1.一种高延时网络环境鲁棒的联邦学习训练方法，其特征在于，包括：获取当前系统时间，判断是否接收到各数据上传终端上传的加密数据；

若未接收到若干个数据上传终端上传的加密数据，获取对应的目标数据上传终端，以组成目标数据上传终端集合；

获取所述目标数据上传终端集合中各目标数据上传终端的当前网络时延值，以得到各当前网络时延值中的最大网络时延值；

根据所述最大网络时延值及所调用本地存储的单位时序间隔步长，计算得到延时步长；

将当前系统时间与所述延时步长求和得到目标系统时间，若当前时间为目标系统时间，判断是否接收到目标数据上传终端上传的目标加密数据；以及若未接收到目标数据上传终端上传的目标加密数据，停止本地的联邦学习训练，直至接收到所有目标数据上传终端上传的目标加密数据后，恢复本地的联邦学习训练。

2.根据权利要求1所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，所述将当前系统时间与所述延时步长求和得到目标系统时间，若当前时间为目标系统时间，判断是否接收到目标数据上传终端上传的目标加密数据之后，还包括：若接收到目标数据上传终端上传的目标加密数据，将所接收到的当前目标加密数据加入联邦学习模型的训练集，以进行本地的联邦学习训练。

3.根据权利要求1所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，所述若未接收到目标数据上传终端上传的目标加密数据，停止本地的联邦学习训练，直至接收到所有目标数据上传终端上传的目标加密数据后，恢复本地的联邦学习训练之后，还包括：获取本地的联邦学习模型的模型参数和本地的当前全局聚合梯度；

调用已存储的学习因子，获取目标加密数据的目标数据聚合梯度；

根据 计算得到弥补后模型参数；其中

ω'(n,t)表示弥补后模型参数，ω(n,t)表示本地的联邦学习模型的模型参数，λ表示学习因子， 表示本地的当前全局聚合梯度， 表示目标数据聚合梯度。

4.根据权利要求3所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，还包括：调用本地存储的公钥，将所述公钥和所述弥补后模型参数发送至各数据上传终端。

5.根据权利要求4所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，还包括：将所述弥补后模型参数上传至区块链网络。

6.根据权利要求4所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，所述获取当前系统时间，判断是否接收到各数据上传终端上传的加密数据之前，还包括：获取上一模型参数发送时间；

判断当前系统时间与上一模型参数发送时间之间的时间间隔是否等于预设的时序间隔；

若当前系统时间与上一模型参数发送时间之间的时间间隔等于所述时序间隔，执行所述获取当前系统时间，判断是否接收到各数据上传终端上传的加密数据的步骤。

7.一种高延时网络环境鲁棒的联邦学习训练装置，其特征在于，包括：数据接收判断单元，用于获取当前系统时间，判断是否接收到各数据上传终端上传的加密数据；

目标终端获取单元，用于若未接收到若干个数据上传终端上传的加密数据，获取对应的目标数据上传终端，以组成目标数据上传终端集合；

最大网络时延值获取单元，用于获取所述目标数据上传终端集合中各目标数据上传终端的当前网络时延值，以得到各当前网络时延值中的最大网络时延值；

延时步长获取单元，用于根据所述最大网络时延值及所调用本地存储的单位时序间隔步长，计算得到延时步长；

目标加密数据接收判断单元，用于将当前系统时间与所述延时步长求和得到目标系统时间，若当前时间为目标系统时间，判断是否接收到目标数据上传终端上传的目标加密数据；以及时延稀疏更新单元，用于若未接收到目标数据上传终端上传的目标加密数据，停止本地的联邦学习训练，直至接收到所有目标数据上传终端上传的目标加密数据后，恢复本地的联邦学习训练。

8.根据权利要求7所述的高延时网络环境鲁棒的联邦学习训练装置，其特征在于，还包括：继续训练控制单元，用于获若接收到目标数据上传终端上传的目标加密数据，将所接收到的当前目标加密数据加入联邦学习模型的训练集，以进行本地的联邦学习训练。

9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的高延时网络环境鲁棒的联邦学习训练方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至6任一项所述的高延时网络环境鲁棒的联邦学习训练方法。