1.一种基于并行蒙特卡洛法的边坡可靠性参数获取方法，其特征在于，所述方法包括：

根据m个不确定性参数各自对应的均值与标准差，通过正交设计法，生成k个训练样本向量，每个所述训练样本向量由所述m个不确定性参数各自对应的试验数据构成，其中，m与k为非零自然数，k的最大取值与m呈指数关系；

根据所述k个训练样本向量及一个或多个确定性参数，通过边坡稳定性分析方法，获取所述k个训练样本向量各自对应的边坡稳定系数；

以所述k个训练样本向量为自变量，以其各自对应的所述边坡稳定系数为因变量，构成映射关系，通过支持向量机算法，获取映射关系表达式；

根据通过并行蒙特卡洛法随机生成N个服从于联合概率分布的待测样本向量及所述映射关系表达式，获取边坡可靠性参数，所述边坡可靠性参数包括所述N个待测样本向量各自对应的边坡稳定系数的均值和标准差、边坡失效概率以及可靠度指标，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

其中，以所述k个训练样本向量为自变量，以其各自对应的边坡稳定系数为因变量，构成映射关系，通过支持向量机算法，获取所述映射关系表达式，包括：根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶；

根据所述最优偏移量、所述k个训练样本向量及其各自对应的所述最优拉格朗日对偶，获取映射关系表达式；

其中，所述根据通过并行蒙特卡洛法随机生成N个服从于联合概率分布的待测样本向量及所述映射关系表达式，获取边坡可靠性参数，包括：采用OpenMP并行技术，将sum1及sum2设置为第一规约变量，所述sum1用于存储稳定系数之和，所述sum2用于存储失效次数之和；

创建P个第一并行线程，所述P个第一并行线程用于随机生成N个服从于联合概率分布的待测样本向量，根据所述映射关系表达式及功能函数，分别获取所述sum1与所述sum2的规约和，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

结束所述P个第一并行线程，将所述稳定系数之和与所述N的比值作为边坡稳定系数的均值，将所述失效次数之和与所述N的比值作为边坡失效概率，根据所述边坡失效概率获取可靠度指标；

采用OpenMP并行技术，将sum3设置为第二规约变量，所述sum3用于存储方差之和；

创建P个第二并行线程，所述P个第二并行线程用于随机生成N个服从于联合概率分布的待测样本向量，根据所述映射关系表达式，计算所述待测样本向量的稳定系数及与所述稳定系数均值差的平方，获取所述sum3的规约和，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

结束所述P个第二并行线程，根据所述方差之和获取稳定系数的标准差。

2.根据权利要求1所述的方法，其特征在于，根据m个不确定性参数各自对应的均值与标准差，通过正交设计法，生成k个训练样本向量，包括：根据m个不确定性参数各自对应的均值和标准差，通过正交设计法，至少生成一组第一训练样本向量，每个所述不确定性参数的均值为μi，标准差为σi，每组所述第一训练样本向量中的每个所述不确定性参数对应的3个水平样本为:μi-2σi、μi、μi+2σi，或者为μi-3σi、μi、μi+3σi，其中i＝1,2,…,m，每一组所述第一训练样本向量的数量为nj，nj≤3m，j为组编号，有j∈N+；

合并所述第一训练样本向量为训练样本向量，所述训练样本向量的样本数为k，

或 其中，t为所述第一训练样本向量的组数。

3.根据权利要求1所述的方法，其特征在于，在所述根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶之前，所述方法还包括：对所述k个训练样本向量中的试验数据进行归一化处理；

在创建P个第一并行线程，所述P个第一并行线程用于随机生成N个服从于联合概率分布的待测样本向量之后，根据所述映射关系表达式及功能函数，分别获取所述sum1与所述sum2的规约和之前，所述方法还包括：对所述随机生成的N个服从于联合概率分布的待测样本向量进行归一化处理；

在所述创建P个第二并行线程，所述P个第二并行线程用于随机生成N个服从于联合概率分布的待测样本向量之后，根据所述映射关系表达式，计算所述待测样本向量的稳定系数及与所述稳定系数均值差的平方，获取所述sum3的规约和之前，所述方法还包括：对所述随机生成的N个服从于联合概率分布的待测样本向量进行归一化处理。

4.一种基于并行蒙特卡洛法的边坡可靠性参数获取装置，其特征在于，所述装置包括：

训练样本生成模块，用于根据m个不确定性参数各自对应的均值与标准差，通过正交设计法，生成k个训练样本向量，每个所述训练样本向量由所述m个不确定性参数各自对应的试验数据构成，其中，m与k为非零自然数，k的最大取值与m呈指数关系；

稳定系数获取模块，用于根据所述k个训练样本向量及一个或多个确定性参数，通过边坡稳定性分析方法，获取所述k个训练样本向量各自对应的边坡稳定系数；

表达式获取模块，用于以所述k个训练样本向量为自变量，以其各自对应的所述边坡稳定系数为因变量，构成映射关系，通过支持向量机算法，获取映射关系表达式；

可靠性参数获取模块，用于根据通过并行蒙特卡洛法随机生成N个服从于联合概率分布的待测样本向量及所述映射关系表达式，获取边坡可靠性参数，所述边坡可靠性参数包括所述N个待测样本向量各自对应的边坡稳定系数的均值和标准差、边坡失效概率以及可靠度指标，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

其中，所述表达式获取模块包括：

第一获取模块，用于根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶；

第二获取模块，用于根据所述最优偏移量、所述k个训练样本向量及其各自对应的所述最优拉格朗日对偶，获取映射关系表达式；

其中，所述可靠性参数获取模块包括：

第一计算模块，用于采用OpenMP并行技术，将sum1及sum2设置为第一规约变量，所述sum1用于存储稳定系数之和，所述sum2用于存储失效次数之和；

第二计算模块，用于创建P个第一并行线程，所述P个第一并行线程用于随机生成N个服从于联合概率分布的待测样本向量，根据所述映射关系表达式及功能函数，分别获取所述sum1与所述sum2的规约和，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

第三计算模块，用于结束所述P个第一并行线程，将所述稳定系数之和与所述N的比值作为边坡稳定系数的均值，将所述失效次数之和与所述N的比值作为边坡失效概率，根据所述边坡失效概率获取可靠度指标；

第四计算模块，用于采用OpenMP并行技术，将sum3设置为第二规约变量，所述sum3用于存储方差之和；

第五计算模块，用于创建P个第二并行线程，所述P个第二并行线程用于随机生成N个服从于联合概率分布的待测样本向量，根据所述映射关系表达式，计算所述待测样本向量的稳定系数及与所述稳定系数均值差的平方，获取所述sum3的规约和，其中，每个所述待测样本向量由所述m个不确定性参数各自对应的随机数据构成；

第六计算模块，用于结束所述P个第二并行线程，根据所述方差之和获取稳定系数的标准差。

5.根据权利要求4所述的装置，其特征在于，所述训练样本生成模块包括：

第一训练样本生成模块，用于根据m个不确定性参数各自对应的均值和标准差，通过正交设计法，至少生成一组第一训练样本向量，每个所述不确定性参数的均值为μi，标准差为σi，每组所述第一训练样本向量中的每个所述不确定性参数对应的3个水平样本为:μi-2σi、μi、μi+2σi，或者为μi-3σi、μi、μi+3σi，其中i＝1,2,…,m，每一组所述第一训练样本向量的数量为nj，nj≤3m，j为组编号，有j∈N+；

第二训练样本生成模块，用于合并所述第一训练样本向量为训练样本向量，所述训练样本向量的样本数为k， 或 其中，t为所述第一训练样本向量的组数。

6.根据权利要求4所述的装置，其特征在于，所述第一获取模块还包括第一处理模块，所述第二计算模块还包括第二处理模块，所述第五计算模块还包括第三处理模块；

所述第一处理模块，用于在根据所述k个训练样本向量及其各自对应的边坡稳定系数，以及预设规则，获取最优偏移量以及所述k个训练样本向量各自对应的最优拉格朗日对偶之前，对所述k个训练样本向量中的试验数据进行归一化处理；

所述第二处理模块，用于在创建P个第一并行线程，所述P个第一并行线程用于随机生成N个服从于联合概率分布的待测样本向量之后，根据所述映射关系表达式及功能函数，分别获取所述sum1与所述sum2的规约和之前，对所述随机生成的N个服从于联合概率分布的待测样本向量进行归一化处理；

所述第三处理模块，用于在所述创建P个第二并行线程，所述P个第二并行线程用于随机生成N个服从于联合概率分布的待测样本向量之后，根据所述映射关系表达式，计算所述待测样本向量的稳定系数及与所述稳定系数均值差的平方，获取所述sum3的规约和之前，对所述随机生成的N个服从于联合概率分布的待测样本向量进行归一化处理。