1.一种基于有向无环图DAG区块链的联邦学习方法，其特征在于：该方法包括以下步骤：

S1：在雾网络中进行联邦学习训练设备选择；

S2：基于有向无环图区块链的局部模型训练和聚合；

S3：进行基于孤立森林的快速双重恶意模型检测算法；

S4：基于主观评价的信誉计算。

2.根据权利要求1所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S1中，主雾节点在满足训练要求的设备中选出通信能力ξm和计算能力τm较强的设备，形成备选设备集，然后在备选设备集中选择在滑动窗口w内信誉值较高的设备参与局部训练任务。

3.根据权利要求2所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S2中，参与局部训练的设备获得最新的全局模型后，进行局部训练和聚合。设备在其本地DAG上随机选择一些没有被验证的交易进行验证，并选择其中有高精度的局部模型来进行局部聚合。随后，设备使用本地数据集训练新的局部模型。最后，发布包含新训练的局部模型的区块。在本全局模型的局部训练过程中，采用随机梯度下降SGD算法更新局部模型，并通过联邦平均算法获得局部聚合模型。

4.根据权利要求3所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S3中，主雾节点收集要聚合的局部模型，并采用基于隔离森林的快速检测算法初步检测出潜在恶意模型。最后，主雾节点利用任务发布者的测试数据集，测试潜在恶意模型的精度，如果其精度与当前全局模型精度差大于β，该模型被确认为恶意模型，否则为正常模型；最后，选择出正常模型后进行全局聚合,得到新的全局模型。

5.根据权利要求4所述的一种基于DAG区块链的联邦学习方法，其特征在于：在所述S4中，任务发布者从主区块链获取需要的目标模型，以及参与局部训练的设备在训练过程中局部模型的属性记录，属性记录为是否为恶意模型，并计算相应设备的信誉值，反馈给所属雾节点，再转发给主雾节点，进行物联网设备信誉值更新。