1.一种联邦学习训练数据隐私性增强方法，其特征在于，

第一服务器生成公共参数和主密钥，将所述公共参数发送给第二服务器；参与联邦学习的多个客户端均从第二服务器获取所述公共参数，并基于所述公共参数生成各自的公钥和私钥对；所述多个客户端进行联邦学习的过程如下：步骤(1)各客户端基于本地数据集训练本地模型，将得到的模型参数采用各自的公钥进行加密，并将加密模型参数与相应公钥发送到第二服务器；

步骤(2)第二服务器将加密模型参数与相应公钥发送给第一服务器；

所述步骤(2)中，第二服务器对各加密模型参数进行盲化处理后，将盲化的加密模型参数与相应公钥发送给第一服务器；

第二服务器进行盲化处理包括：

依次为每个客户端相应的模型参数生成随机数，各随机数服从Zn下的均匀分布；

将各随机数依次使用相应客户端的公钥加密；

将加密后的随机数与对应的模型参数依次进行加法同态运算，得到盲化的加密模型参数；

步骤(3)第一服务器基于主密钥对各加密模型参数进行解密，通过加权平均得到全局模型参数，分别采用各个客户端的公钥加密所述全局模型参数，并发送给第二服务器；所述步骤(3)中第一服务器通过联邦平均算法进行加权平均；

步骤(4)第二服务器将加密的全局模型参数发送至各个客户端；

步骤(5)客户端基于各自的私钥解密得到全局模型参数，根据全局模型参数改进本地模型，将得到的新的模型参数采用各自的公钥进行加密，并将加密模型参数与相应公钥发送到第二服务器，转入步骤(2)，直至各客户端本地模型收敛。

2.如权利要求1所述的一种联邦学习训练数据隐私性增强方法，其特征在于，所述步骤(4)中第二服务器移除全局模型参数的盲化信息后，将加密的全局模型参数发送至各个客户端。

3.如权利要求2所述的一种联邦学习训练数据隐私性增强方法，其特征在于，第二服务器通过加法同态方法移除全局模型参数的盲化信息。

4.一种联邦学习训练数据隐私性增强系统，其特征在于，包括第一服务器、第二服务器和参与联邦学习的多个客户端，其中，第一服务器，生成公共参数和主密钥，将所述公共参数发送给第二服务器；若接收到加密模型参数与相应公钥，基于主密钥对各盲化的加密模型参数进行解密，通过联邦平均算法进行加权平均得到全局模型参数，分别采用各个客户端的公钥加密所述全局模型参数，并发送给第二服务器；

第二服务器，接收并存储公共参数；接收加密模型参数与相应公钥，发送给第一服务器；接收到经加密的全局模型参数，发送至各个客户端；

第二服务器进行盲化处理包括：

依次为每个客户端相应的模型参数生成随机数，各随机数服从Zn下的均匀分布；

将各随机数依次使用相应客户端的公钥加密；

将加密后的随机数与对应的模型参数依次进行加法同态运算，得到盲化的加密模型参数；

多个客户端，从第二服务器获取所述公共参数，并基于所述公共参数生成各自的公钥和私钥对；进行联邦学习时，各客户端基于本地数据集训练本地模型，将得到的模型参数采用各自的公钥进行加密，并将加密模型参数与相应公钥发送到第二服务器；接收到加密的全局模型参数后，基于各自的私钥解密得到全局模型参数，根据全局模型参数改进本地模型，将得到的新的模型参数采用各自的公钥进行加密，并将加密模型参数与相应公钥发送到第二服务器，进入下一次迭代，直至各客户端本地模型收敛。