1.一种基于区块链的联邦学习隐私保护方法，其特征在于：包括以下步骤：步骤1，任务发布者生成Pailler同态加密算法的同态公私钥对，以及初始化基于联邦学习的全局模型，并将全局模型中与联邦学习任务相关的参数签名后发布到区块链；

所述步骤1的具体步骤包括：

任务发布者选择两个大素数p、q，随机选择参数，为乘法群内的一个元素，表示一个乘法群；计算，，lcm表示最小公倍数；生成基于Pailler同态加密算法的同态公钥，和同态私钥；

任务发布者向区块链发送请求，Sp为任务发布者使用skp对Inf的签名，skp为区块链为任务发布者分配的系统私钥；Inf为全局模型中与联邦学习任务相关的参数，且有：其中，address为任务发布者的地址；m为背书结点数量；N为意向的参与者数量；为初始化全局模型；Maxt为最大迭代次数，t为迭代次数；money为预付金额；为奖励分发比例参数，；为连接符，表示和；

步骤2，各意向的参与者从区块链更新全局模型后，使用本地数据集对全局模型进行本地训练，得到局部模型，并用同态公钥将局部模型加密后发送至委员会；

所述步骤2的具体步骤包括：

参与者i使用本地数据集对上一轮迭代的全局模型进行本地训练，得到本轮迭代的局部模型，t为迭代次数，i为第i个意向的参与者，1≤i≤N；

参与者i将局部模型使用任务发布者的同态公钥进行加密，得到密文；并对密文用区块链为委员会成员分配的系统公钥pk j再次进行加密，计算骤；

步骤5，联邦学习任务结束，自动触发智能合约为委员会和各参与者分发奖励。

2.根据权利要求1所述的一种基于区块链的联邦学习隐私保护方法，其特征在于：所述步骤1还包括步骤：智能合约验证签名Sp，并检查任务发布者的账户余额，若余额不足则拒绝任务发布者的请求，否则从任务发布者的账户中冻结预付金额money，并为其联邦学习任务按照DPOS选举机制选择m个背书结点组成委员会。

3.根据权利要求1所述的一种基于区块链的联邦学习隐私保护方法，其特征在于：所述步骤4的具体步骤包括：任务发布者接收到聚合的全局模型后使用同态私钥解密，得到；计算，为学习率，得到第t轮迭代的全局模型；

检测全局模型是否达到收敛要求，若未达到收敛要求，更新全局模型为，并将迭代次数更新为t+1，重复执行步骤2‑步骤3，直到全局模型达到收敛要求，或直到t=Maxt；若达到收敛要求，则广播联邦学习任务结束，执行步骤5。

4.根据权利要求3所述的一种基于区块链的联邦学习隐私保护方法，其特征在于：所述步骤5的具体步骤包括：联邦学习任务完成后，自动触发智能合约执行奖励分发，其中参与者i获得的奖励为：其中，rewi为参与者i获得的奖励；为第t轮迭代时参与者i的质量参数，T为迭代的总次数；

委员会中各成员获得的奖励为：

其中，rew为委员会中各成员获得的奖励。