本申请涉及一种异构联邦环境中的图结构数据节点分类方法和装置。所述方法包括：随机从所有客户端中选择一组客户端子集参与迭代，客户端基于本地子图上图结构数据节点的采样概率采样得到节点子集，对客户端上的局部模型进行训练，得到局部模型参数；对每轮客户端子集的局部模型参数进行平均聚合，得到更新的全局模型参数直至更新的全局模型参数对应的全局模型在符合所有客户端本地子图的全局图分布测试集上的节点分类准确率达到预设阈值。采用本方法能够解决现有技术中图结构数据的场景下联邦学习效率低的问题，有效抑制图联邦学习中每个局部模型的偏移程度，降低局部模型训练的存储和计算成本，提高了图结构数据节点分类的准确率。