图神经网络（GNN）容易受到后门攻击，攻击者通过在原始图中插入触发器使模型输出恶意指定的预测。针对GNN的后门攻击通常聚焦于节点分类任务，可分为脏标签攻击和干净标签攻击两类。现有防御方法往往依赖从其他领域（如图像）借用的强假设，例如在中毒样本上损失快速下降，但面对复杂触发器时效果不佳，且无法同时防御脏标签和干净标签攻击。本文提出DShield，一种基于差异学习机制的综合防御框架。首先，研究发现攻击过程中存在两种关键现象：语义漂移（脏标签攻击改变中毒节点的语义信息）和属性过度强调（干净标签攻击夸大特定属性迫使模型输出恶意预测）。DShield利用自监督学习框架构建不依赖于被操纵标签信息的模型，然后联合使用自监督模型和可能被后门的模型分析语义信息和属性重要性的差异，从而有效过滤中毒节点。最后，DShield在保留的干净节点上训练正常模型，最大程度减少中毒节点的影响。在7个数据集、2个受害模型和21种后门攻击下，与6种最先进防御方法相比，DShield显著降低了攻击成功率。例如在Cora数据集上，DShield将攻击成功率从第二名防御Prune的54.47%降至1.33%，同时在正常节点上保持82.15%的性能。该工作为GNN后门防御提供了新思路，适合研究GNN安全的研究人员阅读。