1.一种基于Docker容器及图计算的节点安全性预测方法，其特征在于：包括以下步骤：S1.在同一边缘计算网络下选定边缘侧节点，形成边缘侧节点集X E ，同时选定部分终端节点，形成终端节点集X T ；所述终端节点集X T 中包含n个被监控的节点和m个未被监控的节点；设n个被监控的节点构成被监控节点集X A ＝{A 1 ，A 2 ，A 3 …A n }；m个未被监控的节点构成无监控节点集X B ＝{B 1 ，B 2 ，B 3 …B m }，则：X T ＝X A ∪X B ；S2.在被监控节点集X A 中每个节点上都安装i个Docker容器并运行，在边缘侧节点集X E 安装Docker容器监控软件Prometheus，采集被监控节点集内n个节点的监控指标，每个节点的监控指标包括共i×k项Docker容器监控指标，被监控节点集X A 中，第j个节点的监控指标表示如下：其中j＝1,2,…,n； 表示在第j个节点上第h个Docker容器的k项监控指标， 中的 表示 的第t个指标，h＝1,2,…,i；t＝1,2,…,k；S3.对被监控节点集X A 中第j个节点的k项指标进行多次数据采集，统计多次采集结果中每项指标的最大值，认为在正常态运行的容器指标不会超过该最大值，将这个最大值作为阈值，最终得到各个容器的指标最大阈值：其中j＝1,2,…,n， 表示第h个Docker容器的指标最大阈值， 中的 表示第h个Docker容器的第t个指标最大阈值；S4.配置Prometheus监控软件告警规则，当第j个节点中任一容器的任一指标超过最大阈值时，边缘监控节点上的Prometheus向指定邮箱发送告警邮件；S5.统计一定时间内指定邮箱接收到的第j个节点的告警邮件数量α,并据此添加标签信息；S6.在j＝1,2,…,n时重复执行步骤S3～S5,得到被监控节点集X A 中所有被监控节点的监控指标以及安全标签集合；S7.根据边缘计算网络下各个节点之间连接关系，使用Neo4j数据库构建图模型，将监控数据导入节点并且为被监控节点X A ＝{A 1 ，A 2 ，A 3 …A n }添加标签，建立各节点之间的连接网络并导出数据集；S8.在图模型内使用标签传播算法，预测无监控节点的安全性；S9.重复步骤S8,多次统计无监控节点的标签分布，对X B 集合内节点标签取概率最大值判定该节点的当前安全性。
2.根据权利要求1所述的一种基于Docker容器及图计算的节点安全性预测方法，其特征在于：所述步骤S5包括：统计一定时间内指定邮箱内节点告警邮件数量α，并设定多个临界值{a，b,c,d,e,…，β,γ}，当α∈(0,a)时判定节点处于安全状态为节点添加标签1；α∈(a，b)时判定节点处于风险状态一，为节点添加标签2；依次类推，当α∈(β，γ)判定节点属于危险状态，为节点添加标签p。
3.根据权利要求2所述的一种基于Docker容器及图计算的节点安全性预测方法，其特征在于：所述步骤S6中，所有被监控节点的监控指标以及安全标签集合为：ε＝{(A 1 ,x),(A 2 ,x),(A 3 ,x),…，(A n ,x)} n式中， 所以：其中，x∈[0，p]。
4.根据权利要求1所述的一种基于Docker容器及图计算的节点安全性预测方法，其特征在于：所述步骤S8包括：S801.已知无监控节点集为X B ，被监控节点集为X A ，安全标签集为ε；从安全标签集ε内获取X B 内每个节点的对应标签，假设节点u和节点v之间的连接边权重为：节点之间边的连接权重决定了节点之间的数据相似度，权重越大，两个节点相似度越高，则标签更容易传播，因此定义一个N×N的概率转移矩阵P，P中第u行第v列的元素P uv 用于描述标签从节点u传播到节点v的概率:总共有p个标签，所以定义一个n×p的标签矩阵Y L 用于表示已知的节点标签，再定义一个m×p的矩阵Y U 用于表示未知节点标签，将两个矩阵合并得到一个(m+n)×p的矩阵F＝[Y L ；Y U ]；S802.初始化，计算边的权重w uv 得到节点数据之间的相似程度；S803.根据步骤S802计算得到的边权重计算每个节点与相邻节点之间的标签传播概率；S804.对于矩阵F＝[Y L ；Y U ]，其中的矩阵Y U 是未知的，初始化矩阵Y U 的元素全为0；S805.对矩阵F进行更新，令每个节点按安全传播概率向周围节点传播标签值，更新自己的概率分布，得到矩阵F (1) ：F (1) ＝PF设更新后的矩阵 限定已标注的数据，将已标注数据的概率分布重新置为初始值，即将F (1) 中的 重置为Y L ，得到 S806.将 作为新的F，并重复执行步骤S805～S806，直至F收敛。
