1.一种基于联邦学习和边缘计算的两方隐私保护方法，其特征在于，包括任务分配阶段和任务执行阶段；

在任务分配阶段，任务发布者向众包平台提交任务约束，众包平台根据任务约束寻找工人，并将选中的工人信息下发给任务发布者，其中，任务分配阶段的信息传递过程均通过边缘服务器实现；

在任务执行阶段，任务发布者将众包任务进行加密上传到众包平台，工人从众包平台获取任务匹配信息，解密后开始执行任务；工人利用任务相关的感知数据训练成本地模型，并对本地模型进行扰动；将工人进行随机分组，同组工人的感知数据先进行聚合，聚合后以组为单位将感知数据提交至平台；任务发布者从平台获取聚合的感知数据，并对感知数据进行评估，将评估合格的感知数据聚合得到全局模型；

所述任务发布者向众包平台提交任务约束的具体步骤为：任务发布者将具体任务位置泛化为任务区域，任务发布者将任务区域和其他约束通过边缘服务器提交给众包平台；

所述众包平台根据任务约束寻找工人，并将选中的工人信息下发给任务发布者的具体步骤为：众包平台根据任务发布者提交的约束，通过边缘服务器为任务寻找工人；

被选中的工人通过边缘服务器提交本地RSA公钥和匹配的任务区域至众包平台；

任务发布者从众包平台获取被选中的工人提交的信息，包括工人提交的RSA公钥，RSA公钥用于加密真实任务位置；

所述工人利用任务相关的感知数据训练成本地模型，并对本地模型进行扰动的具体步骤为：工人将收集到的感知数据作为训练数据，并通过边缘服务器将初始模型训练成本地模型；

任务发布者将众包任务作为初始模型；

然后，对本地模型进行扰动，同时将扰动噪声用同态加密公钥加密；其中，对训练好的本地模型使用基于本地化差分隐私的多重扰动机制进行扰动；

所述基于本地化差分隐私的多重扰动机制实现原理如下：采用高斯机制实现(ε，δ)‑本地化差分隐私，其中，ε表示隐私预算，δ表示一个松弛因子，同时向本地化差分隐私中添加两个干扰因子——固定干扰因子α和动态干扰因子β，其中，固定干扰因子与ε有关，动态干扰因子以不同的概率添加不同的噪声。

2.如权利要求1所述的基于联邦学习和边缘计算的两方隐私保护方法，其特征在于，约束包括任务开始时间、任务结束时间、任务所需要的工人类型以及隐藏真实任务位置的任务区域。

3.如权利要求1所述的基于联邦学习和边缘计算的两方隐私保护方法，其特征在于，任务发布者将众包任务进行加密上传到众包平台的具体步骤为：同时生成一对同态加密密钥；

然后，任务发布者利用工人提交的公钥将工人匹配任务的真实任务位置加密；

最后，任务发布者将任务位置密文、同态加密公钥和初始模型上传到众包平台。

4.如权利要求1所述的基于联邦学习和边缘计算的两方隐私保护方法，其特征在于，将工人进行随机分组，同组工人的感知数据先进行聚合，聚合后以组为单位将感知数据提交至平台的具体步骤为：系统从每组随机选择一个工人作为代表工人；

然后，每组工人按照设定的顺序进行感知数据聚合操作；

最后，由代表工人对本组聚合的感知数据处理之后上传。

5.一种基于联邦学习和边缘计算的两方隐私保护系统，实现如权利要求1‑4任一所述的基于联邦学习和边缘计算的两方隐私保护方法，其特征在于，包括任务分配模块和任务执行模块，任务分配模块用于任务分配，任务执行模块用于执行任务；

任务分配模块，被配置为任务发布者向众包平台提交任务约束，众包平台根据任务约束寻找工人，并将选中的工人信息下发给任务发布者，其中，任务分配阶段的信息传递过程均通过边缘服务器实现；

任务执行模块包括任务上传模块、本地模型训练模块、聚合模块和感知数据评估模块；

任务上传模块，被配置为任务发布者将众包任务进行加密上传到众包平台，工人从众包平台获取任务匹配信息，解密后开始执行任务；

本地模型训练模块，被配置为工人利用任务相关的感知数据训练成本地模型，并对本地模型进行扰动；

聚合模块，被配置为将工人进行随机分组，同组工人的感知数据先进行聚合，聚合后以组为单位将感知数据提交至平台；

感知数据评估模块，被配置为任务发布者从平台获取聚合的感知数据，并对感知数据进行评估，将评估合格的感知数据聚合得到全局模型。