1.一种针对联邦学习的中毒攻击的防御方法，其特征在于，所述方法基于分布式架构，所述分布式架构包括服务器端和与服务器端相连接的多个节点端，所述方法的步骤包括，获取处于节点端的本地模型在本地训练过程中每次迭代所计算出的损失函数值和在每次迭代中每个参数排位处的参数数值更新量；

基于参数数值更新量和损失函数值计算每个参数排位对于模型损失变化的变化贡献值；

在每个本地模型的参数排位中筛选出第一预设个数个变化贡献值较大参数排位，建立每个本地模型的第一参数排位集；

基于每个参数排位在所有第一参数排位集中的出现频次，筛选出频次较高的第二预设个数个参数排位，建立为第二参数排位集；

基于第二参数排位集定位每个本地模型中的模型参数，基于模型参数计算本地模型之间的正则化亲密度，基于每个本地模型与其他本地模型之间的正则化亲密度计算中毒概率参数；

基于本地模型对应的中毒概率参数和预设的中毒概率阈值确定该本地模型是否中毒，若该本地模型被判定为中毒，则该节点端上传至服务端的模型参数不参与服务端的聚合计算。

2.根据权利要求1所述的针对联邦学习的中毒攻击的防御方法，其特征在于，在每个本地模型的参数排位中筛选出第一预设个数个变化贡献值较大参数排位的步骤包括，根据变化贡献值和第一预设个数为每个本地模型的建立第一参数索引，基于第一参数索引筛选出第一预设个数个参数排位。

3.根据权利要求1所述的针对联邦学习的中毒攻击的防御方法，其特征在于，基于参数数值更新量和损失函数值计算每个参数排位对于模型损失变化的变化贡献值的步骤还包括，计算与当前所述损失函数值相对应的梯度值，根据所述梯度值和参数数值更新量计算变化贡献值。

4.根据权利要求1所述的针对联邦学习的中毒攻击的防御方法，其特征在于，在基于第二参数排位集定位每个本地模型中的模型参数，基于模型参数计算本地模型之间的正则化亲密度的步骤中，将每个本地模型基于第二参数排位集所定位出的模型参数构建为第一参数集，基于第一参数集中的模型参数计算本地模型之间的正则化亲密度。

5.根据权利要求4所述的针对联邦学习的中毒攻击的防御方法，其特征在于，根据如下公式基于模型参数计算本地模型之间的正则化亲密度：;

表示本地模型i和本地模型j之间的正则化亲密度，D表示距离函数，表示本地模型i的第一参数集，表示本地模型j的第一参数集，表示本地模型i的第一参数集中模型参数的方差，表示本地模型的总数，l为个本地模型中的任一个，表示本地模型l的第一参数集。

6.根据权利要求1或5所述的针对联邦学习的中毒攻击的防御方法，其特征在于，基于每个本地模型与其他本地模型之间的正则化亲密度计算中毒概率参数，根据如下公式计算：；

表示本地模型i的中毒概率参数，表示关于本地模型i的叠乘运算，表示本地模型i和本地模型j之间的正则化亲密度。

7.一种针对联邦学习的中毒攻击的防御装置，其特征在于，该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如权利要求1-6任一项所述方法的步骤。

8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该计算机程序被处理器执行时以实现如权利要求1-6任一项所述方法的步骤。