1.一种基于反向遗忘的后门防御方法，其特征在于，包括以下步骤：利用原始干净样本集合训练预训练模型，并使用预训练模型从污染数据集中筛选出潜在干净样本集合，来合成新的干净样本集合，并使用新的干净样本集合对预训练模型进一步训练；

将污染数据集和所述新的干净样本集合输入样本检测模型中，并分别采用交叉熵损失和熵约束进行训练；

将污染数据集输入训练后的样本检测模型进行预测，来检测毒化样本；

所述合成新的干净样本集合的步骤包括：

利用原始干净样本集合 训练预训练模型 ；

在每一轮训练中，利用预训练模型对污染数据集 中每个样本计算其损失值，并筛选出潜在干净样本集合；

将筛选出的潜在干净样本集合与原始干净样本集合 合并，形成新的干净样本集合 ；

所述损失值 的计算式为：

其中， 为损失值，为分类任务中的单一类别， 为样本 在类别 上的真实标签， 为模型对输入 预测为类别 的概率值，为分类任务中的总类别数；

筛选出潜在干净样本集合的标准为：

其中， 为潜在干净样本集合，为预设阈值。

2.根据权利要求1所述的一种基于反向遗忘的后门防御方法，其特征在于，在训练所述样本检测模型的过程中，通过梯度下降法更新样本检测模型的参数，以最小化总损失函数，其中，样本检测模型的总损失函数为：其中， 为总损失函数， 为分类损失， 为熵正则化项， 是权衡系数，N为样本总数， 为变量 的信息熵，为变量 所有可能结果的数量， 为在输入的条件下出现结果为 的概率， 为样本 在类别 上的真实标签； 为指定类别。

3.根据权利要求1所述的一种基于反向遗忘的后门防御方法，其特征在于，检测毒化样本的步骤为：将污染数据集输入训练好的样本检测模型，通过样本检测模型的特征提取和预测机制，生成每个样本的预测熵值集合 ；

设定一个预定义的熵阈值 ，并根据熵阈值 对熵值集合 中的每个熵值 进行判断，熵值超出熵阈值 的样本为干净样本，否则为毒化样本。

4.一种基于反向遗忘的后门防御系统，其特征在于，包括：样本筛选模块：利用原始干净样本集合训练预训练模型，并使用预训练模型从污染数据集中筛选出潜在干净样本集合，来合成新的干净样本集合，并使用新的干净样本集合对预训练模型进一步训练；

模型训练模块：将污染数据集和所述新的干净样本集合输入样本检测模型中，并分别采用交叉熵损失和熵约束进行训练；

以及，样本检测模块：将污染数据集输入训练后的样本检测模型进行预测，来检测毒化样本；

所述合成新的干净样本集合的步骤包括：

利用原始干净样本集合 训练预训练模型 ；

在每一轮训练中，利用预训练模型对污染数据集 中每个样本计算其损失值，并筛选出潜在干净样本集合；

将筛选出的潜在干净样本集合与原始干净样本集合 合并，形成新的干净样本集合 ；

所述损失值 的计算式为：

其中， 为损失值，为分类任务中的单一类别， 为样本 在类别 上的真实标签， 为模型对输入 预测为类别 的概率值，为分类任务中的总类别数；

筛选出潜在干净样本集合的标准为：

其中， 为潜在干净样本集合，为预设阈值。

5.一种计算机存储介质，存储有可读程序，其特征在于，当程序运行时，能够执行权利要求1‑3任一项所述的一种基于反向遗忘的后门防御方法。

6.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一条可执行指令，所述可执行指令使所述处理器执行如权利要求1‑3中任一项所述的一种基于反向遗忘的后门防御方法对应的操作。

7.一种计算机程序产品，包括计算机指令，其特征在于，所述计算机指令指示计算设备执行如权利要求1‑3中任一所述的一种基于反向遗忘的后门防御方法对应的操作。