联邦图神经网络（FedGNN）在分布式图数据学习中具有广泛应用，但面临后门投毒攻击的严重威胁。现有防御方法多基于规则，缺乏对攻击触发器的语义理解，容易受到隐蔽触发器的攻击，同时可能破坏良性图结构。为此，本文提出 FedLSG，首个将大语言模型（LLM）集成到联邦图后门防御中的框架。核心思路是将图结构和客户端更新行为转化为语义丰富的自然语言表示，利用 LLM 的语义理解能力进行防御。具体而言，FedLSG 设计了一种“图与行为到文本”的映射机制，将局部图拓扑和客户端梯度更新编码为文本描述。在服务器端，采用全量 LLM 作为教师模型，提供全局上下文指导，在聚合阶段评估客户端更新，识别潜在恶意参与者。在客户端，维护一个基于 LoRA 的轻量级学生模型，执行语义推理以抑制与后门触发器相关的边的影响。通过将语义解释与规则信号自适应结合，FedLSG 在消息传递和客户端聚合中实现防御。实验表明，该方法显著提升了对后门攻击的鲁棒性，同时不损害图完整性。本文主要贡献包括：1）首次将 LLM 引入联邦图后门防御；2）提出语义校准机制，结合规则与语义推理；3）通过教师-学生架构实现高效部署。适合关注联邦学习安全、图神经网络防御的研究者和安全工程师阅读。