1.一种基于联盟链的可信联邦学习方法，其特征在于，包括以下几个步骤：步骤S1、模型请求者进行联邦学习任务初始化；

步骤S2、参与训练的客户端利用本地数据在本地训练模型并压缩梯度；

步骤S3、客户端将稀疏化的模型梯度上传给区块链节点；

步骤S4、区块链节点验证客户端的事务，并转发给其他区块链节点；

步骤S5、区块链共识阶段选出领导人节点和共识委员会；

步骤S6、区块发布阶段，领导人节点计算本轮的训练结果后打包和发布区块；

步骤S7、客户端从区块链中下载全局模型。

2.对于权利要求1所述的基于联盟链的可信联邦学习方法，其特征在于，步骤S1是任务请求者发布联邦学习任务，初始化联邦学习模型以及客户端训练的参数。

3.对于权利要求1所述的基于联盟链的可信联邦学习方法，其特征在于，步骤S2是客户端从与其绑定的共识节点下载最新的全局模型，然后用全局模型替代本地模型参数，使用本地隐私数据集进行训练，并且进行梯度压缩，具体步骤如下：(1)客户端采用小批量梯度下降(Mini‑Batch Gradient Descent,MBGD)进行训练，计算公式为(2)梯度压缩能够有效防止梯度泄露，并且可以降低通信压力，提高系统整体通信效率，本发明采用梯度稀疏化来实现梯度压缩，梯度压缩的过程如下：客户端节点i完成第k轮训 练 后 ，得 到 本 轮 梯 度 将 与 残 差 梯 度 相 加 ，即然后将累积残差的每层梯度按照绝对值大小进行排序，以压

缩率C选出每层梯度 的压缩阈值 对于第l层网络，将绝对值小于 的梯度值累积到本地残差梯度中，然后置为0。

4.对于权利要求1所述的基于联盟链的可信联邦学习方法，其特征在于，步骤S3为客户端训练完成后，客户端节点以交易的形式上传元数据、压缩后的本地模型梯度至共识节点，其中， 是客户端i该轮联邦学习提交的本地模型梯度。

5.对于权利要求1所述的基于联盟链的可信联邦学习方法，其特征在于，步骤S4为共识节点接收到客户端节点的交易后，使用客户端的公钥验证其数字签名，确认身份后转发该交易至其他区块链节点，并进行参数质量评分。

6.对于权利要求1所述的基于联盟链的可信联邦学习方法，其特征在于，步骤S5为根据基于双因子贡献的共识机制选出共识委员会节点，模型贡献最高的若干个共识节点组成共识委员会，其中行为贡献最高的节点成为本轮的领导人节点，为了降低系统的中心化程度，在选举领导人节点时加入了节点冷却机制，即已经当选为领导人的节点，在之后的几轮中不能再当选为领导人节点。

7.对于权利要求1所述的基于联盟链的可信联邦学习方法，其特征在于，步骤S6领导人节点生成新区块，领导人节点将本轮的全部合法交易打包成新区块，区块头中保存前一个区块的哈希值、当前区块的哈希值、时间戳、领导人的公钥、领导人的数字签名和本轮的全局梯度。

8.对于权利要求1所述的基于联盟链的可信联邦学习方法，其特征在于，步骤S7为客户端下载区块，继续训练，接收到新区块的区块链节点将其转发给与其绑定的所有客户端节点，客户端下载后根据其中的全局梯度更新本地模型，并开始下一轮训练。