1.一种联邦学习模型中毒重建的方法，其特征在于，包括：获取中毒的联邦学习模型，所述联邦学习模型由各客户机的本地模型聚合得到；

基于各客户机在训练期间的本地模型的准确率，筛选出在联邦学习模型训练期间中毒的客户机，删除联邦学习模型中由中毒的客户机聚合得到的局部模型，将中毒的客户机作为恶意节点、未中毒的客户机作为诚实节点，将恶意节点从初始DAG网络中移除，得到第二DAG网络；

基于所述第二DAG网络中各诚实节点的本地模型，逐轮聚合各诚实节点的本地模型，得到联邦学习模型的最新全局模型，完成联邦学习模型中毒重建。

2.根据权利要求1所述的联邦学习模型中毒重建的方法，其特征在于，所述联邦学习模型，包括：n个客户机，每个客户机节点为 ， ，客户机节点 有本地隐私数据 ；

所述联邦学习模型的起始训练时间为 ，表示训练第 轮， ，表示联邦学习模型的性能在第 轮后达到预定目标；

所述联邦学习模型的初始训练模型为 ，在训练第 轮，参与本轮训练的客户机节点基于本地隐私数据 训练得到本地模型 ，所述本地模型 聚合得到全局模型 ，聚合得到全局模型 为所述联邦学习模型；

联邦学习正常训练完成时间为 ，训练得到的联邦学习模型为 。

3.根据权利要求2所述的联邦学习模型中毒重建的方法，其特征在于，所述中毒的联邦学习模型，包括：在训练时刻 遭受攻击，有 个随机的客户机遭到攻击被控制成为中毒的客户机，中毒的客户机向联邦学习模型进行投毒攻击，恶意梯度 被添加到遭受攻击之后的梯度聚合过程中，联邦学习模型中毒，聚合得到全局模型由 被篡改为；其中， 的取值范围为 ；

；

在训练时刻 ，联邦学习模型中毒被发现、训练中止，训练中止时得到的全局模型为 ，训练得到全局模型 为所述中毒的联邦学习模型。

4.根据权利要求3所述的联邦学习模型中毒重建的方法，其特征在于，所述筛选出在联邦学习模型训练期间中毒的客户机，包括：步骤a：对联邦学习模型训练中止的第 轮得到的全局模型进行检索，检索得到参与该轮训练的全部客户机，组成客户机集 ；

步骤b：根据实施攻击的敌手模型，初始化准确率阈值 ；

步骤c：基于客户机集 中各客户机 在训练第 轮的本地模型，依次测试各本地模型在测试集上的准确率 ；依次比较 和，若满足 ，则记录该客户机

的本轮梯度更新为恶意更新 ，否则保留梯度更新 ，使用 重新聚合本轮的本地梯度模型，得到第 轮的全局模型；其中，所述测试集为未遭受攻击的全局测试集；

步骤d：依据DAG区块链中的DAG网络结构图，对检索第 轮得到的全局模型进行检索，检索得到参与该轮训练的全部客户机，组成客户机集；重复步骤c，得到保留梯度更新 和全局模型 ；

步骤e：重复步骤d共q次，回退至训练的第 轮，得到全局模型 ，其中 ， 为训练第 轮， 为遭受攻击的轮次， 为全局模型性能下降的轮次；

步骤f：统计第 轮到第 轮期间客户机 的梯度更新被认定为恶意更新的次数 ；

步骤g：初始化次数临界值 ，若满足 ，则该客户机为在训练期间中毒的客户机。

5.根据权利要求4所述的联邦学习模型中毒重建的方法，其特征在于，所述准确率阈值为敌手模型中恶意节点数的 分位数，所述敌手模型通过下式表示：，

其中，指诚实节点数， 指敌手模型中诚实节点数与恶意节点数之比，指恶意节点数，准确率阈值取第一 分位数。

6.根据权利要求4所述的联邦学习模型中毒重建的方法，其特征在于，所述基于所述第二DAG网络中各诚实节点的本地模型，逐轮聚合各诚实节点的本地模型，得到联邦学习模型的最新全局模型，包括：获取第二DAG网络中各诚实节点的本地模型 ，聚合得到的全局模型梯度；其中，t的取值范围为 ；

基于每轮的全局模型梯度，采用带延迟补偿的异步梯度下降算法，自第 轮起重新聚合全局模型梯度，通过下式表示：，

其中， 为一轮聚合后的全局模型梯度， 为第 轮的全局模型梯度， 为求 的梯度， 为高阶量；

逐轮聚合q轮直到训练中止的第 轮各诚实节点的全局模型梯度，得到，作为联邦学习模型的最新全局模型。

7.一种联邦学习模型中毒重建的装置，其特征在于，包括：获取模块：用于获取中毒的联邦学习模型，所述联邦学习模型由各客户机的本地模型聚合得到；

溯源模块：用于基于各客户机在训练期间的本地模型的准确率，筛选出在联邦学习模型训练期间中毒的客户机，删除联邦学习模型中由中毒的客户机聚合得到的局部梯度模型，将中毒的客户机作为恶意节点、未中毒的客户机作为诚实节点，将恶意节点从初始DAG网络中移除，得到第二DAG网络；

重建模块：用于基于所述第二DAG网络中各诚实节点的本地模型，逐轮聚合各诚实节点的本地模型，得到最新的全局模型，完成联邦学习模型中毒重建。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1‑6中任一所述的联邦学习模型中毒重建的方法。

9.一种设备，其特征在于，包括：

存储器，用于存储指令；

处理器，用于执行所述指令，使得所述设备执行实现如权利要求1‑6任一项所述的联邦学习模型中毒重建的方法的操作。