常偏差类神经元的深度学习模型安全加固方法，其特征在于，所述损失函数具体为：TK_FC(X)＝∑maxk(Mfc(xi))

其中，λ表示平衡参数，可人为调节，默认为常数1；maxk(·)表示该层激活值最大的k个输出，k为超参数，需不超过异常偏差类神经元的个数，n是样本数量；x是预测向量维度；y是one‑hot编码后的真实值，对应x维度上的标签，取值为1或0；a是one‑hot格式输出的预测标签，取值0～1。

3.根据权利要求1所述的基于异常偏差类神经元的深度学习模型安全加固方法，其特征在于，所述步骤一中的干净数据集选自MNIST、CIFAR10、ImageNet、GTSRB和CASIA中的任意一个图像数据集。

4.根据权利要求1所述的基于异常偏差类神经元的深度学习模型安全加固方法，其特征在于，所述步骤一中的深度学习网络选自LeNet、AlexNet、VGG11、ResNet34中的任意一种。

5.根据权利要求1所述的基于异常偏差类神经元的深度学习模型安全加固方法，其特征在于，所述中毒攻击方法选择BadNets，PoisonFrog，Trojannn，Feature Collision Attack中的任意一种。