1.一种面向联邦学习的隐私保护方法，其特征在于，包括：获取待保护的多个原始数据，并将多个所述原始数据分割成多组数据；其中分割后的每组数据中均包含参与方数量n、隐私预算ε和数据敏感度Δf；

将分割后的多组数据分别输入多个初始化的模型中，基于所述数据敏感度Δf与隐私预算ε的比值获得噪声数据参数，并根据所述噪声数据参数为原始数据中的每个数据点添加噪声；多个初始化的模型分别安装在各参与方的客户端；

利用添加噪声后的每个数据点生成与参与方数量匹配的n个秘密共享份额，并将n个秘密共享份额上传服务器获得聚合份额，通过聚合份额更新各个客户端的秘密共享份额；

根据所述噪声数据参数为原始数据中的每个数据点添加噪声，包括如下步骤：基于所述噪声数据参数选择噪声类型，并根据所选噪声类型和数据敏感度Δf获取噪声量级，通过所述噪声量级为每个数据点添加噪声；

基于所述噪声数据参数选择噪声类型，并根据所选噪声类型和数据敏感度Δf获取噪声量级，包括如下步骤：根据噪声数据的数据敏感度Δf和用户的隐私偏好生成隐私预算ε；

设定每一个初始化的模型中所述原始数据的初始隐私预算ε通过一个中心为0，尺度为scale的拉普拉斯分布随机数生成噪声，若所述噪声大于初始化的剩余隐私预算ε

2.如权利要求1所述的一种面向联邦学习的隐私保护方法，其特征在于，基于所述数据敏感度Δf与隐私预算ε的比值获得噪声数据参数，具体表达式为：λ＝Δf/ε

其中，λ为噪声数据参数。

3.如权利要求1所述的一种面向联邦学习的隐私保护方法，其特征在于，基于所述数据敏感度Δf与隐私预算ε的比值获得噪声数据参数，还包括如下步骤：设定每一个初始化的模型中所述原始数据的总隐私预算ε获取每次根据噪声数据的数据敏感度Δf和用户的隐私偏好生成隐私预算ε操作中分配的单个隐私预算ε通过总隐私预算和每次分配的单个隐私预算差更新剩余隐私预算，并通过更新后的所述剩余隐私预算进行操作的拒绝判断或实施判断。

4.如权利要求1所述的一种面向联邦学习的隐私保护方法，其特征在于，将n个秘密共享份额上传服务器获得聚合份额，包括如下步骤：采用线性聚合、非线性聚合或按精度聚合对n个所述秘密共享份额进行聚合，通过聚合份额生成全局模型；

其中线性聚合过程包括如下步骤：

设w

其中，K是客户端数量，N是总数据点数；

其中非线性聚合过程包括如下步骤：

设w

其中，权重α

其中按精度聚合过程包括如下步骤：

设w

其中，权重β

5.如权利要求1所述的一种面向联邦学习的隐私保护方法，其特征在于，其特征在于，所述通过聚合份额更新各个客户端的秘密共享份额，还包括如下步骤：通过客户端下载各服务器的秘密共享份额进行秘密恢复，获得更新后的模型。

6.一种面向联邦学习的隐私保护系统，其特征在于，包括：数据获取模块，用于获取待保护的多个原始数据，并将多个所述原始数据分割成多组数据；其中分割后的每组数据中均包含参与方数量n、隐私预算ε和数据敏感度Δf；

噪声添加模块，用于将分割后的多组数据分别输入多个初始化的模型中，基于所述数据敏感度Δf与隐私预算ε的比值获得噪声数据参数，并根据所述噪声数据参数为原始数据中的每个数据点添加噪声；多个初始化的模型分别安装在各参与方的客户端；

秘密共享模块，用于利用添加噪声后的每个数据点生成与参与方数量匹配的n个秘密共享份额，并将n个秘密共享份额上传服务器获得聚合份额，通过聚合份额更新各个客户端的秘密共享份额；

根据所述噪声数据参数为原始数据中的每个数据点添加噪声，包括如下步骤：基于所述噪声数据参数选择噪声类型，并根据所选噪声类型和数据敏感度Δf获取噪声量级，通过所述噪声量级为每个数据点添加噪声；

基于所述噪声数据参数选择噪声类型，并根据所选噪声类型和数据敏感度Δf获取噪声量级，包括如下步骤：根据噪声数据的数据敏感度Δf和用户的隐私偏好生成隐私预算ε；

设定每一个初始化的模型中所述原始数据的初始隐私预算ε通过一个中心为0，尺度为scale的拉普拉斯分布随机数生成噪声，若所述噪声大于初始化的剩余隐私预算ε

7.一种计算机设备，其特征在于，包括存储器及处理器，所述存储器中储存有程序，所述程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述一种面向联邦学习的隐私保护方法的步骤。

8.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的一种面向联邦学习的隐私保护方法的步骤。