1.一种联邦学习模型的更新方法，其特征在于，所述方法应用于服务器端，包括：接收参与联邦学习的目标客户端发送的数据移除请求；

在从用于联邦学习模型的数据中删除所述移除数据之后，向参与所述参与联邦学习的所有客户端发送数据移除消息，以使得所述目标客户端根据梯度公式计算所述移除数据关于所述联邦学习模型的梯度参数，以及使得各个客户端根据矩阵公式计算各个客户端所包含的全量数据在所述移除数据移除之后所述联邦学习模型的损失函数的黑塞矩阵；

接收所述目标客户端发送的梯度参数和各个客户端发送的黑塞矩阵；

根据所述梯度参数、所述黑塞矩阵和预设模型参数公式计算更新参数；

利用所述更新参数对所述联邦学习模型进行更新。

2.如权利要求1所述的联邦学习模型的更新方法，其特征在于，所述预设模型参数公式包括：

(‑m)

其中，w 为所述更新参数，w为所述联邦学习模型的参数向量， 为第i个客户端的黑塞矩阵，Δ为所述梯度参数，m为所述移除数据的个数，k为参与所述联邦学习的所有客户端的个数。

3.如权利要求1所述的联邦学习模型的更新方法，其特征在于，所述利用所述更新参数对所述联邦学习模型进行更新之后，所述方法还包括：将更新后的所述联邦学习模型发送至参与联邦学习的所有客户端。

4.如权利要求1所述的联邦学习模型的更新方法，其特征在于，所述根据所述梯度参数、所述黑塞矩阵和预设模型参数公式计算更新参数之前，所述方法还包括：判断所述梯度参数或所述黑塞矩阵是否为加密数据；

若所述梯度参数或所述黑塞矩阵中是加密数据，根据预设的解密公式对所述加密数据进行解密，得到解密后的梯度参数和黑塞矩阵。

5.如权利要求4所述的联邦学习模型的更新方法，其特征在于，所述根据预设的解密公式对所述加密数据进行解密，得到解密后的梯度参数和黑塞矩阵，包括：所述预设的解密公式为：

λ 2

m＝L(cmodn)*μmodn其中，m是解密后的梯度参数或者黑塞矩阵，c是指加密后的梯度参数或者黑塞矩阵，mod是指取模运算符,n＝p×q，其中，p，q为满足oq与(p‑1)(q‑1)的最大公倍数为1的大质数，λ为卡迈克尔函数，μ为预设参数。

6.如权利要求1所述的联邦学习模型的更新方法，其特征在于，所述接收参与联邦学习的目标客户端发送的数据移除请求之后，所述方法还包括：根据客户端的数量开启监听端口。

7.如权利要求1所述的联邦学习模型的更新方法，其特征在于，所述接收所述目标客户端发送的梯度参数和各个客户端发送的黑塞矩阵，包括：获取所述监听端口；

利用预设的请求响应协议通过所述监听端口接收所述目标客户端发送的梯度参数和各个客户端发送的黑塞矩阵。

8.一种联邦学习模型的更新装置，其特征在于，所述装置应用于服务器端，所述装置包括：

数据请求模块，用于接收参与联邦学习的目标客户端发送的数据移除请求；

消息发送模块，用于在从用于联邦学习模型的数据中删除所述移除数据之后，向参与所述参与联邦学习的所有客户端发送数据移除消息，以使得所述目标客户端根据梯度公式计算所述移除数据关于所述联邦学习模型的梯度参数，以及使得各个客户端根据矩阵公式计算各个客户端所包含的全量数据在所述移除数据移除之后所述联邦学习模型的损失函数的黑塞矩阵；

参数接收模块，用于接收所述目标客户端发送的梯度参数和各个客户端发送的黑塞矩阵；

更新参数计算模块，用于根据所述梯度参数、所述黑塞矩阵和预设模型参数公式计算更新参数；

模型更新模块，用于利用所述更新参数对所述联邦学习模型进行更新。

9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的联邦学习模型的更新方法。

10.一种计算机可读存储介质，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如权利要求1至6中任意一项所述的联邦学习模型的更新方法。