1.一种具有隐私保护的个性化联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的具有隐私保护的个性化联邦学习方法，其特征在于，所述本地平均梯度算法具体如下：
3.根据权利要求1所述的具有隐私保护的个性化联邦学习方法，其特征在于，所述聚类算法为梯度聚类算法根据本地梯度向量将客户端集群分为两个子节点客户端集群，具体如下：
4.根据权利要求3所述的具有隐私保护的个性化联邦学习方法，其特征在于，所述二元聚类算法中使用余弦距离定义两客户端梯度数据，所述余弦距离计算公式如下：
5.根据权利要求1-4任一所述的具有隐私保护的个性化联邦学习方法，其特征在于，所述个性化本地训练算法训练过程具体如下：
6.根据权利要求1所述的具有隐私保护的个性化联邦学习方法，其特征在于，还包括本地平均梯度算法和个性化的本地训练算法的隐私保护，具体方式如下：
7.根据权利要求6所述的具有隐私保护的个性化联邦学习方法，其特征在于，所述计算服务器使用安全聚合协议完成模型参数聚合，具体方式如下：
8.根据权利要求7所述的具有隐私保护的个性化联邦学习方法，其特征在于，所述聚类算法为安全二进制聚类算法，具体方式如下：
9.根据权利要求8所述的具有隐私保护的个性化联邦学习方法，其特征在于，所述标量积协议如下：
10.一种存储介质，存储有程序指令，其特征在于，所述程序指令在运行时，执行如权利要求1至7任一项所述的具有隐私保护的个性化联邦学习方法。