1.基于区块链和联邦学习的对抗生成网络的训练方法，其特征在于，包括：步骤1：将参与联邦学习的各客户端对本地数据集进行处理，得到原始训练集，利用原始训练集进行满足差分隐私的生成对抗网络的预训练；所述预训练的方式为：各客户端使用本地数据集进行模型的训练，并在模型训练梯度上添加噪声，得到满足差分隐私性质的生成对抗网络模型；

步骤2：各客户端共同选择一个打包客户端，并将预训练完毕的生成器模型发送至打包客户端；

步骤3：打包客户端接收完所有客户端的生成器模型后，将接收到的生成器模型打包成一个区块上传至区块链中，客户端从区块链中下载包含所有参与方生成器模型的区块；

步骤4：客户端生成新的数据，将处理后的原始训练集与新生成的数据进行整合，构建新的数据集，用于联邦学习训练任务；

所述方法还包括：在客户端生成数据之前，客户端对下载完毕的生成器模型进行模型相似度检测操作，分别计算客户端生成器模型与其他客户端模型之间的欧几里得距离；

所述计算客户端生成器模型与其他客户端生成器模型之间的欧几里得距离，若距离值大于最大阈值则将判断为恶意模型，若距离值小于最小阈值则将判断为相似模型；

所述恶意模型与相似模型均无法通过检测，无法进行数据生成任务。

2.如权利要求1所述的基于区块链和联邦学习的对抗生成网络的训练方法，其特征在于，所述生成对抗网络包括生成器和判别器两部分。

3.如权利要求1所述的基于区块链和联邦学习的对抗生成网络的训练方法，其特征在于，所述联邦学习训练任务的方法为：S1：中心服务器随机选择部分客户端参与联邦学习的整体训练，并将初始化的全局模型参数广播给所选择的客户端；

S2：客户端各自基于整合后的数据集进行本地训练来获得模型更新，并将模型更新上传到中心服务器中；

S3：中心服务器收集来自各个客户端的模型更新，使用聚合算法进行模型聚合，生成新的全局模型；

S4：在联邦学习的整体训练过程中，步骤S1‑S3循环迭代执行。

4.基于区块链和联邦学习的对抗生成网络的训练系统，具体执行如权利要求1‑3任一项所述的基于区块链和联邦学习的对抗生成网络的训练方法，其特征在于，包括：模型预训练模块，用于将参与联邦学习的各客户端对本地数据集进行处理，得到原始训练集，利用原始训练集进行满足差分隐私的生成对抗网络的预训练；

区块下载模块，用于各客户端共同选择一个打包客户端，并将预训练完毕的生成器模型发送至打包客户端；打包客户端接收完所有客户端的生成器模型后，将接收到的生成器模型打包成一个区块上传至区块链中，客户端从区块链中下载包含所有参与方生成器模型的区块；

模型更新模块，用于数据客户端生成新的数据，将处理后的原始训练集与新生成的数据进行整合，构建新的数据集，用于联邦学习训练任务。

5.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1‑3中任一项所述的基于区块链和联邦学习的对抗生成网络的训练方法。

6.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1‑3中任一项所述的基于区块链和联邦学习的对抗生成网络的训练方法。