1.一种基于联邦字习的隐私保护特征工程方法，其特征在于，包括：获取系统参数，系统参数包括Beaver三元组和特征策略参数；客户端和服务端根据系统参数执行安全检索协议，使得客户端和服务端分别得到对方数据集的加法秘密共享份额；客户端和服务端根据加法秘密共享份额进行联邦学习训练，得到相应的模型。

2.根据权利要求1所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，获取系统参数包括：获取n个d维Beaver三元组{αi，βi，γi}，其中将数据集A＝{α1，…，αn}存储在客户端中，数据集B＝{β1，…，βn}存储在服务端中，其中数据集A和数据集B中的数据满足αi·βi＝<γi>；获取服务端的数据集Ds＝{ν1，…，νn}，并将服务端的数据集进行加法秘密共享，使得服务端和客户端分别得到1＝{<ν1>1，…，<νn>1}和2＝{<ν1>2，…，<νn>2}，其中<νi>1+<νi>2＝νi；获取客户端的策略参数τ，对客户端的策略参数τ进行加法密钥共享，使得服务端得到第一策略参数<τ>1，客户端得到第二策略参数<τ>2，其中<τ>1和<τ>2满足τ＝<τ>1+<τ>2；服务端得到的系统参数为：A、<γi>1、Ds、1、<τ>1，<γi>1，客户端得到的参数为：B、<γi>2、2、<τ>2、ν、τ、η；其中，αi表示第i个Beaver三元组中的第一个数据，βi表示第i个Beaver三元组中的第二个数据，γi表示第i个Beaver三元组中的第三个数据，<γi>1表示服务端保存的Beaver三元组中的第三个数据，<γi>2表示客户端保存的Beaver三元组中的第三个数据，A表示αi的集合，B表示βi的集合，νn表示服务端数据集的第n个样本，Ds表示服务端获取的数据集，1表示服务端保存的数据集，2表示客户端保存的数据集，ν表示安全检索协议的协议参数，η表示加法秘密共享的位数范围。

3.根据权利要求2所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，服务端对数据加法秘密共享过程中，客户端将划分的份额样本顺序与特征顺序进行混淆。

4.根据权利要求1所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，客户端和服务端根据系统参数执行安全检索协议的过程包括：S1：服务端和客户端采用密钥生成算法对生成对应的密钥对(pks，sks)和(pkc，skc)，并将密钥对的公钥公开；其中，pks表示服务端生成的公钥，sks表示服务端生成的私钥，pkc表示客户端生成的公钥，skc表示客户端生成的私钥；

S2：根据客户端和服务端生成的密钥对对服务端的每个样本执行安全检索协议，得到数据集的加法秘密共享份额。

5.根据权利要求4所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，服务端和客户端采用密钥生成算法为加法同态Exp‑E1Gamal方案的秘钥生成算法。

6.根据权利要求4所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，对服务端的每个样本执行安全检索协议的过程包括：S21：服务端根据得到的参数<γi>1和<τ>1计算服务端的中间参数d1，i；客户端根据得到的参数<γi>2和<τ>2计算客户端的中间参数d2，i，并根据客户端的中间参数d2，i计算ei＝(d2，i‑<γi>2)/βi；其中，ei表示协议计算过程第一中间值；

S22：服务端利用自己的公钥pks对αi进行加密，得到密文 将密文 发送给客户端；

S23：客户端遍历j∈[1，d]，若协议参数的第j个值ν[j]＝1，则用服务端的公钥加密ei的第j个值ei[j]，得到密文 根据得到的密文 计算若ν[i]＝0，则 其中，d表示服务端数据集的特征个数，ν[i]表示协议参数的第i个值，ei[j]表示协议计算过程中间值ei的第j个值，表示 的第j个密文， 表示空集；

S24：客户端采用特征置换函数∏d混淆 的顺序，得到混淆后的协议输出第一中间值的密文 并将 发送给服务端；

S25：服务端通过自身私钥sks解密 得到协议输出第一中间值χ1，i；遍历χ1，i，若χ1，i[j]不为空且χ1，i[j]＞1，则ω1，i[j]＝1，若χ1，i[j]≤0，则ω1，i[j]＝‑1；若χ1，i[j]为空，则 其中，χ1，i表示协议输出中间值，χ1，i[j]表示χ1，i的第j个值，ω1，i[j]表示ω1，i的第j个值，ω1，i表示服务端发送给的客户端加法秘密共享份额；

S26：服务端根据服务端的中间参数d1，i和<γi>1计算fi＝d1，i‑<γi>1，然后将fi发送给客户端；其中，fi表示协议计算过程第二中间值；

S27：客户端通过特征置换函数∏d混淆fi得到混淆后的协议计算过程第二中间值fi′，并采用自身的公钥pkc加密fi′得到密文 将 发送给服务端；

S28：服务端根据接收的 计算密文 将计算得到的 发送‑1

给客户端；其中， 表示hi被公钥pkc加密得到的密文，χ1，i 表示χ1，i的逆元；

S29：客户端利用通过特征置换函数Πd置换βi得到βi′，并用自身公钥pkc加密得到客户端遍历j∈[1，d]，若ν[j]1＝，且客户端设置的检索符号为“＜”时，计算协议输出第二中间值的第j个密文 客户端解密 得到协议输出第二中间值χ2，i[j]，若χ2，i[j]＞0，则ω2，i[j]＝‑1，否则ω2，i[j]＝1；若ν[j]＝0，则当客户端设置的检索符号为“＞”时，ω2，i[j]的符号相反，ω2，i表示客户端发送给服务端的加法秘密共享份额。

7.根据权利要求1所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，客户端和服务端得到加法秘密共享份额时设置联邦学习条件，若客户端和服务端得到加法秘密共享份额满足设置的联邦学习条件，则执行联邦学习训练，否则不执行联邦学习训练。

8.根据权利要求7所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，设置的联邦学习条件为：客户端加法秘密共享份额和服务端加法秘密共享份额满足(ω1，i[j]·ω2，i[j]+1)/2＝1，其中，ω2，i表示客户端发送给服务端的加法秘密共享份额，ω1，i表示服务端发送给的客户端加法秘密共享份额。

9.根据权利要求7所述的一种基于联邦学习的隐私保护特征工程方法，其特征在于，客户端和服务端根据加法秘密共享份额进行联邦学习训练的过程包括：服务端使用本地数据进行本轮的模型训练，且在训练过程中客户端协助服务端进行完整的单轮训练；服务端将自身的模型参数同态加密后发送给客户端，服务端使用保存的数据集1计算服务端的部分梯度；客户端利用2与服务端发送的模型参数计算服务端的另一部分梯度，服务端与客户端将各自的梯度进行每一轮的模型聚合，完成联邦学习训练过程。