1.一种基于边缘数字孪生关联的联邦学习方法，其特征在于，包括以下步骤：S1：参与联邦学习的用户分别生成数字孪生体；

S2：使用多对一匹配算法将数字孪生体与边缘服务器配对，使传输时延最小化；

S3：云服务器构建任务并发布至边缘服务器；

S4：边缘服务器将任务发布至数字孪生体，数字孪生体利用与其配对的边缘服务器的资源进行联邦学习，并将其局部迭代训练得到的模型传输至边缘服务器；

S5：边缘服务器将与其配对的数字孪生体训练得到的模型进行聚合得到局部模型，并将所述局部模型上传至云服务器；

S6：云服务器将其接收的局部模型进行聚合得到全局模型，检验所述全局模型精度是否达到预设的阈值，若否，则将当前的全局模型下发至边缘服务器进行训练，跳转执行S4步骤；若是，则完成当前联邦学习。

2.根据权利要求1所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，所述数字孪生体与边缘服务器配对过程中的匹配条件包括：边缘服务器的数字孪生体配对数量不超过其最大限制；一个数字孪生体只能与一个边缘服务器匹配；所有进行训练的模型传输速度不能低于预设的最低传输速度Rmin。

3.根据权利要求2所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，所述数字孪生体与边缘服务器配对过程中，包括以下步骤：对每个边缘服务器q∈Q设置其相应的容量Cq，其中Q为边缘服务器的集合；

每个用户m∈M分别对每个边缘服务器q的一个非空子集进行排序，得到用户偏好集合f(m)；

每个边缘服务器q分别将对其进行排序的用户进行排序，得到边缘服务器偏好集合g(q)；其中当存在边缘服务器没有对其进行排序的用户时，将该边缘服务器从集合Q中删除；

设定匹配Θ表示集合M与集合Q之间的任意映射，其中当(m,q)∈M×Q在Θ中匹配，则有‑1

表示Θ(m)＝q或m∈Θ (q)；

保留有效匹配对；其中，有效匹配对同时满足以下条件：

1)对于匹配的所有用户m∈M，有Θ(m)∈f(m)；

2)对于匹配的所有边缘服务器q∈Q，有‑1

3)对于所有边缘服务器q∈Q，有|M (Q)|≤Cq；

各个用户m分别从其对应的用户偏好集合f(m)中选择一个最佳匹配的边缘服务器，完成数字孪生体与边缘服务器配对。

4.根据权利要求3所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，用户m从其对应的用户偏好集合f(m)中选择最佳匹配的边缘服务器的步骤包括(1)或(2)：(1)考虑用户的最佳匹配：

将所有用户和边缘服务器不进行匹配；

对任意非空偏好集合的不匹配用户m，将其用户偏好集合f(m)中排序第一的边缘服务器q进行匹配；

判断：

‑1

若|M (q)|>Cq，则找到分配给边缘服务器q的最差配对用户m′，并取消配对(m′,q)；

‑1

若|M (q)|＝Cq，则找到分配给边缘服务器q的最差配对用户m′，对于每个用户s∈g(q)直到用户s＝m′，从其用户偏好集合f(s)中移除边缘服务器q，并从边缘服务器偏好集合g(q)中移除用户s，在全体配对中删除匹配对(s,q)；

重复上述步骤至不存在非空偏好集合的不匹配用户m；

(2)考虑边缘服务器最佳匹配：将所有用户和边缘服务器不进行匹配；

对任意边缘服务器q，当其容量不足时边缘服务器偏好集合g(q)中包含有未分配的用户时，将其边缘服务器偏好集合g(q)中排序第一的用户m进行匹配；

当用户m当前与其他边缘服务器q′匹配，则取消二者的匹配关系，并将用户m与与边缘服务器q匹配；

对于边缘服务器s∈f(m)至边缘服务器q的每个候选边缘服务器，从全部配对中删除匹配对(m,s)；

重复上述步骤至所有边缘服务器完成配对。

5.根据权利要求3所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，所述用户偏好集合f(m)基于边缘服务器的传输速率由大到小进行排序，所述边缘服务器偏好集合g(q)基于数字孪生体的联邦学习局部训练时间由大到小进行排序。

6.根据权利要求1所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，所述用户与边缘服务器之间采用正交频分多址进行无线传输。

7.根据权利要求1所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，所述数字孪生体中包括用户的硬件配置信息、历史运行数据、实时状态数据。

8.根据权利要求1所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，所述数字孪生体进行局部迭代训练过程中，每个数字孪生体分别设置有对应于用户的局部数据质量的局部精度εm，则局部迭代次数为

9.根据权利要求1所述的基于边缘数字孪生关联的联邦学习方法，其特征在于，所述S3步骤中，在所述数字孪生体进行局部迭代训练过程中，采用基于梯度下降的方法最小化其局部数据的损失函数；所述边缘服务器通过联邦平均和联邦随机梯度下降算法将所述局部模型传输至云服务器；

其中，所述局部数据的损失函数表示为：式中，f(w,xj,yj)表示损失函数，w表示局部模型的参数，xj表示第j个数字孪生体的局部模型的输入样本向量，yj表示与xj对应的输出标签向量；Dj表示第j个数字孪生体的本地数据。

10.一种基于边缘数字孪生关联的联邦学习系统，应用于权利要求1～9任一项所述的联邦学习方法，其特征在于，包括终端用户层、数字孪生层、边缘服务器、云服务器，其中：所述终端用户层包括若干终端用户，所述终端用户分别生成的数字孪生体组成所述数字孪生层；

所述数字孪生体与所述边缘服务器基于多对一匹配算法进行匹配，且所述数字孪生体使用与其匹配的边缘服务器的资源进行联邦学习；

所述边缘服务器将所述数字孪生体经过联邦学习得到的模型进行聚合得到局部模型，并传输至所述云服务器中；

所述云服务器用于构建任务并发布至边缘服务器，所述边缘服务器传输至所述数字孪生体进行联邦学习；以及用于将接收的局部模型进行聚合得到全局模型并对其精度进行检验。