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；

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；

步骤3，委员会对收到的各参与者的局部模型进行梯度质量检测，对检测通过的局部模型进行全局模型聚合，然后将聚合后的全局模型发送至任务发布者；

步骤4，任务发布者更新全局模型，检测全局模型是否达到收敛要求，若未达到收敛要求，则重复执行步骤2‑步骤3，直到全局模型达到收敛要求；若达到收敛要求，则执行下一步骤；

步骤5，联邦学习任务结束，自动触发智能合约为委员和各参与者会分发奖励。

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。

3.根据权利要求2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。

4.根据权利要求2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pkj再次进行加密，计算 ，c为再次加密后的密文，j为第j个委员会成员，1≤j≤m， 表示用系统公钥pkj对密文 加密；

计算参与者i的签名 ，ski为区块链为参与者i分配的系统私钥，表 示 用系统 私钥 对密 文c 签名 ，参与 者i 将信 息数 据发送至委员会。

5.根据权利要求4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3的具体步骤包括：委员会收到参与者i发送的信息数据Modeli后，先验证签名Si，若验证通过则计算密文，skj为区块链为委员会成员j分配的系统私钥， 表示用系统私钥 对密文c解密；

委员会计算各参与者i的局部模型的参数均值：通过对密文 添加第一噪声，获得 ，将 发送至任务发布者；

任务发布者使用同态私钥 对 解密后，计算添加了第一噪声的局部模型参数均值Ave`；任务发布者使用同态公钥 再次对Ave`进行加密，得到，将 发送至委员会；

委员会对 进行消噪，得到参与者i的局部模型的参数均值 ；

委员会对 和 分别添加第二噪声，得到 和

，并将 和 发送至任务发布者；

任务发布者使用同态私钥 对 和 解密后，得到 和；计算皮尔逊相关系数 ：

任务发布者将 发送至委员会，委员会计算参与者i第t次迭代的质量参数 ：若 的值为0，则参与者i的局部模型梯度质量检测不通过，第t轮迭代中参与者i的局部模型被丢弃，不参与全局模型聚合；

委员会对梯度质量检测通过的局部模型进行聚合：其中， 为聚合后的全局模型；N1为局部模型通过梯度质量检测的参与者i的数量；

委员会将聚合的全局模型 发送至任务发布者。

6.根据权利要求5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。

7.根据权利要求6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。