1.一种边缘计算中基于深度森林的用户异常行为检测方法，其特征在于，包括以下步骤：

S1、云中心对移动边缘计算MEC节点收集的用户日常数据进行预处理；

S2、云中心确定深度森林每一层的并行训练任务，深度森林每一层是由多个随机森林构成，然后通过级联将构成层间链接，并为训练任务设置合适的随机状态，使子森林拆分后的随机状态与原森林的状态相同；

S3、云计算通过群智能算法将并行训练任务分配给MEC节点，群智能算法群智能算法根据训练任务大小与MEC节点的性能，合理的分配训练任务给合适的MEC节点；

S4、云中心下发任务所需的训练数据给各个MEC节点，所有MEC节点接收到数据后同时进行训练，得到该级联层的子森林训练结果；其中所有MEC节点完成训练任务的时间可视为每层的训练耗时；

S5、所有MEC节点将训练结果上传到云中心，云中心在得到所有层的训练结果后，整合为异常行为检测模型，并将异常行为检测模型下发到各个MEC节点，进行用户异常行为检测。

2.根据权利要求1所述的一种边缘计算中基于深度森林的用户异常行为检测方法，其特征在于，所述步骤S1中数据预处理的方法包括：(1)畸形样本处理，清除故障数据和明显异常的训练数据，去除噪声；

(2)特征选择和提取，去除冗余无关特征，从特征空间中选取最优特征子集；

(3)特征标准化，对经过特征选取后的特征进行标准化再建模，标准化的方法如下：i

其中μx、σx为一组特征数据中的均值和标准差，x为特征中第i组数据。

3.根据权利要求1所述的一种边缘计算中基于深度森林的用户异常行为检测方法，其特征在于，所述步骤S2中确定深度森林训练任务的步骤包括：(1)在深度森林级联森林结构中，级联森林的每一层，其中每一个决策树森林被拆分成多个子森林，其中每个子森林对应一个计算任务，假设有一个N棵树的森林f，采用均匀拆分的方法，分别将森林拆分成n棵树的子森林YF1，F2，...，FmY，其中森林数m为 的向上取整，其中拆分的最后一个子森林包含1到n棵树，令f的随机状态为s0，则f中每棵树的随机状态按顺序生成为si(1≤i≤m)；

(2)为子森林设置合适的随机状态：为子森林训练时的交叉验证设置合适的随机状态，使子森林拆分后的随机状态与原森林的状态相同。令F1的初始随机状态为s0，则Fj的随机状态为，这样，子森林拆分后各树的随机状态与原森林完全相同，从而可以进行并行训练；并且，将各个子森林合并后的结果与原森林f产生的结果也完全相同。

4.根据权利要求1所述的一种边缘计算中基于深度森林的用户异常行为检测方法，其特征在于，所述S3云计算通过群智能算法将并行训练任务分配给MEC节点，群智能算法根据训练任务大小与MEC节点的带宽、处理速度等性能参数，以降低任务完成时间与成本作为优化目标，合理的分配训练任务给合适的MEC节点。

5.根据权利要求1所述的一种边缘计算中基于深度森林的用户异常行为检测方法，其特征在于，所述步骤S4中所有MEC节点接到训练数据后，同时进行训练，每层的训练耗时为：ttotal＝max(tk)，k＝1，2，...，K其中K为并行训练任务所需的MEC节点的个数，tk表示第k个MEC节点的训练耗时，ttotal为该级联层训练耗时，应取耗时最长的MEC节点。

6.根据权利要求1所述的一种边缘计算中基于深度森林的用户异常行为检测方法，其特征在于，所述步骤S5中MEC训练结果整合的步骤包括：(1)MEC节点将属于同一个随机森林的子森林的训练结果在本地合并；

(2)本地合并结果后上传到云中心；

(3)最后，由云中心对所有合并后的随机森林的训练结果进行合并。