1.基于合同理论激励机制的联邦学习方法，其特征在于，应用于接入点，包括：获取初始模型参数并下发至终端设备；

接收经过终端设备训练后的局部模型；

对局部模型进行聚合并将聚合后的局部模型发送至其他接入点，进行全局模型参数的更新，得到更新后的全局模型；

将更新后的全局模型下发至终端设备并进行迭代学习，判断到满足迭代完成条件，得到最终模型；

将最终模型发送至边缘云服务器；

还包括边缘服务器的处理步骤，其具体包括：发布学习任务并初始化模型参数；

接收到来自接入点的最终模型，依据合同理论对终端设备和DAG区块链网络进行激励；

所述依据合同理论对终端设备和DAG区块链网络进行激励，其具体包括：基于迭代学习的过程，将终端设备分类，为分类后的终端设备提供合同，对训练后的局部模型进行评估，得到第一评估结果；

根据第一评估结果对分类后的终端设备进行奖励；

基于迭代学习的过程，将DAG区块链网络中的验证节点进行分类，为分类后的验证节点提供合同，对验证结果进行评估，得到第二评估结果；

根据第二评估结果对分类后的验证节点进行奖励。

2.根据权利要求1所述一种基于合同理论激励机制的联邦学习方法，其特征在于，还包括：通过DAG区块链网络对训练后的局部模型进行验证，得到验证结果；

验证通过后，将训练后的局部模型发送至接入点；

将验证结果保存至终端设备。

3.根据权利要求2所述一种基于合同理论激励机制的联邦学习方法，其特征在于，终端设备的分类指标包括参与迭代学习的剩余电量以及占用的计算资源，验证节点的分类指标包括验证局部模型的CPU周期以及能量消耗。

4.根据权利要求3所述一种基于合同理论激励机制的联邦学习方法，其特征在于，所述边缘服务器的处理步骤还包括：根据奖励和成本，定义终端设备的效用函数、验证节点的效用函数和边缘服务器的效用函数。

5.一种基于合同理论激励机制的联邦学习系统，其特征在于，包括接入点、边缘服务器和终端设备：所述接入点，用于：

获取初始模型参数并下发至终端设备；

接收经过终端设备训练后的局部模型；

对局部模型进行聚合并将聚合后的局部模型发送至其他接入点，进行全局模型参数的更新，得到更新后的全局模型；

将更新后的全局模型下发至终端设备并进行迭代学习，判断到满足迭代完成条件，得到最终模型；

将最终模型发送至边缘云服务器；

所述边缘服务器，用于：

发布学习任务并初始化模型参数；

接收到来自接入点的最终模型，依据合同理论对终端设备和DAG区块链网络进行激励；

所述终端设备，用于模型的本地训练；

所述依据合同理论对终端设备和DAG区块链网络进行激励，其具体包括：基于迭代学习的过程，将终端设备分类，为分类后的终端设备提供合同，对训练后的局部模型进行评估，得到第一评估结果；

根据第一评估结果对分类后的终端设备进行奖励；

基于迭代学习的过程，将DAG区块链网络中的验证节点进行分类，为分类后的验证节点提供合同，对验证结果进行评估，得到第二评估结果；

根据第二评估结果对分类后的验证节点进行奖励。

6.一种基于合同理论激励机制的联邦学习装置，其特征在于，包括：至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1‑4任一项所述一种基于合同理论激励机制的联邦学习方法。