一种基于用户交互的无线网络探测方法、装置和系统与流程

本发明涉及通信技术领域，具体涉及一种基于用户交互的无线网络探测方法、装置和系统。

背景技术：

近年来，随着无线通信技术的长足发展，发现并解决无线网络问题是网络维护的常规性工作，现有的无线网络用户问题探测方法可分为主动探测和被动探测两种。

主动探测方法有两种方式，一是通过网络测试探测网络问题，即无线优化人员通过现场单点测试发现网络问题，或者通过遍历性区域测试后，通过分析测试数据发现问题点；二是通过分析网络性能监控数据探测网络问题，即通过获取一定时间范围内的网络性能kpi指标，根据网络性能kpi指标的劣化情况，发现问题点。

被动探测方法也有两种方式，一是通过告警监控日志探测网络问题，即通过告警监控系统对基站进行实时监控，在基站发生故障时，系统将相关告警报告短信、邮件等形式通知优化人员，优化人员通过分析告警报告发现网络问题点；二是通过收集用户投诉探测网络问题，即用户在使用过程中遇到体验不佳时，通过拨打热线电话，向客户人员投诉相关网络问题，由客户人员记录投诉位置、投诉事件、投诉问题类型等关键信息后，将投诉内容转交给优化人员进行分析，发现网络问题点。

现有通过收集用户投诉探测网络问题的方式，主要流程包括：

从客户人员处获取用户数投诉位置信息、时间信息、投诉问题类型等关键信息；

获取用户投诉时的通话单据，获取主覆盖小区及邻区信息，以及进行信令流程分析，得到失败原因值等；

分析主覆盖小区及邻区告警信息，网络性能kpi指标等；

安排现场测试，进行问题复现；

通过测试和分析得到问题根因，制定解决方法并执行解决；

现有通过收集用户投诉探测网络问题的方法，存在如下缺点：

缺点一：用户投诉时的位置信息不确定，用户不会以经纬度形式进行投诉反馈，所以位置信息只能是大概位置，在位置信息上存在一定误差；

缺点二：用户投诉信息由客户人员进行记录和收集，而客户人员非专业优化人员，对于很多无线网络优问题不能进行专业定位，可能造成所记录的问题类型存在一定偏差或错误，在问题类型上存在较大的不确定性；

缺点三：优化人员提取用户话单分析涉及用户隐私和信息安全问题，且问题分析主要依靠无线网络优化人员人工的经验判断，所有分析都由无线网络优化人员个人完成，存在较强的主观性；

缺点四：安排现场测试复现网络问题，需要专业人员携带专业设备进行，处理成本较高，且由于发生问题的时间和位置不能够精确匹配，用户投诉的网络问题也不一定能够再次复现，在分析处理上存在一定误差。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于用户交互的无线网络探测装置、系统和相应的基于用户交互的无线网络探测方法。

根据本发明的一个方面，提供了一种基于用户交互的无线网络探测方法，该方法包括：接收用户端上传的用户环境数据；

从现网数据平台中查找与所述用户环境数据相匹配的现网数据，并对所述用户环境数据和相匹配的现网数据进行关联处理，得到关联数据；

利用经过训练的问题分析神经网络对所述关联数据进行分析，得到问题分析结果和问题解决措施；

将所述问题分析结果发送至所述用户端，并将所述问题解决措施发送至运维端。

进一步地，所述现网数据平台包括：操作维护中心、参数管理平台和大数据性能指标平台；所述从现网数据平台中查找与所述用户环境数据相匹配的现网数据进一步包括：

从所述操作维护中心中查找与所述用户环境数据相匹配的信令数据；

从所述参数管理平台中查找与所述用户环境数据相匹配的小区参数数据；

从所述大数据性能指标平台中查找与所述用户环境数据相匹配的性能数据。

进一步地，在所述利用经过训练的问题分析神经网络对所述关联数据进行分析，得到问题分析结果和问题解决措施之前，所述方法还包括：

根据决策树算法和历史案例库中的数据训练样本，训练得到问题分析神经网络。

进一步地，在将所述问题解决措施发送至运维端之后，所述方法还包括：

接收所述运维端发送的问题解决反馈数据；

根据所述关联数据和所述问题解决反馈数据，确定新的数据训练样本，并将新的数据训练样本添加至历史案例库中，以得到更新后的历史案例库；

根据决策树算法和更新后的历史案例库中的数据训练样本，对所述问题分析神经网络进行更新训练。

进一步地，所述用户环境数据包括：无线网络环境数据和用户业务数据。

进一步地，所述无线网络环境数据包括：用户端经纬度数据、用户识别码、小区信号功率、小区信号质量、小区编码、小区标识码和信号干扰噪声比；

所述用户业务数据包括：业务类型数据和业务内容数据。

根据本发明的又一方面，提供了一种基于用户交互的无线网络探测装置，该装置包括：

接收模块，适于接收用户端上传的用户环境数据；

查找模块，适于从现网数据平台中查找与所述用户环境数据相匹配的现网数据；

关联模块，适于对所述用户环境数据和相匹配的现网数据进行关联处理，得到关联数据；

分析模块，适于利用经过训练的问题分析神经网络对所述关联数据进行分析，得到问题分析结果和问题解决措施；

发送模块，适于将所述问题分析结果发送至所述用户端，并将所述问题解决措施发送至运维端。

根据本发明的又一方面，提供了一种基于用户交互的无线网络探测系统，所述系统包括：上述的基于用户交互的无线网络探测装置、现网数据平台、用户端、运维端以及历史案例库；

所述现网数据平台适于：存储现网中的信令数据、小区参数数据和性能数据；

所述用户端适于：采集用户环境数据，将所采集的用户环境数据上传至基于用户交互的无线网络探测装置；以及接收基于用户交互的无线网络探测装置发送的问题分析结果；

所述运维端适于：接收基于用户交互的无线网络探测装置发送的问题解决措施；

所述历史案例库适于：存储历史网络问题、与所述历史网络问题对应的问题产生原因以及问题解决措施，并根据所述历史网络问题、与所述历史网络问题对应的问题产生原因以及问题解决措施，构建得到数据训练样本。

根据本发明的又一方面，提供了一种服务器，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的智能无线网络探测方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述的智能无线网络探测方法对应的操作。

根据本发明的一种基于用户交互的无线网络探测方法、装置、系统、服务器和存储介质，本发明能够方便地获取用户端主动上传的用户环境数据，并根据用户环境数据便捷地查找并关联与用户环境数据相匹配的现网数据，利用经过训练的问题分析神经网络能够精准、快速地对所得到的关联数据进行分析，有效地提高了无线网络问题分析的准确率和分析效率；并且，将分析得到的问题分析结果发送至用户端，使得用户端侧的用户能够方便地获知网络问题产生的原因；将分析得到的问题解决措施发送至运维端，使得运维端侧的运维优化人员能够及时地获知问题解决措施，以便尽快对网络问题进行处理。

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的技术手段，而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、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的基于用户交互的无线网络探测方法流程图；

图2示出了本发明提供的基于用户交互的无线网络探测方法的决策树算法的流程图；

图3示出了本发明另一实施例提供的基于用户交互的无线网络探测方法的流程图；

图4示出了本发明实施例提供的问题分析神经网络的分析处理示意图；

图5示出了本发明实施例提供的基于用户交互的无线网络探测装置的结构示意图；

图6示出了本发明实施例提供的基于用户交互的无线网络探测系统的结构示意图；

图7示出了本发明实施例提供的一种服务器的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

实施例一

图1示出了本发明一种基于用户交互的无线网络探测方法，如图1所示，该方法包括：

步骤101：接收用户端上传的用户环境数据。

当发生了网络问题，用户需要进行网络问题分析时，用户可通过用户端采集用户环境数据，该用户环境数据包括：无线网络环境数据和用户业务数据。

作为本实施例的一种改进的实现方式，该无线网络环境数据包括：用户端经纬度数据、用户识别码、小区信号功率、小区信号质量、小区编码、小区标识码和信号干扰噪声比；该用户业务数据包括：业务类型数据和业务内容数据。

具体地说，该无线网络环境数据还可以包括其他可以从用户端采集到的无线网络环境数据，比如，故障业务发生时间数据，无线网络中的enbid，该enbid可以用于定位到故障小区；该用户识别码即imsi(internationalmobilesubscriberidentity)，是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码；小区编码指的是tac(trackingareacode)；信号干扰噪声比即sinr(signaltointerferenceplusnoiseratio)是指接收到的有用信号的强度与接收到的干扰信号(噪声和干扰)的强度的比值；可以简单的理解为“信噪比”。该业务类型数据可以是volte语音类型数据、视频流媒体类型数据和/或网页浏览类型数据等；该业务内容数据可以是访问网址信息和/或视频地址等。

步骤102：从现网数据平台中查找与该用户环境数据相匹配的现网数据，并对该用户环境数据和相匹配的现网数据进行关联处理，得到关联数据。

在本步骤中，作为本实施例的一种改进的实现方式，该现网数据平台包括：操作维护中心、参数管理平台和大数据性能指标平台。

该操作维护中心用于存储信令数据等，该参数管理平台用于存储小区参数数据，该大数据性能指标平台用于存储性能数据。

其中，该小区参数数据可以包括：小区mr数据、小区信令数据、单用户信令数据和小区参数配置。该性能数据包括：小区性能指标和小区告警数据。

步骤103：利用经过训练的问题分析神经网络对该关联数据进行分析，得到问题分析结果和问题解决措施。

具体地说，将步骤102得到的关联数据作为输入，通过训练好的神经网络进行预测，得到问题现状的问题分析结果和问题解决措施两个输出。神经网络的训练方式基于决策树算法进行，根据经验总结每种业务类型中每种网络问题的决策树算法，结合历史小区环境数据，性能数据，告警信息，信令信息等作为输入，输出问题分析结果和问题解决措施两个结果。

例如，如图2所示，为问题分析神经网络中决策树算法的流程示意图，当volte掉话问题出现时，通过判定其是告警导致或非告警导致，若是告警导致，则给出告警处理的问题解决措施，若非告警导致，则继续判定其是切换失败或是非切换失败，若为切换失败，则给出邻区优化的问题解决措施，若为非切换失败，则继续判定其是高干扰或非高干扰，依次类推。通过决策算法判定，给出相应的问题解决措施和问题分析结果。

步骤104：将该问题分析结果发送至该用户端，并将该问题解决措施发送至运维端。

在本步骤中，将步骤103所获得的问题分析结果反馈给用户端，告知用户端目前位置下的无线网络环境以及问题情况，与用户完成交互；并同时将问题解决措施发送至运维端，运维端可以将问题解决措施告知运维优化人员，便于运维优化人员及时做出优化调整，以保障用户端使用感受。

采用本实施例提供的这种方法，能够方便地获取用户端主动上传的用户环境数据，并根据用户环境数据便捷地查找并关联与用户环境数据相匹配的现网数据，利用经过训练的问题分析神经网络能够精准、快速地对所得到的关联数据进行分析，有效地提高了无线网络问题分析的准确率和分析效率；并且，将分析得到的问题分析结果发送至用户端，使得用户端侧的用户能够方便地获知网络问题产生的原因；将分析得到的问题解决措施发送至运维端，使得运维端侧的运维优化人员能够及时地获知问题解决措施，以便尽快对网络问题进行处理。

实施例二

图3示出了本发明提供的另一种基于用户交互的无线网络探测方法，如图3所示，该方法包括以下步骤：

步骤301：接收用户端上传的用户环境数据。

在本步骤中，用户端可根据需要自主选择是否启动问题分析流程，当用户选择启动问题分析流程时，其中，该用户端选择启动问题分析流程可基于以下原因：该用户端在固定位置发生了影响感知的网络问题，需要启动问题分析防止问题再次发生。在该用户端确认启动问题分析流程后，在相同的位置重新发起业务。启动问题分析流程后，用户端需要按预定路线移动，并在移动中使用无线网络，此时，用户提供预定路线，通过数据库中相同路线其他用户发生过的情况进行预测，并在用户端实际移动过程中记录该用户端的用户环境数据。

例如，用户端在办公室内进行volte通话时，发生掉话。为避免类似情况再次发生，用户端启动问题分析流程。用户端提供具体位置(包括楼宇名称，楼层等信息)后，用户端再次进行volte通话进行测试。经过用户端授权后，开始采集并记录用户端的无线网络环境数据和用户业务数据，本示例为volte语音业务。

步骤302：从操作维护中心中查找与用户环境数据相匹配的信令数据。

步骤303：从参数管理平台中查找与用户环境数据相匹配的小区参数数据。

步骤304：从大数据性能指标平台中查找与用户环境数据相匹配的性能数据。

其中，该小区参数数据可以包括：小区mr数据、小区信令数据、单用户信令数据和小区参数配置。该性能数据包括：小区性能指标和小区告警数据。

例如，接收到步骤301采集到的用户环境数据之后，根据该用户环境数据中信令信息的共同字段实现信令关联，从该操作维护中心中查找与该用户环境数据相匹配的信令数据；同时从该参数管理平台中查找与该用户环境数据相匹配的小区参数数据；从该大数据性能指标平台中查找与该用户环境数据相匹配的性能数据。

步骤305：对用户环境数据、查找到的信令数据、小区参数数据以及性能数据进行关联处理，得到关联数据。

步骤306：根据决策树算法和历史案例库中的数据训练样本，训练得到问题分析神经网络。

为了得到更精确的预测，将每一次分析的网络问题作为历史案例加入神经网络训练集，对问题分析神经网络进行训练，以得到更高精确度的问题分析神经网络。

步骤307：利用经过训练的问题分析神经网络对该关联数据进行分析，得到问题分析结果和问题解决措施。

在本步骤中，如图4所示，将步骤301接收到的用户环境数据、步骤302得到的信令数据、步骤303得到的小区参数数据以及步骤304得到的性能数据进行关联处理，将关联数据作为输入，通过训练好的问题分析神经网络得到问题分析结果和问题解决措施两个输出。问题分析神经网络的训练方式基于决策树算法进行，根据经验总结每种业务类型中每种网络问题的决策树算法，结合历史小区环境数据，性能数据，告警信息，信令信息等作为输入，输出问题分析结果和问题解决措施两个结果。

步骤308：将该问题分析结果发送至该用户端，并将该问题解决措施发送至运维端。

步骤309：接收该运维端发送的问题解决反馈数据。

步骤310：根据该关联数据和该问题解决反馈数据，确定新的数据训练样本，并将新的数据训练样本添加至历史案例库中，以得到更新后的历史案例库。

步骤311：根据决策树算法和更新后的历史案例库中的数据训练样本，对该问题分析神经网络进行更新训练。

为了得到更高准确度的解决措施，将每次探测的关联数据加入历史案例库，对问题分析神经网络进行训练和修正，并将新的数据训练样本添加至历史案例库中，以得到更新后的历史案例库。

采用本实施例提供的方法，通过用户端自主选择进行问题分析，充分得到用户授权，从用户端直接采集环境数据进行分析，以及过程中无过多人工接入，更具有准确性，通过采用机器学习算法，利用大数据手段进行网络问题分析，避免人工经验不足判断失误和效率低下的问题，较传统的通过人工测试和分析的方式更加的客观与高效。同时利用交互终端，可以及时将智能分析结果反馈到用户，为单用户提供实时定制化网络优化分析方案，有助于提升用户感知。

实施例三

图5示出了本发明一种基于用户交互的无线网络探测装置实施例的结构示意图。如图5所示，该装置包括：

接收模块501，适于接收用户端上传的用户环境数据；

查找模块502，适于从现网数据平台中查找与该用户环境数据相匹配的现网数据。

具体地，该用户环境数据包括：无线网络环境数据和用户业务数据。

该无线网络环境数据包括：用户端经纬度数据、用户识别码、小区信号功率、小区信号质量、小区编码、小区标识码和信号干扰噪声比；

该用户业务数据包括：业务类型数据和业务内容数据。

具体地说，该现网数据平台包括：操作维护中心、参数管理平台和大数据性能指标平台；该查找模块502进一步用于：

从该操作维护中心中查找与该用户环境数据相匹配的信令数据；

从该参数管理平台中查找与该用户环境数据相匹配的小区参数数据；

从该大数据性能指标平台中查找与该用户环境数据相匹配的性能数据。

关联模块503，适于对该用户环境数据和相匹配的现网数据进行关联处理，得到关联数据。

进一步地，得到关联数据之后，根据决策树算法和历史案例库中的数据训练样本，训练得到问题分析神经网络。

分析模块504，适于利用经过训练的问题分析神经网络对该关联数据进行分析，得到问题分析结果和问题解决措施。

发送模块505，适于将该问题分析结果发送至该用户端，并将该问题解决措施发送至运维端。

在将该问题解决措施发送至运维端之后，该装置进一步用于：

接收所述运维端发送的问题解决反馈数据；

根据所述关联数据和所述问题解决反馈数据，确定新的数据训练样本，并将新的数据训练样本添加至历史案例库中，以得到更新后的历史案例库；

根据决策树算法和更新后的历史案例库中的数据训练样本，对所述问题分析神经网络进行更新训练。

采用本实施例提供的这种装置，能够方便地获取用户端主动上传的用户环境数据，并根据用户环境数据便捷地查找并关联与用户环境数据相匹配的现网数据，利用经过训练的问题分析神经网络能够精准、快速地对所得到的关联数据进行分析，有效地提高了无线网络问题分析的准确率和分析效率；并且，将分析得到的问题分析结果发送至用户端，使得用户端侧的用户能够方便地获知网络问题产生的原因；将分析得到的问题解决措施发送至运维端，使得运维端侧的运维优化人员能够及时地获知问题解决措施，以便尽快对网络问题进行处理。

实施例四

如图6所示，示出了本发明一种基于用户交互的无线网络探测系统实施例的结构示意图，该系统包括：上述实施例三的基于用户交互的无线网络探测装置、现网数据平台、用户端、运维端以及历史案例库；

该现网数据平台适于：存储现网中的信令数据、小区参数数据和性能数据；

该用户端适于：采集用户环境数据，将所采集的用户环境数据上传至基于用户交互的无线网络探测装置；以及接收基于用户交互的无线网络探测装置发送的问题分析结果；

该运维端适于：接收基于用户交互的无线网络探测装置发送的问题解决措施；

该历史案例库适于：存储历史网络问题、与该历史网络问题对应的问题产生原因以及问题解决措施，并根据该历史网络问题、与该历史网络问题对应的问题产生原因以及问题解决措施，构建得到数据训练样本。

通过采用本实施例提供的这种系统，利用基于用户交互的无线网络探测装置、现网数据平台、用户端、运维端以及历史案例库各个端口的交互，可以及时将智能分析结果反馈到用户和运维优化人员，有助于提升客户感知，并能够明显提升无线网络用户问题测试分析的准确度、及时性与高效性，能够较大程度的降低人工成本，提升无线网络质量及用户感知。

实施例五

本发明实施例提供了一种非易失性计算机存储介质，该计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于用户交互的无线网络探测方法。

可执行指令具体可以用于使得处理器执行以下操作：

接收用户端上传的用户环境数据；

从现网数据平台中查找与该用户环境数据相匹配的现网数据，并对该用户环境数据和相匹配的现网数据进行关联处理，得到关联数据；

利用经过训练的问题分析神经网络对该关联数据进行分析，得到问题分析结果和问题解决措施；

将该问题分析结果发送至该用户端，并将该问题解决措施发送至运维端。

在一种可选的方式中，该现网数据平台包括：操作维护中心、参数管理平台和大数据性能指标平台；可执行指令进一步使处理器执行以下操作：

从该操作维护中心中查找与该用户环境数据相匹配的信令数据；

从该参数管理平台中查找与该用户环境数据相匹配的小区参数数据；

从该大数据性能指标平台中查找与该用户环境数据相匹配的性能数据。

在一种可选的方式中，可执行指令进一步使处理器执行以下操作：

根据决策树算法和历史案例库中的数据训练样本，训练得到问题分析神经网络。

在一种可选的方式中，可执行指令进一步使处理器执行以下操作：

接收该运维端发送的问题解决反馈数据；

根据该关联数据和该问题解决反馈数据，确定新的数据训练样本，并将新的数据训练样本添加至历史案例库中，以得到更新后的历史案例库；

根据决策树算法和更新后的历史案例库中的数据训练样本，对该问题分析神经网络进行更新训练。

在一种可选的方式中，该用户环境数据包括：无线网络环境数据和用户业务数据。

在一种可选的方式中，该无线网络环境数据包括但不限于：该无线网络环境数据包括：用户端经纬度数据、用户识别码、小区信号功率、小区信号质量、小区编码、小区标识码和信号与干扰噪声比中的其中一种或多种；该用户业务数据包括：业务类型数据和业务内容数据。

实施例六

图7示出了本发明一种服务器的结构示意图，本发明具体实施例并不对服务器的具体实现做限定。

如图7所示，该服务器可以包括：处理器(processor)、通信接口(communicationsinterface)、存储器(memory)、以及通信总线。

其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述基于用户交互的无线网络探测方法实施例中的相关步骤。

具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。

处理器可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序具体可以用于使得处理器执行以下操作：

接收用户端上传的用户环境数据；

从现网数据平台中查找与该用户环境数据相匹配的现网数据，并对该用户环境数据和相匹配的现网数据进行关联处理，得到关联数据；

利用经过训练的问题分析神经网络对该关联数据进行分析，得到问题分析结果和问题解决措施；

将该问题分析结果发送至该用户端，并将该问题解决措施发送至运维端。

在一种可选的方式中，该现网数据平台包括：操作维护中心、参数管理平台和大数据性能指标平台；程序进一步使得处理器执行以下操作：

从该操作维护中心中查找与该用户环境数据相匹配的信令数据；

从该参数管理平台中查找与该用户环境数据相匹配的小区参数数据；

从该大数据性能指标平台中查找与该用户环境数据相匹配的性能数据。

在一种可选的方式中，程序进一步使得处理器执行以下操作：

根据决策树算法和历史案例库中的数据训练样本，训练得到问题分析神经网络。

在一种可选的方式中，程序进一步使得处理器执行以下操作：

接收该运维端发送的问题解决反馈数据；

根据该关联数据和该问题解决反馈数据，确定新的数据训练样本，并将新的数据训练样本添加至历史案例库中，以得到更新后的历史案例库；

根据决策树算法和更新后的历史案例库中的数据训练样本，对该问题分析神经网络进行更新训练。

在一种可选的方式中，该用户环境数据包括：无线网络环境数据和用户业务数据。

在一种可选的方式中，该无线网络环境数据包括：用户端经纬度数据、用户识别码、小区信号功率、小区信号质量、小区编码、小区标识码和信号与干扰噪声比中的其中一种或多种；该用户业务数据包括：业务类型数据和业务内容数据。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。