针对网店的作弊识别方法及装置与流程

本申请涉及互联网技术领域，尤其涉及一种针对网店的作弊识别方法及装置。

背景技术：

随着互联网技术的不断发展，通过互联网进行网上购物已经成为人们购物的一种方式，网购具有价格低，而且直接送货上门的优点，所以网购一直受到人们的欢迎。

目前，在一些购物平台中，一些网店为了提高自己网店的信用，会采用一些非公平性的手段，例如，有些网店会采用虚假交易行为或者点击欺诈等方式来提高自己网店的信用。其中，虚假交易行为，也可以称为信用炒作，即买、卖双方以抬高信用为目的，或双方在无实际成交的情况下做出购买和评价商品等行为，以提高卖家的好评率、订单成交率等。点击欺诈是指在互联网广告市场中，人为影响广告的点击率的行为。比如在以点击结算的广告市场中通过恶意点击竞争对手的广告来消耗竞争对手的广告预算。又比如店家雇佣人手点击自己的广告，并在点击后再自己的店铺内下单，通过点击欺诈和虚假交易来造成系统对于这个广告的质量分数做出过高的估计。

在一些购物平台中，虚假交易行为影响了平台卖家的公平竞争，阻碍平台的健康、稳健发展。并且虚假的好评率、订单成交率等，会对消费者造成误导，影响消费者购物体验。因此，如何对网店的这些作弊行为进行识别十分重要。目前，常用的虚假交易识别方式主要是后台预先设定一些规则，并基于这些预定的规则对作弊行为进行识别。然而，预先设定的规则难以同时覆盖不同团伙的特征或新的虚假交易形式，而且规则易于被不法商家识破，自适应性较弱，不能有效及时准确识别作弊行为。

技术实现要素：

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种针对网店的作弊识别方法，该方法提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。

本申请的第二个目的在于提出一种针对网店的作弊识别装置。

为达上述目的，本申请第一方面实施例提出了一种针对网店的作弊识别方法，包括：根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；在所述多个用户中确 定M个用户，其中，M为正整数，所述M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值；根据所述M个用户中的每一个用户与其他用户的共同操作记录，确定所述M个用户任意两个用户之间的关系图，其中，所述关系图以所述M个用户作为M个用户节点，如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边；以及根据所述关系图计算所述M个用户的作弊可能性，并根据所述作弊可能性识别作弊用户。

本申请实施例的针对网店的作弊识别方法，首先根据用户历史行为日志确定对目标网店的网页进行操作的多个用户，然后在多个用户中确定M个用户，并根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图，其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边，以及根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户，由此，提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。另外，识别结果可随着用户之间的关系的改变而改变。

为达上述目的，本申请第二方面实施例提出了一种针对网店的作弊识别装置，包括：第一确定模块，用于根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；第二确定模块，用于在所述多个用户中确定M个用户，其中，M为正整数，所述M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值；第三确定模块，用于根据所述M个用户中的每一个用户与其他用户的共同操作记录，确定所述M个用户任意两个用户之间的关系图，其中，所述关系图以所述M个用户作为M个用户节点，如果所述M个用户中两个用户之间存在所述共同操作关系则所述两个用户对应的用户节点之间具有相连接的边；以及第一处理模块，用于根据所述关系图计算所述M个用户的作弊可能性，并根据所述作弊可能性识别作弊用户。

本申请实施例的针对网店的作弊识别装置，首先第一确定模块根据用户历史行为日志确定对目标网店的网页进行操作的多个用户，然后第二确定模块在多个用户中确定M个用户，第三确定模块根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图，其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边，以及第一处理模块根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户，由此，提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。另外，识别结果可随着用户之间的关系的改变而改变。

附图说明

图1是本申请一个实施例的针对网店的作弊识别方法的流程图。

图2是本申请一个实施例的关系图的示例图一。

图3是通过KCore算法对关系图进程处理的流程图。

图4是本申请一个实施例的关系图的示例图二。

图5是包含用户节点的层次值的关系图的示例图。

图6是基于连通图算法生成K-core子图中的每个用户节点的标签的流程图。

图7是基于社区发现算法生成K-core子图中的每个用户节点的标签的流程图。

图8是本申请一个实施例的针对网店的作弊识别装置的结构示意图。

图9是本申请另一个实施例的针对网店的作弊识别装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的针对网店的作弊识别方法及装置。

图1是本申请一个实施例的针对网店的作弊识别方法的流程图。

如图1所示，该针对网店的作弊识别方法包括：

S101，根据用户历史行为日志确定对目标网店的网页进行操作的多个用户。

S102，在多个用户中确定M个用户，其中，M为正整数，M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值。

在本申请的一个实施例中，在获取对目标网店的网页进行操作的多个用户后，可获取多个用户中任意两个用户之间的共同操作记录，并判断这两个用户之间的共同操作记录的数量是否大于预设阈值，如果这两个用户之间的共同操作记录的数量大于预设数量阈值，则确定这两个用户之间具有共同操作关系，并将这两个用户作为一个用户对并加入共同操作关系用户集合。其中，共同操作关系用户集合中包括M个用户。每个用户对包括至少两个用户。

具体地，针对目标网店的网页，在获取目标网店在预设时间内的历史购买记录、收藏、好评、加入购物车记录等后，可获取任意两个用户针对目标网店的操作，并判断操作是否属于预设时间段，如果属于预设时间段，则判断这两个用户之间存在共同操作记录。具体而言，可统计这两个买家在同一家店铺购买过商品、收藏过商品、好评、加入购物车等操作之间的时间差是否在预设时间段，如果属于预设时间段，则确定对应的两个买家之间存在共同操作记录数，以及判断这两个买家之间的共同操作记录是否大于预设数量阈值例如5条，如果两个买家之间的共同操作记录大于预设数量阈值例如5条，则将对应的两个用户作为具有共同操作关系的一个用户对，并加入共同操作关系用户集合。

例如，假定目标网店为店铺C，可获取店铺C在一周内的历史购买记录、收藏、好评、加入购物车记录等，并取时间间隔为一小时，若买家A在9点时在店铺C发生购买行为，买家B在9点10分时在店铺C发生购买行为，则确定买家A与买家B存在一条共同操作记录。

S103，根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图。

其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边。

具体地，可根据共同操作关系用户集合中的M用户以及任意两个用户之间的共同操作关系建立关系图，具体而言，将共同操作关系用户集合中的每个用户作为一个用户节点，如果用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边。

例如，共同操作关系用户集合中有8个用户，假定各个用户之间的共同操作关系如下：与用户1之间存在共同操作关系的用户为：用户2、用户3；与用户2之间存在共同操作关系的用户为：用户1、用户3、用户4；与用户3之间存在共同操作关系的用户为：用户1、用户2、用户4、用户5；与用户4之间存在共同操作关系的用户为：用户2、用户3、用户5；与用户5之间存在共同操作关系的用户为：用户3、用户4；与用户6之间存在共同操作关系的用户为用户5、用户7、用户8；与用户7之间存在共同操作关系的用户为用户6、用户8；与用户8之间存在共同操作关系的用户为用户6、用户7。根据上述用户之间的共同操作关系所建立的关系图，如图2所示，需要说明的是，图2仅是根据买家之间的共同操作关系所建立的关系图的一个示例。

S104，根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户。

具体地，在根据用户之间的共同操作关系建立对应的关系图之后，可先通过KCore算法对关系图进行处理，以生成K-core子图，其中，K-core子图中的用户均存在作弊可能性，因此将K-core子图中的用户作为作弊用户，即将K-core子图中的用户节点所对应的用户作为作弊用户。

在本申请的实施例中，在确定了作弊用户之后，生成K-core子图中的用户节点的标签，并根据标签对作弊用户进行划分，以确定作弊用户所属的作弊团伙。其中，如果多个用户节点具有相同的标签，则说明这些用户节点对应的用户属于同一个作弊团伙。

其中，通过KCore算法对关系图进行处理，以生成K-core子图的具体过程，如图3所示，包括：

S11、设定k值为初始值。

其中，KCore算法中k值的设定与系统处理的业务有关，例如，可将k值设置为11。需要说明的是，此处将k值设置为11仅是出于示例目的，本申请的实施例不限于此。

S12、去除关系图中节点度值小于或等于k值的用户节点，且去除与已去除的用户节点 连接的边，并重新计算新关系图中每个用户节点的节点度值。

其中，节点度值是指关系图中每个用户点的邻居数。

具体地，将关系图中邻居数小于或等于k值的用户节点去除，并去除与已去除的用户节点连接的边，此时，有些原本邻居数大于k值的用户节点，在新关系图的邻居数会变得小于k值。

S13、判断新关系图中是否还有节点度值小于或等于k值的用户节点，如果还有节点度值小于或等于k值的用户节点，则跳转至步骤S12，如果否，则执行步骤S14。

S14、输出当前的新关系图，并将当前的新关系图作为K-core子图。

由此，可以看出，KCore算法在迭代的过程中，逐层去除关系图中用户节点的节点度值小于或者等于k值的用户节点，直到剩下的用户节点的邻居数均大于k值时，输出当前对应的新关系图，当前的新关系图即为K-core子图。

需要说明的是，KCore算法在迭代的过程中将不重要的节点逐层去除，假定用ks表示节点所属的层次。其中，ks的值为1的用户节点的重要性最低，首先被去除，接着ks的值为2的用户节点会被去除，如此迭代。ks的值越大表示节点越重要。例如，关系图如图4所示，则图4对应的包含每个用户节点的层次值ks的示意图，如图5所示。

在本申请的一个实施例中，在通过KCore算法对关系图进行处理，生成K-core子图后，如果所生成的K-core子图的结构较为简单，或对作弊团伙区分精度要求不高，可通过连通图算法生成K-core子图中的每个用户节点的标签。其中，通过连通图算法生成K-core子图中的每个用户节点的标签的具体过程如图6所示，可以包括：

S21、为每个用户节点分配初始标签。

具体地，K-core子图中的每个用户节点均有自己的一个ID号，可将每个用户节点的ID号作为对应的用户节点的初始标签。

S22、每个用户节点将自身的标签广播给与自身相邻的用户节点。

S23、接收到广播的标签的用户节点根据接收到的标签和自身的标签生成新标签。

在本申请的一个实施例中，接收到广播的标签的用户节点可将接收到的标签和自身的标签进行比较，并选择二者的最小值作为新标签。

S24、判断用户节点的标签是否不再变化，如果用户节点的标签不再变化，则执行步骤S25，否则，返回步骤S22。

S25，如果用户节点的标签不再变化，则输出用户节点的标签。

在通过上述计算后可以计算出K-core子图中每个用户节点中的标签后，具有相同标签的用户节点属于同一个连通图，即具有相同标签的用户属于同一个作弊团伙。

需要说明的是，通常不同两个用户如果属于不同的作弊团伙，则他们之间不会存在较强的共同操作关系，即关系图中对应的两个用户节点之间不存在互相连接的边，因此，通过上述连通图算法可以计算出对应的两个用户节点的标签不同，标签不同说明用户节点所 对应的用户所属的作弊团伙不同。

在本申请的一个实施例中，如果所生成的K-core子图的结构较为复杂，或需要较为准确地区分不同的作弊钻联盟，可以使用社区发现算法生成K-core子图中的每个用户节点的标签。

其中，需要说明的是，所生成的K-core子图的结构较为复杂时，属于同一个社区的节点间的连线较为稠密，不同社区的节点间的连线较为稀疏，即同一个社区内的节点所对应的用户的关系更为紧密，能很好地反映作弊联盟的“团伙”属性。

其中，根据社区发现算法生成K-core子图中的每个用户节点的标签的具体过程如图7所示，可以包括：

S31、为每个用户节点分配初始标签。

具体地，K-core子图中的每个用户节点均有自己的一个ID号，可将每个用户节点的ID号作为对应的用户节点的初始标签。

S32、每个用户节点将自身的标签广播给与自身相邻的用户节点。

S33、每个用户节点对接收到的标签进行汇总，并选择出现次数最多的标签作为新标签。

其中，需要说明的是，如果出现次数相同的多个标签，则从对应的多个标签中随机选择其中一个标签作为新标签。

S34、判断用户节点的标签是否不再变化，或者判断是否达到最大迭代次数，如果是，则执行步骤S35，如果否，则返回步骤S32。

S35，输出用户节点的标签。

具体地，在基于社区发现算法计算出K-core子图中的每个用户节点的标签后，可通过用户节点的标签对作弊用户进行划分，具有同样标签的用户节点属于同一个社区，即具有相同标签的用户属于同一个作弊团伙。

需要说明的是，在识别出作弊用户后，可对作弊用户执行对应的操作，例如，可对作弊用户进行封号，以避免作弊用户继续刷钻或者点击广告，以保证平台的健康、稳健发展。

综上可以看出，该实施例提出了一种根据用户过用户之间的共同操作关系建立关系图，并根据关系图去去识别作弊用户的方式，与通过预设规则识别用户作弊的方式来说，该实施例的方式具有以下优点：(1)充分考虑用户与用户之间的关系，方便基于大数据来那个的用户关系进行快速计算。(2)在作弊联盟(作弊团伙)的作弊行为不断变化时，该实施例所建立的关系图也将随着发生改变，通过该实施例的方式，同样可以准确识别出作弊用户。也就是说，该实施例的模型不受作弊联盟的特征的影响，模型的精确度高。(3)作弊联盟不能有效破解该实施例的识别网站作弊的方式，使得正常投放的广告主相信自己不会遭到竞争对手的点击欺诈，保证了平台健康、稳定发展。

本申请实施例的针对网店的作弊识别方法，首先根据用户历史行为日志确定对目标网店的网页进行操作的多个用户，然后在多个用户中确定M个用户，并根据M个用户中的 每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图，其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边，以及根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户，由此，提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。另外，识别结果可随着用户之间的关系的改变而改变。

为了实现上述实施例，本申请还提出一种针对网店的作弊识别装置。

图8是本申请一个实施例的针对网店的作弊识别装置的结构示意图。

如图8所示，该针对网店的作弊识别装置包括第一确定模块100、第二确定模块200、第三确定模块300和第一处理模块400，其中：

第一确定模块100用于根据用户历史行为日志确定对目标网店的网页进行操作的多个用户；第二确定模块200用于在多个用户中确定M个用户，其中，M为正整数，M个用户包括多组用户对，每一用户对中的两个用户在预设时间段内具有的共同操作记录的数量大于预设数量阈值；第三确定模块300用于根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图，其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边；以及第一处理模块400用于根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户。

具体地，在第一确定模块100获取对目标网店进行操作的多个用户后，第二确定模块200可获取多个用户中任意两个用户之间的共同操作记录，并判断这两个用户之间的共同操作记录的数量是否大于预设阈值，如果这两个用户之间的共同操作记录的数量大于预设数量阈值，则确定这两个用户之间具有共同操作关系，并将这两个用户作为一个用户对并加入共同操作关系用户集合。其中，共同操作关系用户集合中包括M个用户。每个用户对包括至少两个用户。

其中，预设数量阈值是系统预先为加入共同操作关系用户集合中的用户所设定的共同操作记录的数量的阈值。例如，预设数量阈值为5，对于每个用户，第一确定模块100可判断任意两个用户之间共同操作记录的数量是否大于5，如果两个用户之间的共同操作记录大于预设数量阈值例如5条，则将对应的两个用户加入共同操作关系用户集合。

其中，上述第一确定模块100具体用于：获取任意两个用户针对目标网店的操作；判断操作是否属于预设时间段；以及如果属于预设时间段，则判断任意两个用户之间存在共同操作记录。

例如，假定目标网店为店铺C，第一确定模块100可获取店铺C在一周内的历史购买记录、收藏、好评、加入购物车记录等，并取时间间隔为一小时，若买家A在9点时在店 铺C发生购买行为，买家B在9点10分时在店铺C发生购买行为，则第一确定模块100可确定买家A与买家B存在一条共同操作记录。

具体地，第一处理模块400可通过KCore算法对关系图进行处理，以生成K-core子图，其中，K-core子图中的用户均存在作弊可能性；以及将K-core子图中的用户作为作弊用户。

其中，上述第一处理模块400可通过KCore算法对关系图进行处理，以生成K-core子图的具体过程如图3所示，此处不再赘述。

如图9所示，上述装置还可以包括第二处理模块500，该第二处理模块500用于在第一处理模块400将K-core子图中的用户作为作弊用户之后，生成K-core子图中的用户节点的标签；以及根据标签对作弊用户进行划分，以确定作弊用户所属的作弊团伙，其中，具有相同标签的作弊用户属于同一个作弊团伙。

在本申请的一个实施例中，如果所生成的K-core子图的结构较为简单，或对刷钻联盟区分精度要求不高，第二处理模块500可通过步骤S21至S24生成K-core子图中的用户节点的标签，其中，S21、为每个用户节点分配初始标签；S22、每个用户节点将自身的标签广播给与自身相邻的用户节点；S23、接收到广播的标签的用户节点根据接收到的标签和自身的标签生成新标签；具体地，接收到广播的标签的用户节点将接收到的标签和自身的标签进行比较，选择二者的最小值作为新标签。S24、重复执行步骤S22至S23，直至用户节点的标签不再变化。第二处理模块500基于连通图算法生成K-core子图中的每个用户节点的标签的具体过程如图6所示。

另外，如果所生成的K-core子图的结构较为复杂，或需要较为准确地区分不同的作弊钻联盟，第二处理模块500可通过步骤S31至S34生成K-core子图中的用户节点的标签，其中，S31、为每个用户节点分配初始标签；S32、每个用户节点将自身的标签广播给与自身相邻的用户节点；S33、每个用户节点对接收到的标签进行汇总，并选择出现次数最多的标签作为新标签；S34、重复执行步骤S32至S33，直至用户节点的标签不再变化或达到最大迭代次数。第二处理模块500基于社交发现算法生成K-core子图中的每个用户节点的标签的具体过程如图7所示。

需要说明的是，在第二处理模块500生成K-core子图中的每个用户节点的标签后，第二处理模块500可根据用户节点的标签对作弊用户进行划分，以确定作弊用户所属的作弊团伙。具体地，第二处理模块500可确定具有相同标签的用户节点属于同一个连通图，即具有相同标签的用户属于同一个作弊联盟。由此，识别出了作弊用户，以及确定了作弊用户所属的作弊联盟。

在识别出作弊用户后，第一处理模块400还可对作弊用户执行对应的操作，例如，可对作弊用户进行封号，以避免作弊用户继续刷钻或者点击广告，以保证平台的健康、稳健发展。

需要说明的是，前述对针对网店的作弊识别方法实施例的解释说明也适用于该实施例 的针对网店的作弊识别装置，此处不再赘述。

本申请实施例的针对网店的作弊识别装置，首先第一确定模块根据用户历史行为日志确定对目标网店的网页进行操作的多个用户，然后第二确定模块在多个用户中确定M个用户，第三确定模块根据M个用户中的每一个用户与其他用户的共同操作记录，确定M个用户任意两个用户之间的关系图其中，关系图以M个用户作为M个用户节点，如果M个用户中两个用户之间存在共同操作关系则两个用户对应的用户节点之间具有相连接的边，以及第一处理模块根据关系图计算M个用户的作弊可能性，并根据作弊可能性识别作弊用户，由此，提出了一种根据用户之间的共同操作关系去识别作弊用户的方式，该方式可以准确识别出作弊用户，且该方式具有不易被不法商家识别，适应性强的特点。另外，识别结果可随着用户之间的关系的改变而改变。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布 线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。