1.一种基于区块链的联邦学习可信融合激励方法，其特征在于，包括：

在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；

针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上；

其中，所述相关属性信息包括贡献度、有效信息度、基础信用度和参与节点之间的贡献比值关系；实体模型m={c1,c2,c3,c4,rti}，这里，c1为贡献度，c2为有效信息度，c3为基础信用度，c4为信用度，rti为参与节点之间的贡献比值关系；所述贡献度用于衡量本地梯度与联邦学习全局梯度的全局一致性，所述有效信息度用于衡量目标参与节点与联邦学习中除所述目标参与节点之外的其他参与节点所提供的梯度差异，贡献比值关系为参与节点i与联邦学习迭代中除参与节点i之外的任意其他参与节点的贡献占比。

2.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，根据参与节点本地梯度对联邦学习全局梯度的贡献度和本地梯度的有效信息度，确定参与节点的基础信用度。

3.如权利要求2所述的基于区块链的联邦学习可信融合激励方法，其特征在于，所述贡献度为参与节点本地更新梯度和前一轮联邦学习全局更新梯度的符号一致的数量，与联邦学习聚合的模型总参数量的比值。

4.如权利要求2所述的基于区块链的联邦学习可信融合激励方法，其特征在于，通过以下方式确定所述有效信息度：；

其中，为参与节点i在第t轮迭代中的有效信息度，M为联邦学习总参数量，n表示联邦学习中参与节点总数，为参与节点i与参与节点j在第t轮的梯度更新中符号相异的参数个数。

5.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，按照以下公式更新参与节点在当前轮迭代学习的信用度：；

其中，mit为参与节点i在第t轮迭代中的信用度，为信用度变化值，为基础信用度，t为迭代次数。

6.如权利要求1所述的基于区块链的联邦学习可信融合激励方法，其特征在于，在将实体模型存储在区块链上之后，还包括：查询所述区块链上的实体模型中参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。

7.如权利要求6所述的基于区块链的联邦学习可信融合激励方法，其特征在于，获取用户身份，针对不同的用户身份，确定所述区块链上的实体模型的可信查询权限。

8.一种基于区块链的联邦学习可信融合激励系统，其特征在于，包括：

获取模块，用于在多轮联邦学习过程中，获取各个参与节点的基础信用度和预设的节点等级临界值；

存储模块，用于针对每一轮迭代学习，根据参与节点的基础信用度和前一轮的信用度更新参与节点在当前轮迭代学习的信用度，通过比较所述节点等级临界值与更新后的信用度确定参与节点的等级，对预设等级的参与节点进行隔离并记录到区块链中；根据参与节点更新后的信用度以及相关属性信息，构建多属性融合数据的实体模型，将所述实体模型存储在区块链上；

其中，所述相关属性信息包括贡献度、有效信息度、基础信用度和参与节点之间的贡献比值关系；实体模型m={c1,c2,c3,c4,rti}，这里，c1为贡献度，c2为有效信息度，c3为基础信用度，c4为信用度，rti为参与节点之间的贡献比值关系；所述贡献度用于衡量本地梯度与联邦学习全局梯度的全局一致性，所述有效信息度用于衡量目标参与节点与联邦学习中除所述目标参与节点之外的其他参与节点所提供的梯度差异；贡献比值关系为参与节点i与联邦学习迭代中除参与节点i之外的任意其他参与节点的贡献占比。

9.如权利要求8所述的基于区块链的联邦学习可信融合激励系统，其特征在于，还包括：

激励模块，用于查询所述区块链上的实体模型中参与节点在每一轮迭代学习中的贡献度，计算各参与节点在联邦学习全过程中的综合贡献度；根据所述综合贡献度向参与节点发送相应的激励信息。