1.一种基于联邦学习的流量分类系统，通过传递梯度信息实现分类模型，其特征在于，由流量采集标记模块、特征提取处理模块、联邦深度分类器组成，所述流量采集标记模块被配置为：基于端口与应用类型映射表对数据报文进行标记分类；所述特征提取处理模块被配置为：进行数据包分组、数据预处理和合并上传操作，所述合并上传为上传数据集至联邦学习客户端；所述联邦深度分类器被配置为:训练初始化：确定参与训练的客户端与服务器，客户端间进行加密后的数据特征对齐，服务器将CNN模型框架及公钥分发给客户端；梯度训练：客户端将本地的数据输入至本地CNN模型中进行训练得到梯度，然后将梯度加密上传至服务器；模型确定:服务器对收到的所有用户的梯度数据进行聚合，得到联合CNN模型参数；客户端根据所述联合CNN模型参数更新各自的模型，计算模型对流量进行分类的准确率，判断准确率的提升是否均小于预设的阈值，若是，则得到最终的CNN模型。
2.根据权利要求1所述的基于联邦学习的流量分类系统，其特征在于，所述应用类型映射表的建立方法是：客户端捕捉本地流量，通过端口查找对应进程，建立本地端口与应用类型映射表。
3.如权利要求1所述的基于联邦学习的流量分类系统，其特征在于，所述对数据包分组为：对数据包进行分组，按照时间顺序提取前16个数据包的包头；所述数据预处理为：将数据包各个字节解释为0-255的整数，对各个干扰字段置0，进行匿名化处理；所述合并上传时，将处理后的前16个数据包的包头合并作为一项数据，以数据包的标签作为数据的标签，上传至联邦学习客户端。
4.如权利要求3所述的基于联邦学习的流量分类系统，其特征在于，对数据包进行分组时，以（源地址、源端口号、目的地址、目的端口号、协议）五元组作为标识，对在客户端与服务器之间双向流动的数据包进行分组。
5.如权利要求3所述的基于联邦学习的流量分类系统，其特征在于，所述 干扰字段包括Mac地址、IP地址、端口、报头校验和。
6.如权利要求1所述的基于联邦学习的流量分类系统，其特征在于，所述将本地的数据输入至本地CNN模型中，是先将本地的数据转换为16*54的矩阵，再作为图片输入至本地CNN模型中进行训练。
7.如权利要求1所述的基于联邦学习的流量分类系统，其特征在于，若准确率提升不都小于预设的阈值，则进行下一回合迭代，执行所述梯度训练和所述模型确定的流程。
8.一种基于联邦学习的流量分类方法，其特征在于，包括以下步骤：流量采集标记步骤S1：客户端捕捉本地流量，通过端口查找对应进程，建立本地端口与应用类型映射表；基于端口与应用类型映射表对数据报文进行标记分类；特征提取处理步骤S2，包括以下子步骤：数据包分组步骤S21：以（源地址、源端口号、目的地址、目的端口号、协议）五元组作为标识，对在客户端与服务器之间双向流动的数据包进行分组，按照时间顺序提取前16个数据包的包头；数据预处理步骤S22：将数据包各个字节解释为0-255的整数，对各个干扰字段置0，进行匿名化处理，所述干扰字段包括Mac地址、IP地址、端口、报头校验和；合并上传步骤S23：将处理后的前16个数据包的包头合并作为一项数据，以数据包的标签作为数据的标签，上传至联邦学习客户端；联邦分类模型建立步骤S3，包括以下子步骤：训练初始化步骤S31：确定参与训练的客户端与服务器，客户端间进行加密后的数据特征对齐，服务器将CNN模型框架及公钥分发给客户端；梯度训练步骤S32：将本地的数据输入至本地CNN模型中进行训练以得到梯度，然后将梯度加密上传至服务器；模型确定步骤S33:服务器对收到的所有用户的梯度数据进行聚合，得到联合CNN模型参数；客户端根据所述联合CNN模型参数更新各自的模型；计算模型对流量进行分类的准确率，判断准确率的提升是否均小于预设的阈值，若否，则返回所述步骤S32,进行下一回合迭代过程；若是，则结束流程，所得CNN模型为最终模型。
9.如权利要求8所述的基于联邦学习的流量分类方法，其特征在于，在所述步骤S32中，所述将本地的数据输入至本地CNN模型中，是先将本地的数据转换为16*54的矩阵，再作为图片输入至本地CNN模型中训练。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令由处理器加载并执行如权利要求8-9之任一项所述的基于联邦学习的流量分类方法。
