一种设备风险隐患的检测方法、装置、设备及介质与流程

1.本公开涉及计算机技术领域，尤其涉及一种设备风险隐患的检测方法、装置、设备及介质。


背景技术：

2.家庭燃气用气安全对于居民生命财产安全至关重要，燃气热水器设备在日常生活中使用较为广泛，它一般安装于室内，由于燃气热水器设备的能源采用天然气，其燃烧后的气体需通过接管排往室外，避免意外事故的发生。因此，热水器设备有无烟道是家庭入户燃气安全中的一个一级隐患，而对热水器设备有无烟道隐患进行自动审核可以有效提高安检的效率和准确率。
3.在基于训练模型对隐患进行识别时，标准的机器学习方法需要在一台机器上或一个数据中心中有集中的训练数据。每个参与方都有自己的训练集，在本地进行模型更新，然后中心节点对模型参数进行聚合。该过程中，每次训练的上传和下发都会形成通信，而对无烟道隐患识别则需要本地模型和中心节点进行大量的通信传输，因此该过程中的通信开销较大。
4.因此，本技术需要一种可以减少通信压力的检测设备隐患的方法。


技术实现要素：

5.有鉴于此，本公开实施例提供了一种设备风险隐患的检测方法、装置、设备及介质，以解决现有技术中模型训练的上传和下发过程通信开销过大的问题。
6.本公开实施例的第一方面，提供了一种设备风险隐患的检测方法，包括：
7.获取各参与方的历史本地设备隐患数据，并将所述历史本地设备隐患数据输入对应的本地模型进行训练，获得对应的初始本地模型；
8.获取所述对应的初始本地模型中各个参数的梯度向量；
9.基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量；
10.根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息；
11.将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；
12.基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型；
13.根据所述更新后的本地初始模型对待检测设备的图像进行检测，设备以得到检测设备是否存在风险隐患。
14.本公开实施例的第二方面，提供了一种检测设备烟道隐患的装置，包括：训练模块、获取模块、选择模块、加密模块、聚合模块、更新模块、检测模块；
15.所述训练模块，用于获取各参与方的历史本地设备隐患数据，并将所述历史本地设备隐患数据输入对应的本地模型进行训练，获得对应的初始本地模型；
16.所述获取模块，用于获取所述对应的初始本地模型中各个参数的梯度向量；
17.所述选择模块，用于基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量；
18.所述加密模块，用于根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息；
19.所述聚合模块，用于将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；
20.所述更新模块，用于基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型；
21.所述检测模块，用于根据所述更新后的本地初始模型对待检测设备的图像进行检测，设备以得到检测设备是否存在风险隐患。
22.本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
23.本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
24.本公开实施例与现有技术相比存在的有益效果是：通过基于梯度向量的加密共享与梯度的选择过程向结合，得到了高效安全的联合学习过程，实现了本地训练模型的更新。通过对梯度向量的加密，避免了本地隐私数据被服务器任意篡改的情况，同时通过对梯度向量的选择，避免了每次训练需要上传所有梯度的问题，减少了通信的开销，提高了模型训练的效率。
附图说明
25.为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
26.图1是本公开实施例提供的一种联合学习的基本架构示意图；
27.图2是本公开实施例提供的一种设备风险隐患的检测方法的流程示意图；
28.图3是本公开实施例提供的某应用场景下一种设备风险隐患的检测方法的框架示意图；
29.图4是本公开实施例提供的一种应用场景下烟道无隐患图片；
30.图5是本公开实施例提供的一种设备风险隐患的检测装置的结构示意图；
31.图6是本公开实施例提供的一种电子设备的结构示意图；
32.图7是本公开实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
33.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
34.联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种ai(artificial intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
35.(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
36.(2)在不同应用场景下，利用筛选和/或组合ai算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
37.(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
38.(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
39.基于上述方式，可以建立基于联合学习的ai技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
40.目前，燃气热水器设备在日常生活中使用较为广泛，它一般安装于室内，由于燃气热水器设备的能源采用天然气，其燃烧后的气体需通过接管排往室外。所以为避免意外事故的发生，热水器设备有无烟道是家庭入户燃气安全中的一个重要隐患问题。在基于模型识别热水器设备烟道隐患时，要求每个用户都需要有自己的训练集，而每轮训练过程中本地模型上传参数与服务器下发结果的过程会给通信带来巨大的压力，并且传输过程中可能会存在对本地模型参数的篡改，从而造成本地模型的错误。此外，在本地模型识别到烟道隐患后，无法基于隐患得出解决策略，使得后期的维修成本花费较高。
41.为了解决上述问题，本公开提出一种检测设备风险隐患的检测方法。通过基于梯度选择与梯度加密的过程，解决了现有技术中用户每次模型训练都需要上传所有的梯度，减小了上传下载梯度过程中的通信开销。基于同态加密算法对选择出的梯度进行加密，避免了梯度上传下载过程中出现数据被篡改的问题，提高了训练模型的可信度。此外，在识别烟道隐患之后，通过当前运行状态中的风机转速、风压数据确定是都需要调整设备的风机转速与气阀，从而确保待检测设备的使用安全，减少了后期人为检修过程中花费的时间成本。
42.下面将结合附图详细说明根据本公开实施例的一种设备风险隐患的检测方法、装置、设备及介质。
43.图1是本公开实施例的一种联合学习的基本架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
44.在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方
建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。由于现有技术中进行训练时需要上传所有的梯度参数，使得通信开销过大，所以需要一种可以减小开销的结合联合学习的检测设备烟道隐患的方法。
45.图2是本公开实施例提供的一种设备风险隐患的检测方法的流程示意图。图2的一种检测设备烟道隐患的方法可以由检测设备风险隐患的服务器或执行单元执行。如图2所示，该设备风险隐患的检测包括：
46.s201，获取各参与方的历史本地设备隐患数据，并将所述历史本地设备隐患数据输入对应的本地模型进行训练，获得对应的初始本地模型；
47.s202，获取所述对应的初始本地模型中各个参数的梯度向量；
48.s203，基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量；
49.s204,根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息；
50.s205,将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；
51.s206,基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型；
52.s207,根据所述更新后的本地初始模型对待检测设备的图像进行检测，设备以得到检测设备是否存在风险隐患。
53.具体地，在检测设备隐患时，获取如图3中所述的各个参与方中的本地烟道隐患数据，在将本地烟道隐患数据输入到对应的本地模型中进行训练，获得初始的本地模型。根据获得的初始的本地模型获取模型中的各个参数的梯度向量。再根据预设的梯度选择算法在获取到的，各个参数的梯度向量中选择预设数量的梯度向量基于预设加密算法进行加密，得到梯度向量加密值。再把各个参与方的梯度向量加密值与各个梯度加密值对应的索引信息上传到中心节点进行聚合处理，获得更新后的梯度向量。从而根据更新后的梯度向量更新本地模型，使得更新后的本地模型可以更准确的对待检测设备的图像进行检测，确定是否存在烟道隐患。
54.根据本公开实施例提供的技术方案，通过获取各参与方的本地烟道隐患数据，在本地模型中训练得到对应的本地初始模型，从而获取到可以上传中心节点的各个参数的梯度向量。因为对于大型的网络来说，上传下载梯度所需要的通信开销可能成为系统的瓶颈。为了减小梯度向量上传下载过程中对系统造成的通信开销，通过对梯度向量的选择缩小了梯度向量的传输开销。利用加密算法对选择出的梯度向量进行加密后将梯度像两只与对应
的索引信息上传值中心节点，使得模型训练过程中梯度向量的传输过程更具安全性，而索引信息保证了反馈的梯度向量在对本地模型更新时的安全性。
55.在一些实施例中，基于预设梯度选择算法在各个参数的梯度向量中，选择预设数量的梯度向量，具体包括：
56.计算所述梯度向量的绝对值，并将所述梯度向量的绝对值与所述梯度向量对应的索引信息存储于预设第一集合；
57.根据所述绝对值对所述预设第一集合中的梯度向量进行排序；
58.基于所述绝对值与预设梯度表，确定与所述绝对值相对应的预设阈值及预设数量；
59.将所述各个参数的梯度向量的绝对值与所述预设阈值进行对比，若所述梯度向量的绝对值大于预设阈值，则将该梯度分类与所述对应的索引信息输入预设第二集合中；
60.在所述预设第二集合中依次选择出预设数量的梯度向量。
61.具体地，首先计算各个参数的梯度向量的绝对值，为了方便对梯度向量进行选择，将计算获得的各个参数的梯度向量的绝对值，以及该梯度向量对应的索引信息存储到预设第一集合中，再根据绝对值对预设第一集合中的梯度向量进行排序，基于绝对值以及预先设置的梯度表确定和绝对值相对应的预设阈值以及预设数量。将预设第一集合中各个梯度向量的绝对值与获得的预设阈值进行对比，如果梯度向量的绝对值发育预设阈值，那么把该梯度向量和对应的索引信息输入到预先设置的第二集合中，再从预设第二集合中根据梯度向量绝对值的大小又大到小进行排序，依次选择出预设数量的梯度向量。
62.根据本公开实施例提供的技术方案，通过基于梯度向量的绝对值选择出预设数量的梯度向量，解决了现有技术中全量上传下载梯度向量所造成的通信开销过大的问题。
63.在另一些实施例中，基于预设梯度选择算法在各个参数的梯度向量中，选择预设数量的梯度向量，具体包括：根据top_k梯度选择算法，选择出梯度向量绝对值最大的k个梯度。
64.在一些实施例中，根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到梯度向量加密值对应的索引信息，具体包括：
65.获取所述各参与方生成的包括第一本地私钥和第一基础公钥的本地密钥对；
66.获取所述中心节点生成的包括第二本地私钥和第二基础公钥的本地密钥对；将所述中心节点的所述第二基础公钥与所述各参与方的所述第一基础公钥聚合，获得传输公钥；
67.基于预先设定的加密算法与所述传输公钥，对所述预设数值的梯度向量进行加密，获得梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息。具体地，各个参与方与中心节点分别生成本方私钥和公钥，将各个参与方的私钥作为第一本地私钥，中心节点的私钥作为第二本地私钥，而各参与方的公钥作为第一基础公钥，中心节点的公钥作为第二本地公钥。对各个参与方的公钥进行聚合，得到传输公钥。如图3所示，基于预先设定的加密算法与获得的传输公钥对上述获得的预设数值的梯度向量进行加密，从而获得梯度向量加密值并查找到所述梯度向量加密值对应的索引信息以便上传到中心节点中。
68.在一些实施例中，将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；基于聚合后的梯度向量和所述对应的索引信息，更新选择预
设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型，具体包括：
69.将梯度加密值划分为第一梯度加密数据与第二梯度加密数据；其中，第一梯度加密数据与第二梯度加密数据包括第一本地私钥与第二本地私钥对应的数据；
70.对第一梯度加密数据与第二梯度加密数据中对应第一本地私钥的数据进行求和，获得聚合结果的第一部分；
71.对第一梯度加密数据与第二梯度加密数据中对应第二本地私钥的数据进行求和，获得聚合结果的第二部分；
72.根据第一本地私钥对聚合结果进行第一部分解密，获得第一部分结果，并根据第二本地私钥对聚合结果进行第二部分解密，获得第二部分结果；将第一部分结果与第二部分结果进行聚合运算，获得更新运算结果；
73.根据对应的索引信息在更新运算结果中获取对应的更新梯度向量；
74.将更新梯度向量下发到对应的本地模型，以使本地模型基于更新运算结果进行更新，获得更新后的本地模型。
75.具体地，上述实施例中获取的梯度向量加密值划分为，第一梯度加密数据和第二梯度加密数据。需要说明的是，第一梯度加密数据与第二梯度加密数据均包括与第一本地私钥和第二本地私钥相对应的数据。对第一梯度加密数据和第二梯度加密数据中对应与第一本地私钥的数据进行求和，获得聚合结果的第一部分，同时对第一梯度加密数据和第二梯度加密数据中对应与第二本地私钥的数据进行求和，获得聚合结果的第二部分。
76.然后，根据第一本地私钥对聚合记过进行第一部分的解密，得到第一部分结果，同时根据第二本地私钥对聚合结果进行第二部分的解密得到第二部分结果。将第一部分结果和第二部分结果进行聚合运算，得到更新后的运算结果。再根据对应的索引信息在更新后的运算结果中获取对应的更新梯度向量；然后将更新梯度向量下发到对应的本地模型，根据更新后的运算结果对对应的初始本地模型进行更新，获得更新后的本地模型。
77.根据本公开实施例提供的技术方案，在对多个参与者的梯度向量进行联合处理的过程中，基于第一本地私钥与第二本地私钥解决了数据拥有方的隐私数据被其他参与方或中心节点获取的问题，提高了联合学习过程中中对本地数据隐私的安全保护。
78.在一些实施例中，根据更新后的本地初始模型对待检测设备的图像进行检测，以得到检测设备是否存在风险隐患之后，若确定所述待检测设备存在隐患，则所述方法还包括：
79.获取所述待检测设备的当前运行状态，并确定所述待检测设备烟道内的风压数据、所述待检测设备的风机转速；
80.基于预先设置的风量模型，确定所述待检测设备的风量系数；
81.若所述风压数据大于所述待检测设备的预设风压阈值，则获取所述风机转速在预设时间段内的速度增量，并基于所述速度增量，确定与所述风量系数相对应的突变值；其中，所述预设风压阈值根据所述烟道外压力与烟道内压力的压力差的理论阈值确定；
82.获取所述待检测设备的预设突变阈值，将所述突变值与所述预设突变阈值进行对比，获得比对结果；
83.根据所述比对结果对所述待检测设备的风机转速与所述待检测设备的气阀进行调整，以保证所述待检测设备的烟道安全。
84.具体地，在获得更新后的本地训练模型后，基于更新后的本地训练模型对待检测的设备图像进行识别，如下图4提供的一种应用场景下的待检测的设备图像。通过对图像进行识别确定出待检测设备是否存在烟道隐患，若确定存在烟道隐患则方法包括以下步骤：首先获取待检测设备的当前运行状态，为了减少对数据的分析处理过程，获取与烟道隐患有关的待检测设备烟道内的风压数据以及待检测设备的风机转速。然后根据预先设置的风量模型，确定出待检测设备的风量系数。如果风压数据大于待检测设备的预设风压阈值，则需要获取风机转速在一段时间内的速度增量，从而根据速度增量确定出与风量系数相对应的突变值。其中，需要进行一步说明的是，预设的风压阈值可以根据烟道内外的压力差来确定，以确保烟道处于合理的压力差范围内。在得到待检测设备的预设突变阈值之后，把得到的突变值和预设的突变阈值进行对比，得到比对结果。以基于获得的比对结果对待检测设备的风机转速和待检测设备的气阀进行调整，确保烟道的安全。
85.根据本公开实施例提供的技术方案，通过实时获取待检测设备当前运行状态中的风机转速和风压数据，与预设阈值进行对比，确定当前转速的突变值以及风压是否超出了该待检测设备可以承受的范围，并基于获得的数据对待检测设备进行调整，实现了对待检测设备的具体故障判断，节约了认为识别故障花费过多时间的问题。
86.在一些实施例中，根据所述比对结果对所述待检测设备的风机转速与所述待检测设备的气阀进行调整，以保证所述待检测设备的烟道安全，具体包括：
87.若根据所述对比结果确定所述突变值大于所述预设突变阈值，则将所述待检测设备的气阀关闭；
88.若根据所述对比结果确定所述突变值小于预设突变值，则根据所述待检测设备的预设风量值确定对应的预设风机转速；
89.根据所述预设风机转速调整所述待检测设备的风机转速，以使所述待检测设备的风机转速对应的风量值与所述预设风量值的差值在预设范围内；
90.若调整所述待检测设备的风机转速后，所述待检测设备的风机转速对应的风量值与所述预设风量值的差值不在预设范围，则将所述待检测设备的气阀关闭。
91.具体地，如果根据上述实施例获取的对比结果确定当前的突变值是大雨预设的突变值的，那么需要把待检测的设备的气阀关闭，避免突变值过大导致的烟道压力差过大，烟道破裂造成燃气泄漏的问题。如果根据对比结果确定突变值小于预设突变值，那么需要根据待检测设备的预设风量值确定出对应的预设风机转速。再根据预设风机转速去调整待检测设备的风机转速，使得待检测设备的风机转速对应的风量值与预设风量值的差值在预设范围内，避免因为风机转速过大导致的火焰外溢。如果调整待检测的设备的风机转速后，待检测设备的风机转速对应的风量值与所述预设风量值的差值依旧不在预设范围，则说明该待检测设备的风机转速不可调节，为了保证生命财产安全需要将待检测设备的气阀关闭。
92.在一些实施例中，预设加密算法为预设的同态加密算法。
93.上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
94.下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
95.图5是本公开实施例提供的一种检测设备烟道隐患的装置的示意图。如图5所示，
该检测设备烟道隐患的装置包括：
96.训练模块501，被配置为用于获取各参与方的历史本地设备隐患数据，并将所述历史本地设备隐患数据输入对应的本地模型进行训练，获得对应的初始本地模型
97.获取模块502，被配置为用于获取所述对应的初始本地模型中各个参数的梯度向量；
98.选择模块503，被配置为用于基于预设梯度选择算法在所述各个参数的梯度向量中，选择预设数量的梯度向量；加密模块504，被配置为用于根据预设加密算法对所述预设数量的梯度向量进行加密，以得到梯度向量加密值，并查找到所述梯度向量加密值对应的索引信息；聚合模块505，将查找到索引信息的梯度向量加密值所对应的梯度向量进行聚合，以得到聚合后的梯度向量；
99.更新模块506，被配置为用于基于聚合后的梯度向量和所述对应的索引信息，更新选择预设数量的梯度向量，并基于更新选择预设数量的梯度向量更新初始本地模型；
100.检测模块507，被配置为用于根据所述更新后的本地初始模型对待检测设备的图像进行检测，设备以得到检测设备是否存在风险隐患。
101.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
102.图6是本公开实施例提供的电子设备6的示意图。如图6所示，该实施例的电子设备6包括：处理器601、存储器602以及存储在该存储器602中并且可在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。
103.示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在电子设备6中的执行过程。
104.电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
105.处理器601可以是中央处理单元(central processing unit，cpu)，也可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
106.存储器602可以是电子设备6的内部存储单元，例如，电子设备6的硬盘或内存。存储器602也可以是电子设备6的外部存储设备，例如，电子设备6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)
等。进一步地，存储器602还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及电子设备所需的其它程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
107.图7是本公开实施例提供的计算机可读存储介质的示意图。如图7所示，该实施例的计算机可读存储介质包括：计算机程序701，计算机程序被处理器执行时实现本公开方法实施例中的步骤，此处不再加以赘述。
108.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
109.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
110.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
111.在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
112.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
113.另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
114.集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机
程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
115.以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。