目标数据查找方法、装置、计算机设备及存储介质与流程

1.本发明涉及数据处理技术，更具体地说是一种目标数据查找方法、装置、计算机设备及存储介质。


背景技术：

2.数据量激增的时代，在大量的数据中做高效率高精度的相似性查找一直都是难以解决的问题，如何管理好这些数据也也面临着许多问题。
3.目前，对于十万级别或者更大级别的数据查找的方式有以下几种：
4.最朴素的办法是将特征顺序存储，这样的构建算法的时间复杂度低，不需要占用额外存储空间。存在的问题就是查找效率低，每一次查询需要遍历所有的数据，在频繁查询、数据量较大的场景下效率急剧下降。
5.基于树结构的最近邻检索算法构建速度以及查找效率都有良好的效果，但对于高维度的数据，其效率仍然急剧下降。目前基于神经网络的深度学习方法所处理的特征维度普遍偏高，因此这种方法也不可使用。
6.基于哈希函数的最近邻检索算法可以避免上述的问题，但这种方法的性能很大程度上取决于哈希函数的质量，对于多种不同类别的数据使用同一个哈希函数可能在性能上有较大差异，因此不具有普适性。
7.基于图论的近邻检索技术是近年来较为流行的方法，通过牺牲部分精度来换取检索速度，解决了高维度数据的快速检索问题，但仍然存在构建图开销较大的问题。


技术实现要素：

8.本发明的目的在于克服现有技术的不足，提供一种目标数据查找方法、装置、计算机设备及存储介质。
9.为实现上述目的，本发明采用以下技术方案：
10.第一方面，目标数据查找方法，所述方法包括：
11.构建数据特征库的多层图结构，所述多层图结构中各层节点数量由底层到顶层呈指数衰减概率分布，底层中包含数据特征库所对应的所有节点；
12.从顶层随机选取一个节点作为查询目标节点的入口节点；
13.从顶层的入口节点开始，查询出每一层离目标节点最近的一个节点作为下一层的查询入口节点，直至底层；
14.在底层中利用上一层的查询入口节点查询出距离目标节点接近的邻居节点。
15.其进一步技术方案为：所述的从顶层的入口节点开始，查询出每一层离目标节点最近的一个节点作为下一层的查询入口节点，直至底层，包括：
16.将入口节点及与其对应的邻居节点添加至候选列表和记录在已遍历列表中，并记录入口节点与目标节点的距离；
17.计算候选列表中入口节点的各邻居节点与目标节点的距离；
18.将候选列表中入口节点的各邻居节点与目标节点的距离小于入口节点与目标节点的距离的节点添加至结果列表中；
19.选取入口节点的邻居节点中距离目标节点最近的节点作为接下来查询的过渡节点；
20.遍历过渡节点的邻居节点，将其中没有被遍历过的节点加入至候选列表，并记录在已遍历列表中；
21.当候选列表中距离目标节点最近的节点的距离大于结果列表中距离目标节点最远的节点的距离，则终止查询。
22.其进一步技术方案为：所述的将候选列表中入口节点的各邻居节点与目标节点的距离小于入口节点与目标节点的距离的节点添加至结果列表中，如果结果列表中存储的节点数量达到上限则删除其中距离目标最远的节点。
23.其进一步技术方案为：所述的遍历过渡节点的邻居节点，将其中没有被遍历过的节点加入至候选列表，并记录在已遍历列表中，如果节点加入至候选列表时超过了候选列表的存储上限且当前加入的节点距离目标节点更近，则采用当前加入的节点替换候选列表中距离目标节点最远的节点。
24.第二方面，目标数据查找装置，所述装置包括构建单元、选取单元、第一查询单元和第二查询单元；
25.所述构建单元，用于构建数据特征库的多层图结构，所述多层图结构中各层节点数量由底层到顶层呈指数衰减概率分布，底层中包含数据特征库所对应的所有节点；
26.所述选取单元，用于从顶层随机选取一个节点作为查询目标节点的入口节点；
27.所述第一查询单元，用于从顶层的入口节点开始，查询出每一层离目标节点最近的一个节点作为下一层的查询入口节点，直至底层；
28.所述第二查询单元，用于在底层中利用上一层的查询入口节点查询出距离目标节点接近的邻居节点。
29.其进一步技术方案为：所述第一查询单元包括第一添加模块、计算模块、第二添加模块、选取模块、遍历模块以及终止模块；
30.所述第一添加模块，用于将入口节点及与其对应的邻居节点添加至候选列表和记录在已遍历列表中，并记录入口节点与目标节点的距离；
31.所述计算模块，用于计算候选列表中入口节点的各邻居节点与目标节点的距离；
32.所述第二添加模块，用于将候选列表中入口节点的各邻居节点与目标节点的距离小于入口节点与目标节点的距离的节点添加至结果列表中；
33.所述选取模块，用于选取入口节点的邻居节点中距离目标节点最近的节点作为接下来查询的过渡节点；
34.所述遍历模块，用于遍历过渡节点的邻居节点，将其中没有被遍历过的节点加入至候选列表，并记录在已遍历列表中；
35.终止模块，用于当候选列表中距离目标节点最近的节点的距离大于结果列表中距离目标节点最远的节点的距离，则终止查询。
36.其进一步技术方案为：所述的第二添加模块，如果结果列表中存储的节点数量达到上限则删除其中距离目标最远的节点。
37.其进一步技术方案为：所述的遍历模块，如果节点加入至候选列表时超过了候选列表的存储上限且当前加入的节点距离目标节点更近，则采用当前加入的节点替换候选列表中距离目标节点最远的节点。
38.第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的方法步骤。
39.第四方面，一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，使得所述处理器执行如上述的方法步骤。
40.本发明与现有技术相比的有益效果是：本发明通过上一层查询到的距离目标节点最近的节点作为下一层的迭代的起点，直至底层，使得查询时每一层都可以过滤掉很大一部分与目标节点距离较远的节点，从而节省了查询和运算时间，提高了查询的效率。
41.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征及优点能够更明显易懂，以下特举较佳实施例，详细说明如下。
附图说明
42.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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他的附图。
43.图1为本发明具体实施例提供的目标数据查找方法的流程图一；
44.图2为本发明具体实施例提供的目标数据查找方法的流程图二；
45.图3为本发明具体实施例提供的目标数据查找装置的示意性框图一；
46.图4为本发明具体实施例提供的目标数据查找装置的示意性框图二；
47.图5为本发明具体实施例提供的一种计算机设备的示意性框图；
48.图6为本发明具体实施例添加节点的示意图；
49.图7为本发明具体实施例邻居节点更新规则的示意图。
具体实施方式
50.为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
51.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
52.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
53.还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的
而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
54.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
55.本发明主要应用在数据量较大的场景中，例如是针对十万级或者百万级或更高级别的数据查询。下面通过具体实施例来介绍本发明。
56.如图1所示，目标数据查找方法，该方法包括以下步骤：s10、s20、s30和s40。
57.s10、构建数据特征库的多层图结构，多层图结构中各层节点数量由底层到顶层呈指数衰减概率分布，底层中包含数据特征库所对应的所有节点。
58.多层图结构是由许多节点组合构成的，节点是与对应的数据特征库的特征数据对应的，一个特征数据便具有一个唯一的节点，多层图结构存储有数据特征库中每个特征数据所对应的节点。
59.在构建的多层图结构中，对于十万级别的数据特征库，一般有四层结构，对于每一层节点，节点数呈指数级递减，最底层(第一层)包含所有的节点，其中一部分节点同时存在于第二层，第二层中有部分节点同时存在于第三层，第三层中有部分存在于第四层，类似于金字塔结构。
60.构成多层图结构的过程也相当于是添加节点的过程，在添加节点时，是通过概率函数计算出需要添加的节点所在多层图结构中所在的层数。
61.概率函数x为0到1的均匀分布，每一次添加节点时随机取值。m为设定的邻居节点个数，数值越小则查找的效率越高，数值越大则查找的精度越高。默认值为20，此时在构建速度、查找速度和精度上有所平衡。
62.具体地，如图6所示，插入节点的具体过程如下：
63.对于每一层而言，假设设定每个节点的邻居m＝3，计算时使用欧氏距离。
64.第一步，从点a出发，插入时图中只有a点。
65.第二步，插入b点，此时只有a点可选，因此连接ba。
66.第三步，插入c点，此时仅有a、b可选，连接ac、bc。
67.第四步，插入d点，此时连接ad、bd、cd。
68.第五步，插入e点，经过查找a、c、d为较近的三个节点，连接ae、de、ce。此时有节点邻居个数大于3，从距离e点最近的超过3个邻居的节点d开始，根据更新规则由于de《da且ea《da，此时将ad断连。同时de《dc且ec《dc，也满足更新条件，但更新规则从更近的邻居开始。然后更新点c，根据规则ce《cd且de《cd，删除cd连接。
69.第六步，插入f点，经过查找b、d、e为较近的三个节点，连接bf、df、ef。此时有节点邻居个数大于3，首先更新点e，根据更新规则ef《de且df《de，删除de连接。然后更新点b，根据更新规则bd《bf且df《bf。
70.第七步，插入g点，经过查找a、d、e、f为较近的节点，其中d、e、f三个点之间的距离均小于与g点相连的距离，根据更新规则认为d、e、f三个点为比较邻近的节点簇，只需要一个连接，否则容易形成孤立的点，因此选择更远距离的b点连接，所以连接ga、gb、gd。
71.后续的过程就是反复迭代的过程。
72.具体地，如图7所示，邻居节点的更新规则为：dist(p1,p2)表示p1与p2的距离。在节点q的连接中，如果dist(p2,p3)《dist(p1,p3)，而且dist(p1,p2)《dist(p1,p3)，则将p3节点从p1的邻居中删除。
73.通过更新规则更新规则可以有效地避免孤立点的产生，但实际情况中仍然有可能产生孤立点，当邻居数量足够多的时候，图结构中很少会出现孤立点，查找的精度较高，负面影响就是每次连接和更新的节点数会变多，查找的速度较慢。邻居数m＝20对于十万级别的特征库可以有99.9％的找到最相近的特征。
74.s20、从顶层随机选取一个节点作为查询目标节点的入口节点。
75.在开始查询时，是在顶层选择一个切入节点，即入口节点。选择的这个入口节点是可以随机选择的。
76.s30、从顶层的入口节点开始，查询出每一层离目标节点最近的一个节点作为下一层的查询入口节点，直至底层。
77.如图2所示，步骤s30具体包括以下步骤：s301、s302、s303、s304、s305和s306。
78.s301、将入口节点及与其对应的邻居节点添加至候选列表和记录在已遍历列表中，并记录入口节点与目标节点的距离。
79.候选列表：用来存储可能距离目标点较近的节点，此列表是可变长度的，默认使用200作为上限。
80.已遍历列表：用来存储已经计算过与目标点距离的点，每个节点都有大量邻居，为了避免重复计算，第一次计算距离后记录节点。每一次完整地查找后清空。
81.s302、计算候选列表中入口节点的各邻居节点与目标节点的距离。
82.s303、将候选列表中入口节点的各邻居节点与目标节点的距离小于入口节点与目标节点的距离的节点添加至结果列表中。
83.结果列表：用来存储距离目标点最近的邻居节点。
84.如果结果列表中存储的节点数量达到上限则删除其中距离目标最远的节点。
85.s304、选取入口节点的邻居节点中距离目标节点最近的节点作为接下来查询的过渡节点。
86.s305、遍历过渡节点的邻居节点，将其中没有被遍历过的节点加入至候选列表，并记录在已遍历列表中。
87.如果节点加入至候选列表时超过了候选列表的存储上限且当前加入的节点距离目标节点更近，则采用当前加入的节点替换候选列表中距离目标节点最远的节点。
88.s306、当候选列表中距离目标节点最近的节点的距离大于结果列表中距离目标节点最远的节点的距离，则终止查询。
89.s40、在底层中利用上一层的查询入口节点查询出距离目标节点接近的邻居节点。
90.在底层中，一般会存在与目标节点距离非常接近的多个邻居节点，通过利用底层的上一层的查询入口节点可以找到底层中与这个节点所对应的邻居节点，这些邻居节点即为目标节点接近的邻居节点。
91.在实际应用场景中，可以根据实际需求设定目标节点接近的邻居节点的个数。
92.本发明通过上一层查询到的距离目标节点最近的节点作为下一层的迭代的起点，直至底层，使得查询时每一层都可以过滤掉很大一部分与目标节点距离较远的节点，从而
节省了查询和运算时间，提高了查询的效率。
93.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，而不应对本发明实施例的实施过程构成任何限定。
94.对应于上述的目标数据查找方法，本发明具体实施例还提供了一种目标数据查找装置。
95.如图3所示，目标数据查找装置100，该装置包括构建单元110、选取单元120、第一查询单元130和第二查询单元140。
96.构建单元110，用于构建数据特征库的多层图结构，多层图结构中各层节点数量由底层到顶层呈指数衰减概率分布，底层中包含数据特征库所对应的所有节点。
97.多层图结构是由许多节点组合构成的，节点是与对应的数据特征库的特征数据对应的，一个特征数据便具有一个唯一的节点，多层图结构存储有数据特征库中每个特征数据所对应的节点。
98.在构建的多层图结构中，对于十万级别的数据特征库，一般有四层结构，对于每一层节点，节点数呈指数级递减，最底层(第一层)包含所有的节点，其中一部分节点同时存在于第二层，第二层中有部分节点同时存在于第三层，第三层中有部分存在于第四层，类似于金字塔结构。
99.构成多层图结构的过程也相当于是添加节点的过程，在添加节点时，是通过概率函数计算出需要添加的节点所在多层图结构中所在的层数。
100.概率函数x为0到1的均匀分布，每一次添加节点时随机取值。m为设定的邻居节点个数，数值越小则查找的效率越高，数值越大则查找的精度越高。默认值为20，此时在构建速度、查找速度和精度上有所平衡。
101.具体地，如图6所示，插入节点的具体过程如下：
102.对于每一层而言，假设设定每个节点的邻居m＝3，计算时使用欧氏距离。
103.第一步，从点a出发，插入时图中只有a点。
104.第二步，插入b点，此时只有a点可选，因此连接ba。
105.第三步，插入c点，此时仅有a、b可选，连接ac、bc。
106.第四步，插入d点，此时连接ad、bd、cd。
107.第五步，插入e点，经过查找a、c、d为较近的三个节点，连接ae、de、ce。此时有节点邻居个数大于3，从距离e点最近的超过3个邻居的节点d开始，根据更新规则由于de《da且ea《da，此时将ad断连。同时de《dc且ec《dc，也满足更新条件，但更新规则从更近的邻居开始。然后更新点c，根据规则ce《cd且de《cd，删除cd连接。
108.第六步，插入f点，经过查找b、d、e为较近的三个节点，连接bf、df、ef。此时有节点邻居个数大于3，首先更新点e，根据更新规则ef《de且df《de，删除de连接。然后更新点b，根据更新规则bd《bf且df《bf。
109.第七步，插入g点，经过查找a、d、e、f为较近的节点，其中d、e、f三个点之间的距离均小于与g点相连的距离，根据更新规则认为d、e、f三个点为比较邻近的节点簇，只需要一个连接，否则容易形成孤立的点，因此选择更远距离的b点连接，所以连接ga、gb、gd。
110.后续的过程就是反复迭代的过程。
111.具体地，如图7所示，邻居节点的更新规则为：dist(p1,p2)表示p1与p2的距离。在节点q的连接中，如果dist(p2,p3)《dist(p1,p3)，而且dist(p1,p2)《dist(p1,p3)，则将p3节点从p1的邻居中删除。
112.通过更新规则更新规则可以有效地避免孤立点的产生，但实际情况中仍然有可能产生孤立点，当邻居数量足够多的时候，图结构中很少会出现孤立点，查找的精度较高，负面影响就是每次连接和更新的节点数会变多，查找的速度较慢。邻居数m＝20对于十万级别的特征库可以有99.9％的找到最相近的特征。
113.选取单元120，用于从顶层随机选取一个节点作为查询目标节点的入口节点。
114.在开始查询时，是在顶层选择一个切入节点，即入口节点。选择的这个入口节点是可以随机选择的。
115.第一查询单元130，用于从顶层的入口节点开始，查询出每一层离目标节点最近的一个节点作为下一层的查询入口节点，直至底层。
116.如图4所示，第一查询单元130具体包括第一添加模块131、计算模块132、第二添加模块133、选取模块134、遍历模块135以及终止模块136。
117.第一添加模块131，用于将入口节点及与其对应的邻居节点添加至候选列表和记录在已遍历列表中，并记录入口节点与目标节点的距离。
118.候选列表：用来存储可能距离目标点较近的节点，此列表是可变长度的，默认使用200作为上限。
119.已遍历列表：用来存储已经计算过与目标点距离的点，每个节点都有大量邻居，为了避免重复计算，第一次计算距离后记录节点。每一次完整地查找后清空。
120.计算模块132，用于计算候选列表中入口节点的各邻居节点与目标节点的距离。
121.第二添加模块133，用于将候选列表中入口节点的各邻居节点与目标节点的距离小于入口节点与目标节点的距离的节点添加至结果列表中。
122.结果列表：用来存储距离目标点最近的邻居节点。
123.如果结果列表中存储的节点数量达到上限则删除其中距离目标最远的节点。
124.选取模块134，用于选取入口节点的邻居节点中距离目标节点最近的节点作为接下来查询的过渡节点。
125.遍历模块135，用于遍历过渡节点的邻居节点，将其中没有被遍历过的节点加入至候选列表，并记录在已遍历列表中。
126.如果节点加入至候选列表时超过了候选列表的存储上限且当前加入的节点距离目标节点更近，则采用当前加入的节点替换候选列表中距离目标节点最远的节点。
127.终止模块136，用于当候选列表中距离目标节点最近的节点的距离大于结果列表中距离目标节点最远的节点的距离，则终止查询。
128.第二查询单元140，用于在底层中利用上一层的查询入口节点查询出距离目标节点接近的邻居节点。
129.在底层中，一般会存在与目标节点距离非常接近的多个邻居节点，通过利用底层的上一层的查询入口节点可以找到底层中与这个节点所对应的邻居节点，这些邻居节点即为目标节点接近的邻居节点。
130.在实际应用场景中，可以根据实际需求设定目标节点接近的邻居节点的个数。
131.本发明通过上一层查询到的距离目标节点最近的节点作为下一层的迭代的起点，直至底层，使得查询时每一层都可以过滤掉很大一部分与目标节点距离较远的节点，从而节省了查询和运算时间，提高了查询的效率。
132.如图5所示，本发明具体实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的目标数据查找方法步骤。
133.该计算机设备700可以是终端或服务器。该计算机设备700包括通过系统总线710连接的处理器720、存储器和网络接口750，其中，存储器可以包括非易失性存储介质730和内存储器740。
134.该非易失性存储介质730可存储操作系统731和计算机程序732。该计算机程序732被执行时，可使得处理器720执行任意一种目标数据查找方法。
135.该处理器720用于提供计算和控制能力，支撑整个计算机设备700的运行。
136.该内存储器740为非易失性存储介质730中的计算机程序732的运行提供环境，该计算机程序732被处理器720执行时，可使得处理器720执行任意一种目标数据查找方法。
137.该网络接口750用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备700的限定，具体的计算机设备700可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。其中，所述处理器720用于运行存储在存储器中的程序代码，以实现以下步骤：
138.第一方面，目标数据查找方法，所述方法包括：
139.构建数据特征库的多层图结构，所述多层图结构中各层节点数量由底层到顶层呈指数衰减概率分布，底层中包含数据特征库所对应的所有节点；
140.从顶层随机选取一个节点作为查询目标节点的入口节点；
141.从顶层的入口节点开始，查询出每一层离目标节点最近的一个节点作为下一层的查询入口节点，直至底层；
142.在底层中利用上一层的查询入口节点查询出距离目标节点接近的邻居节点。
143.其进一步技术方案为：所述的从顶层的入口节点开始，查询出每一层离目标节点最近的一个节点作为下一层的查询入口节点，直至底层，包括：
144.将入口节点及与其对应的邻居节点添加至候选列表和记录在已遍历列表中，并记录入口节点与目标节点的距离；
145.计算候选列表中入口节点的各邻居节点与目标节点的距离；
146.将候选列表中入口节点的各邻居节点与目标节点的距离小于入口节点与目标节点的距离的节点添加至结果列表中；
147.选取入口节点的邻居节点中距离目标节点最近的节点作为接下来查询的过渡节点；
148.遍历过渡节点的邻居节点，将其中没有被遍历过的节点加入至候选列表，并记录在已遍历列表中；
149.当候选列表中距离目标节点最近的节点的距离大于结果列表中距离目标节点最
远的节点的距离，则终止查询。
150.其进一步技术方案为：所述的将候选列表中入口节点的各邻居节点与目标节点的距离小于入口节点与目标节点的距离的节点添加至结果列表中，如果结果列表中存储的节点数量达到上限则删除其中距离目标最远的节点。
151.其进一步技术方案为：所述的遍历过渡节点的邻居节点，将其中没有被遍历过的节点加入至候选列表，并记录在已遍历列表中，如果节点加入至候选列表时超过了候选列表的存储上限且当前加入的节点距离目标节点更近，则采用当前加入的节点替换候选列表中距离目标节点最远的节点。
152.应当理解，在本技术实施例中，处理器720可以是中央处理单元(central processing unit，cpu)，该处理器720还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
153.本领域技术人员可以理解，图5中示出的计算机设备700结构并不构成对计算机设备700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，或者不同的部件布置。
154.所述集成的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取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明中各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
155.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，即将所述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。上述装置中单元、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。
156.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发明的范围。
157.在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的
方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个装置，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。
158.所述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。
159.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。