1.一种基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，在基于联邦学习的智能车联网框架中，将框架中生成的流数据采用成对相似性策略进行新旧训练样本的替换，同时采用动态数据存储策略保持本地训练数据的总大小不变；其中，所述成对相似性策略是在作为训练样本的旧的流数据中，将与新生成的流数据之间数据点相似性满足预设相似条件的数据点作为需要替换的数据点，将新生成的流数据中对应数据点替换到所述训练样本中；所述动态数据存储策略为利用缓冲区存储新生成的流数据以及替换的旧数据点；所述成对相似性策略采用下式确定数据样本之间的相似性概率，如下： ；式中， 表示样本i和j之间的相似性概率， 和 分别表示从j到i和从i到j的相似度， 是温度超参数，z i 、z j 和z h 分别表示数据样本i、j和h的特征表示，n k 是第k个节点上的样本数目。
2.根据权利要求1所述的基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，所述基于联邦学习的智能车联网框架的训练流程包括：IoV节点获取中央服务器在初始化阶段生成的初始全局模型；基于本地训练样本对所述初始全局模型进行训练，得到本地模型，训练过程中采用所述成对相似性策略和所述动态数据存储策略不断更新训练样本；IoV节点将训练好的本地模型的参数上传至所述中央服务器，以便进行模型聚合。
3.根据权利要求2所述的基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，所述初始化阶段包括：中央服务器进行参数配置；选择评估标准，所述评估标准用于评估全局模型的有效性；初始化所述全局模型，并将初始化的所述全局模型交付给每个IoV节点。
4.根据权利要求2所述的基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，在训练过程中，采用所述成对相似性策略进行数据替换，包括：IoV节点在模型训练过程中持续收集新数据；采用所述成对相似性策略确定所述新数据与所述本地训练样本之间的相似数据；基于所述相似数据进行所述本地训练样本的数据替换。
5.根据权利要求4所述的基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，在训练过程中，采用所述动态数据存储策略不断更新训练样本，包括：利用专用缓冲区存储所述本地训练样本中被替换的数据和所述新数据；将所述新数据中的相似数据替换到所述本地训练样本中，得到新的训练样本。
6.根据权利要求2所述的基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，所述模型聚合为将来自IoV节点的本地模型参数进行聚合，得到新的所述全局模型的参数，从而更新所述全局模型。
7.根据权利要求6所述的基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，所述全局模型的参数更新基于下式进行： ；式中， 为本地模型参数， 为联邦学习轮次， 是客户端k的学习率， 是客户端k的局部数据上的梯度， 为第k个节点上经过数据替换后的样本数目， 是当前样本总数。
8.根据权利要求2所述的基于联邦学习的智能车联网流数据隐私保护方法，其特征在于，在IoV节点每个训练间隔中，采用所述成对相似性策略进行数据替换。
9.一种基于联邦学习的智能车联网流数据隐私保护系统，其特征在于，包括：中央服务器和IoV节点，所述中央服务器和IoV节点构成基于联邦学习的智能车联网框架，其中，将框架中生成的流数据采用成对相似性策略进行新旧训练样本的替换，同时采用动态数据存储策略保持本地训练数据的总大小不变；所述成对相似性策略是在作为训练样本的旧的流数据中，将与新生成的流数据之间数据点相似性满足预设相似条件的数据点作为需要替换的数据点，将新生成的流数据中对应数据点替换到所述训练样本中；所述动态数据存储策略为利用缓冲区存储新生成的流数据以及替换的旧数据点；所述成对相似性策略采用下式确定数据样本之间的相似性概率，如下： ；式中， 表示样本i和j之间的相似性概率， 和 分别表示从j到i和从i到j的相似度， 是温度超参数，z i 、z j 和z h 分别表示数据样本i、j和h的特征表示，n k 是第k个节点上的样本数目。
