1.一种基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，包括以下步骤：

(1)将数据集中的每张样本平均分成两部分，组成样本集DA和样本集DB，且仅样本集DB包含样本标签，样本集DA、DB分配到边缘终端PA和边缘终端PB；

(2)依据样本集DA对边缘终端PB的边缘模型MA进行训练，依据样本集DB对边缘终端PB的边缘模型MB进行训练，边缘终端PA将训练过程产生的特征数据发送给PB，PB利用接收的特征数据和激活神经元通路数据计算损失函数，边缘终端PA和PB并将各自的损失函数掩码加密后上传至服务端；

(3)服务端对边缘终端PA和PB上传的损失函数掩码解密后，聚合损失函数后求解聚合的损失函数获得MA和MB的梯度信息，并返回梯度信息至边缘终端PA和PB以更新边缘模型网络参数。

2.如权利要求1所述的基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，依据样本集DA对边缘模型MA进行训练时，边缘模型MA的损失函数LossA为：2

其中，ΘA表示边缘模型MA的模型参数， 表示属于样本集A的第i个样本，||·||表示L1范数的平方。

3.如权利要求1所述的基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，依据样本集DB对边缘模型MB进行训练时，边缘模型MB的总损失函数Losssum为：losssum＝lossB+λ*losstopk+lossAB其中，lossB表示边缘模型MB的基本损失，losstopk表示神经通路损失，lossAB表示共同损失，λ表示自适应调节系数，作为神经通路加密的部分因子，ΘB表示边缘模型MB的模型参数，2

表示属于样本集B的第i个样本，yi表示 对应的标签，||·||表示L1范数的平方，i表示样本索引，N为样本数量，NUPathl(T,N)表示边缘模型第l层的多个最大激活神经元的激活值，L表示边缘模型的总层数，T每次输入样本个数，N表示每层的神经元个数。

4.如权利要求3所述的基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，NUPathl(T,N)的计算公式为：其中， 为功能函数， 表示给定输入样本 时，第l层中与输入样本对应的神经元ni的激活值，maxk(·)表示提取每层中激活值前k大的k个神经元的激活值。

5.如权利要求1所述的基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，步骤(3)中，服务端聚合的损失函数Loss为：Loss＝lossB+λ*losstopk+lossAB+lossAMA和MB的梯度信息分别为 和

6.如权利要求1所述的基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，边缘终端PA和PB接收到服务端返回的梯度信息后，依据梯度信息更新各自边缘模型的MA和MB的网络参数，基于更新后的新网络参数再继续训练。

7.如权利要求1所述的基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，对样本进行划分，获得样本集DA和样本集DB后，还需要对样本集DA和样本集DB中属于来源于同一个样本的部分样本对齐，即保证边缘模型MA和边缘模型MB同一次输入的部分样本来源于同一个样本。

8.如权利要求1所述的基于神经通路特征提取的垂直联邦下模型窃取防御方法，其特征在于，服务端采用随机梯度下降求解聚合的损失函数的梯度信息。