1.一种面向云数据中心的通信开销最优化方法，其特征在于，包括以下步骤：

基于全局云端数据中心、本地数据中心和终端用户三种节点构建得到面向云数据中心的联邦学习架构；

在所述联邦学习架构中建立通信传输协议；

在所述全局云端数据中心初始化上一轮全局模型参数，并将初始化后的全局模型参数下发给每个所述终端用户；

每个所述终端用户基于初始化后的全局模型参数使用自身训练的本地数据集得到局部模型和评估成本，并通过所述通信传输协议将所述评估成本发送给所述本地数据中心；

所述本地数据中心基于所述评估成本通过适配函数量化不同的终端用户数据集训练得到的局部模型效果，从而选择出最优局部模型以及相应的终端用户；

未经选择的终端用户以三元向量的方式向所述本地数据中心发送相应的三元向量化模型参数及演化方向；

所述全局云端数据中心结合所述最优局部模型和所述三元向量化模型参数及演化方向进行全局模型更新；在全局模型更新过程中修改同步参数用以调节最优局部模型与其他三元向量化模型参数的同步迭代更新，得到最终全局模型，并将所述最终全局模型作为下一轮训练的初始化全局模型。

2.如权利要求1所述的面向云数据中心的通信开销最优化方法，其特征在于，所述全局云端数据中心，用于聚合模型参数实例和发送初始化后的全局模型参数；

所述本地数据中心，用于提供数据资源以及管理服务；

所述终端用户，用于根据本地数据情况参与局部模型训练；

所述联邦学习架构用于监控所述全局云端数据中心、所述本地数据中心和所述终端用户之间的通信传输情况。

3.如权利要求2所述的面向云数据中心的通信开销最优化方法，其特征在于，所述通信传输协议构建于TCP/IP协议上，所述通信传输协议采用全双工通信传输方式用于所述本地数据中心和所述终端用户之间的消息传输。

4.如权利要求3所述的面向云数据中心的通信开销最优化方法，其特征在于，所述每个所述终端用户基于初始化后的全局模型参数使用自身训练的本地数据集得到局部模型和评估成本，并通过所述通信传输协议将所述评估成本发送给所述本地数据中心，包括：每个所述终端用户基于初始化后的全局模型参数使用自身训练的本地数据集完成训练，同时使用所述本地数据集进行判断，得到局部模型和评估成本；

通过所述通信传输协议将所述评估成本发送给所述本地数据中心。

5.如权利要求4所述的面向云数据中心的通信开销最优化方法，其特征在于，所述本地数据中心基于所述评估成本通过适配函数量化不同的终端用户数据集训练得到的局部模型效果，从而选择出最优局部模型以及相应的终端用户，包括：所述本地数据中心基于所述评估成本通过适配函数量化不同的终端用户数据集训练得到的局部模型效果，任一终端用户的本地数据集所占参与该轮训练终端用户集数据大小的权重与评估成本的乘积作为该局部模型训练效果的评判标准，从而选择出最优局部模型以及相应的终端用户。

6.如权利要求5所述的面向云数据中心的通信开销最优化方法，其特征在于，所述未经选择的终端用户以三元向量的方式向所述本地数据中心发送相应的三元向量化模型参数及演化方向，包括：所述未经选择的终端用户不会将整个局部模型实例发送给本地数据中心进行聚合，而只会借助于所述的通信传输协议以三元向量的方式发送相应模型参数的演化方向。

7.如权利要求6所述的面向云数据中心的通信开销最优化方法，其特征在于，所述所述全局云端数据中心结合所述最优局部模型和所述三元向量化模型参数及演化方向进行全局模型更新；在全局模型更新过程中修改同步参数用以调节最优局部模型与其他三元向量化模型参数的同步迭代更新，得到最终全局模型，并将所述最终全局模型作为下一轮训练的初始化全局模型，包括：所述全局云端数据中心结合所述本地数据中心选择出的最优局部模型以及其他未经选择的终端用户的三元向量化模型参数进行全局迭代更新，在全局模型更新过程中调节最优局部模型与三元向量化模型参数的同步参数，当本轮全局迭代更新完成后，全局云端数据中心就会将该轮聚合的全局模型作为下一轮训练开始的全局模型。