1.一种区块链赋能的异步联邦学习方法，其特征在于：该方法包括以下步骤：S1：网络中的主节点作任务发起者，其它次节点为任务协作者。主节点向区块链网络上传最新全局模型，次节点从区块链网络下载全局模型进行本地更新；

S2：次节点在完成本地更新后，向状态服务器发送状态查询信息以确定是否继续进行本地训练；

S3：当次节点进入共识流程，由上一轮迭代中信誉值最高的次节点担任领导者，次节点之间进行交叉验证以确定本地更新模型的正确性，从而达成共识；

S4：在S3的基础上，次节点根据所获取到的其余次节点信息计算自身信誉值，并将其发送至领导者，由领导者收集所有次节点的模型更新以及信誉值信息，并将其打包上传至区块链网络；

S5：在接收到次节点的模型更新后，协调器向主节点发送消息，通知主节点进行全局聚合操作；

S6：主节点将接收到的次节点的更新的模型与本地模型进行聚合，并将聚合后的全局模型以及次节点信誉值打包上传至区块链网络。

2.根据权利要求1所述的一种区块链赋能的异步联邦学习方法，其特征在于：在所述S1中，仅有一个主节点，其余节点皆为次节点；主节点包含任务训练所需要的部分数据特征以及标签，次节点仅有可供训练的部分数据特征；在任务初始化阶段，主节点与次节点会先使用同态加密算法交换各自所需数据特征以本地模型更新；主节点将聚合后的全局模型上传至区块链网络之后，进行本地模型更新，直至收到协调器发送的全局聚合信号。

3.根据权利要求2所述的一种区块链赋能的异步联邦学习方法，其特征在于：在所述S2中，次节点k向状态服务器发送带有其当前状态的查询消息；状态响应消息将指导次节点k执行相应的操作ak；次节点k依据操作指示决定继续本地训练或是进入共识流程。

4.根据权利要求3所述的一种区块链赋能的异步联邦学习方法，其特征在于：在所述S3中，在每次任务的第一轮训练中，随机选取领导者，随后训练中皆由上一轮训练中信誉值最高的节点担当领导者。

5.根据权利要求4所述的一种区块链赋能的异步联邦学习方法，其特征在于：在所述S4中，基于共识阶段获取到的全部次节点信息，包括本地更新模型、本地迭代次数以及上一轮的信誉值；采用熵权法计算出节点信誉值R，R为0～100的实数。

6.根据权利要求5所述的一种区块链赋能的异步联邦学习方法，其特征在于：在所述S5中，主节点在上传最新全局模型至区块链网络之后，开始进行本地训练，等待协调器的聚合消息；协调器在收到来自次节点的打包区块之后，向主节点发出聚合消息，主节点下载次节点信息，并将本地模型与下载的模型进行聚合。

7.根据权利要求6所述的一种区块链赋能的异步联邦学习方法，其特征在于：在所述S6中，主节点将聚合后的全局模型上传至区块链网络以供次节点下载，并开启新一轮本地训练，直至下一次次节点的模型更新完成。