1.一种基于批增量方式的联邦学习训练方法，其特征在于，具体操作步骤如下：(1)、搭建具有增量学习的联邦学习框架；

在所述步骤(1)中，通过提出搭建具有增量学习的联邦学习框架的具体操作步骤如下：(1.1)、客户端训练前，检查是否存在上次训练保存的模型参数，若存在先前训练的模型参数，则将其加载到全局模型；

(1.2)、全局模型将聚合联邦模型发送给各客户端；

(1.3)、各客户端在本地训练过程对各客户端模型采用批增量训练，保存固定批量数训练的模型参数，训练完后输出最后一次固定批量训练得到的网络模型参数；

(1.4)、客户端训练完后将此时的模型参数更新发送到聚合服务器；

(1.5)、聚合服务器将接收到的模型参数进行聚合，最后对收到的模型参数使用加权平均，其具体如下式所示：式(1)中，t表示做聚合平均处理的时刻，nk表示第k个参与方的局部数据量， 表示t时刻局部模型的参数；之后服务器将聚合后的模型参数 发送给所有参与方；

(2)、通过构建本地损失更新，选择针对性的损失函数优化模型；

在所述步骤(2)中，通过构建本地损失更新的具体操作如下：(2.1)、本地训练时，先判断是否存在上次训练保存的模型参数，若存在，则本地loss更新如下式所示；

式(2)中，x表示样本，y表示标签，j表示遍历所有标签的变量；

(2.2)、若不存在，则本地loss更新如下式所示；

式(3)中，b＝0.5， 表示当前本地训练得到的损失值， 表示目前所有本地损失的平均值，q表示遍历当前所有客户端的变量；

(3)、再通过搭建联邦学习局部增量自注意力机制模型，加强具有增量学习的联邦学习框架在训练数据时的记忆；

在所述步骤(3)中，通过搭建联邦学习局部增量自注意力机制模型的具体操作步骤如下：(3.1)、从服务器获得最新的模型更新 数据集为Dk；随机将数据集Dk划分为批量B的大小，将其放入网络模型训练；

(3.2)、搭建卷积层，采用卷积神经网络CNN，在本地加入自注意力机制，如下式所示；

式(4)中，Q表示查询矩阵，V和K表示矩阵的键值， 表示缩放因子，用于调节，防止Q、K的内积太大；

(3.3)、局部批增量更新模型参数，固定批量的模型参数进行保存；之后将当前局部模型参数，发送给全局模型。

2.根据权利要求1所述的一种基于批增量方式的联邦学习训练方法，其特征在于，在所述t时刻局部模型的参数包括权重参数和偏置参数。