1.一种面向联邦生成对抗网络的隐私增强方法，其特征在于：包括以下步骤：S1、在物联网场景下搭建以云服务器为中心的云‑边联邦生成对抗网络，搭建以边缘服务器为中心的边‑端网络；

S101、由一个云端服务器和多个边缘服务器组成云‑边联邦生成对抗网络结构；

S102、每一个边缘服务器和其边缘网络下对应的多个终端设备组成边‑端网络结构；

S2、通过本地化差分隐私技术保护终端原始数据，将扰动数据发送至边缘服务器；边缘服务器端聚合扰动数据并解码，构建边缘数据集；

S3、云端服务器向边缘服务器发送初始化生成器和判别器模型；边缘服务器按固定步长训练本地生成器和判别器，并将模型参数更新上传至云端服务器；云端服务器聚合边缘模型参数，从而更新全局生成器和判别器模型：S301、云端服务器向所有边缘服务器发送初始化生成器和判别器模型；

S302、在每一轮联邦学习通讯过程中，云端服务器选择一部分边缘服务器按固定步长训练本地生成器和判别器，并将模型参数更新上传至云端服务器；

S303、云端服务器聚合接受到的边缘模型参数更新，求出全局参数更新以更新全局生成器和判别器模型；

S304、云端服务器再将更新后的全局模型发送至所有边缘服务器，边缘服务器使用新的全局模型替换S302步骤中训练的本地模型；

S4、重复边缘和云服务器的交互过程，直至云端的全局生成器生成可用的数据。

2.根据权利要求1所述的一种面向联邦生成对抗网络的隐私增强方法，其特征在于：所述S2步骤包括：S201、终端设备使用满足条件的本地化差分隐私机制生成本地扰动数据；

S202、终端设备上传扰动后的数据至边缘服务器；

S203、边缘服务器聚合来自多个终端的扰动数据集并解码，构建一个用于联邦训练的隐私保护边缘数据集。

3.根据权利要求1所述的一种面向联邦生成对抗网络的隐私增强方法，其特征在于：所述S4步骤包括：S401、重复执行S302‑S304步骤的联邦学习通讯过程，设定期望的通讯轮数或全局生成器合成数据的质量；

S402、当联邦生成对抗网络达到指定的联邦学习通讯轮数或云端全局生成器合成数据的质量，停止联邦学习通讯，在保障终端数据隐私的同时，生成可用的数据。