识别违规账户的方法及装置与流程

本申请涉及大数据领域，特别涉及一种识别违规账户的方法及装置。

背景技术：

目前，网络中的账户可以参与各种形式的资金转移事务。由于在实现资金转移事务的过程中，某些账户的可能存在违规行为(如：参与赌博、套现)，参与违规行为的账户称为违规账户。一般违规账户参与的违规行为会对平台产生不好的影响，故需要对违规账户进行识别。

现有技术中，识别违规账户的方式一般可以是：通过相关人员的举报，并对被举报的账户进行核查(如：可利用该被举报的账户的历史行为数据进行核查)，最终确定被举报的账户是否为违规账户。可以看出，现有技术识别违规账户的方式较依赖人为举报，识别网络中的违规账户的效率较低。

技术实现要素：

本申请实施例的目的是提供一种识别违规账户的方法及装置，以解决现有技术存在的识别网络中的违规账户的效率较低的问题。

本申请实施例采用下述技术方案：

一种识别违规账户的方法，其特征在于，包括：

获取与预设账户对应的多个事务数值；所述事务数值是所述预设账户与其他账户进行资金转移事务时产生的；

确定所述多个事务数值的广义最大公约数；

根据所述广义最大公约数及所述事务数值，确定与所述广义最大公约数对应的可信度值；所述可信度值表征所述广义最大公约数的可信程度；

根据所述可信度值与预设阈值的比较结果，判断所述预设账户是否为违规账户。

一种识别违规账户的装置，包括：

数值获取单元，用于获取与预设账户对应的多个事务数值；所述事务数值是所述预设账户与其他账户进行资金转移事务时产生的；

广义最大公约数确定单元，用于确定所述多个事务数值的广义最大公约数；

可信度值确定单元，用于根据所述广义最大公约数及所述事务数值，确定与所述广义最大公约数对应的可信度值；所述可信度值表征所述广义最大公约数的可信程度；

判定单元，用于根据所述可信度值与预设阈值的比较结果，判定所述预设账户是否为违规账户。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

由以上本申请各实施例提供的技术方案可见，本申请利用违规账户(如：参与赌博的账户)在进行资金转移事务是产生的事务数值具有较强的倍数关系的规则，来对违规账户进行设别。具体地，通过获取与预设账户对应的多个事务数值，并确定所述多个事务数值的广义最大公约数，并确定用以表征该广义最大公约数的可靠程度的可信度值，最终，根据所述可信度值与预设阈值的比较结果，判断该预设账户是否为违规账户。通过上述过程，以预设账户在进行资金转移事务时产生的多个事务数值为依据，实现对网络中的违规账户的准确识别，使得违规账户的识别效率得以提升。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一实施例提供的识别违规账户的方法的流程图；

图2为本申请对示例的一组事务数值进行拟合的结果示意图；

图3为本申请一实施例提供的识别违规账户的装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

实施例1

本申请实施例提供一种识别违规账户的方法，以解决现有技术存在的识别网络中的违规账户的效率较低的问题。

本申请实施例提供的识别违规账户的方法的执行主体可以是手机、平板电脑以及个人电脑(personalcomputer，pc)等终端设备中的至少一种。此外，该方法的执行主体，也可以是安装在终端设备上的应用程序(application，app)，或者还可以是服务器。所述的执行主体并不构成对本申请的限定。

该方法的具体实现流程可以参照图1所示，主要包括如下步骤：

步骤s101：获取与预设账户对应的多个事务数值；所述事务数值是所述预设账户与其他账户进行资金转移事务时产生的。

上述资金转移事务可以包括基于互联网交易平台进行的交易事务、转账事务等，该交易事务一般可以由买家账户和卖家账户来共同完成。上述预设账户可以是卖家账户或买家账户。若上述资金转移事务为交易事务，则上述事务数值可以为预设账户(卖家)与其他账户(买家)之间进行的每笔交易事件的交易额。上述事务数值可以包括：每笔交易事件的金额，或每笔交易事件的成交商品数量，等等。

举例而言，其中，对于参与赌博活动的商家而言，该商家售卖的商品可以是游戏币等赌博筹码，而赌博筹码一般具有单价，并且商家可以设定这些赌博筹码的购买数量为预定的几种，这样，上述事务数值也可以是商家交易的赌博筹码的数量，例如，某参与赌博的商家可以设定用户购买筹码的数量必须以100为倍数(100个赌博筹码起售)，则，用户a可以购买1000个赌博筹码、用户b可以购买5000个赌博筹码等。

步骤s102：确定所述多个事务数值的广义最大公约数。

本文以事务数值为每笔交易事务的金额为例来介绍本技术方案。对于任意一个待识别的预设账户而言，在该预设账户进行预设事务的过程中，可以不断产生由多个事务数值构成的数值集合。一般地，可以通过服务器将与每个预设账户对应的数值集合存储于数据库中，这样，便可以通过定期或不定期地从数据库中获取与待识别的某预设账户对应的数值集合，并依据该数值集合中的各事务数值(金额)来对该预设账户进行识别。值得一提的是，为降低对计算机硬件资源的消耗，可以截取上述预设账户在某个时间段(如：1天)内产生的事务数值，作为违规账户识别的依据。

此外，为提高违规账户识别的准确性，一般需要对预设账户产生的数值集合中包含的各事务数值进行预处理。所述预处理包括但不限于：将事务数值按照货币汇率，换算成统一的货币单位。如，将数值集合中的所有事务数值统一换算成人民币(rmb)单位。以下是进行预处理之后的示例性的数值集合：

x＝{4.9，4.8，9.85，9.8，10，20，19.9，19.8，49.5，99，99，99.5}。

如前所述，一般地，若与某个预设账户对应的多个事务数值具有很强的倍数关系，或者说，有较强的以某个数值为广义最大公约数(将在下文进行阐述)的趋势，则可以认定该预设账户曾经或正在参与违规行为(如：赌博行为，套现行为等)。本申请实施例的方法正是根据上述规则，来识别参与违规行为的违规账户。值得一提的是，该规则(广义最大公约数)可以是用以识别违规账户的一个环节，在实际识别违规账户的过程中，还可以包括其他多个环节(如：根据卖家的信用程度、社交关系网络等来进行识别)进行层层排查，以最终准确确定违规账户，并进行相应的惩罚措施(如封号)。

最大公因数(也称最大公约数、最大公因子)，是指两个或多个整数共有约数中最大的一个。例如：50、100、150，三者的最大公约数为50。然而，网络交易场景中产生的事务数值往往并不是整数，而是实数(如：99.8，199.5，299)，因此无法按照最大公约数的求解方法计算得到多个实数的最大公约数。对此，本申请实施例提出了广义最大公约数，是针对多个实数，按照一定的方法计算得到一个符合程度最高的广义最大公约数(可以为实数)。例如：99.8，199.5，299，三者的广义最大公约数可以大约为100。若用数学语言描述，对于一个实数集s＝{x1，x2，…，xn}，其在p范数下的ε-最大广义公约数：

本申请实施例中，为实现对预设账户的违规行为识别，需要确定数值集合中的事务数值的广义最大公约数，并计算出与该广义最大公约数对应的可信度值。假设某数值集合x＝{x1，x2，…，xn}为卖家账户n次交易的金额数集合，则在上述步骤101之前，可以预先定义一个目标函数：

其中，为利用窗函数φ(jμ-xi)构建的所述目标函数obj的倍数项；所述倍数项：用于反映所述事务数值：{x1，x2，…，xn}以基数μ为广义最大公约数的符合程度；所述倍数项的自变量包括基数μ、第j个与窗函数对应的窗口的权重ωj，1≤j≤k，k为窗口的数量；ω＝(ω1，ω2，…，ωk)是窗函数φ(jμ-xi)的权重向量。

β||ω||²为所述目标函数obj的针对与窗函数对应的窗口的权重ωj的惩罚项。其中，β是控制权重ωj的惩罚系数(一般不希望权重ωj的值过大)。

-λμ为所述目标函数obj的针对基数μ的奖励项。其中，λ是基数μ价值的奖励系数(一般基数μ的值越大，越符合广义最大公约数的要求)。

在上述公式(1)中，{μ，ω1，ω2，…，ωk}可以为需要通过待最优化方法进行训练的参数，而{k，β，λ，…，φ}可以是通过人工预设设定的参数。一般可以根据具体业务需求或经验值设定上述{k，β，λ，…，φ}。

值得说明的是，在本申请其他实施例中，上述目标函数obj可以只包含倍数项：而不包含上述惩罚项和奖励项。抑或，上述目标函数obj可以包含倍数项：以及上述惩罚项和奖励项中的一个。当然，根据实际业务需求，还可以在上述目标函数obj构建其他的项，本申请对此不作限制。另外，关于上述倍数项，除通过窗函数进行构建之外，还可以通过其他形式的函数进行构建，对此本文不再逐一予以列举。

另外值得说明的是，在本申请一实施例中，所述目标函数obj的自变量可以包括基数μ，第j个与窗函数对应的窗口的权重ωj，等等。然而，在其他实施例中，上述目标函数obj的自变量可以并不局限于以上参数。同样地，上述构建的目标函数obj中包含的待训练得到的参数也不局限于{μ，ω1，ω2，…，ωk}，上述构建的目标函数obj中包含的需要通过人工设定的参数也不局限于{k，β，λ，…，φ}。

需要说明的是，上述窗函数可以是下述窗函数中任意一种或多种的组合：

矩形窗：

三角窗：

汉宁窗：

高斯窗：

此外，上述窗函数包括但不限于：切比雪夫窗，kaiser窗，papoulis窗、parzen窗、poisson窗、cauchy窗、gaussian窗、bartlett-hann、blackman-harris、nuttall'sblackman-harris、bohman、flattopwindow、hann、parzen(delavalle-poussin)、taperedcosine等。

本申请实施例中，以高斯窗为例，上述公式(1)中的目标函数obj为：

则，基于上述公式(2)，可以求导得到与所述基数μ对应的梯度函数：

与所述权重ωj对应的梯度函数：

通过上述公式(3)和公式(4)，可以使用最优化算法求解得到目标函数obj的因变量取极小值时的μ的取值(μ的取值即是广义最大公约数)。上述最优化算法可以是梯度下降法、或l-bfgs(limited-memorybfgs)法等。当然，在其他实施例中，若目标函数obj为：

则可以使用最优化算法求解得到目标函数obj的因变量取极大值时的μ的取值，并将该μ的取值确定为广义最大公约数。

本申请实施例中，在求导得到上述公式(3)和公式(4)，可通过如下步骤来计算得到广义最大公约数：

a)确定多个与所述基数μ对应的初始值μ1～μm，并确定与所述权重ωj对应的初始值。

由于上述目标函数obj通常不是凸函数，有局部的极小值，因此可以采用部署多个与基数对应的初始值μ1～μm的方法进行训练。另一方面，与窗函数对应的各个权重也可以设定相应的初始值。例如：

……

其中，可以看出，μ1～μm为1～m。

b)基于与所述基数μ对应的梯度函数及与所述权重ωj对应的梯度函数，利用最优化算法，计算得到与每个基数μ的初始值μ1～μm对应的基数优化值μs1～μsm。

如上所述，基于公式(3)和公式(4)，可以利用最优化算法(如梯度下降法、或l-bfgs(limited-memorybfgs)法)，可以计算得到与每个基数μ的初始值μ1～μm对应的基数优化值μs1～μsm，例如：

对于最终训练得到的μs1为1.05；

对于最终训练得到的μs2为2.1；

……

对于最终训练得到的μsm为(m-0.04)；

其中，对于每个训练得到的基数优化值μs1～μsm，可以相应地计算得到权重ω1～ωk的值。

c)从上述基数优化值μs1～μsm中确定一个值，作为在所述目标函数的因变量的值为极值时的基数μ的值。在本文中，所述极值可以指极小值或极大值。

本申请实施例中，从上面的m个基数优化值μs1～μsm中，可以选择使目标函数obj的因变量的取值为最小的一个，作为全局最基数(即广义最大公约数)。如上所述，在某种情况，也可以选择使目标函数obj的因变量的取值为最大的一个，作为全局最基数。

值得一提的是，在本申请其他实施例中，求解上述广义最大公约数的过程也可以不限于上述设定初始值μ1～μm、和权重ωj的初始值的方式。另外，在设定初始值的方法中，所设定的初始值也不局限于上述例子，例如，可以将权重ωj设定为1/2k。

图2为本申请对示例的一组事务数值进行拟合的结果示意图。在该图2中，待识别的数值集合中包含的事务数值为：

x＝{4.9，4.8，9.85，9.8，10，20，19.9，19.8，49.5，99，99，99.5}。

其中，在图2中，横坐标表示事务数值的取值，纵坐标表示上述目标函数obj中的倍数项的因变量的取值。可以看出：

图2中出现波动的位置均是与事务数值所分布的位置相对应的，对于没有事务数值分布的位置，其基本没有波动。其中，根据本申请上述实施例介绍的方法，可以求解得到上述数值集合中的事务数值的最大广义公约数为：4.9502。

步骤s103：根据所述广义最大公约数及所述数值集合中的多个事务数值，确定与所述广义最大公约数对应的可信度值；所述可信度值表征所述广义最大公约数的可信程度。

一般地，通过本申请实施例介绍的上述方法，可以求解得到任何一个数值集合的广义最大公约数，但是，不同的数值集合，其中每个事务数值，与所求解得到的广义最大公约数成倍数关系的程度也不同。例如：

假设存在集合x＝{4.9，4.8，9.85，9.8，10，20，19.9，19.8，49.5，99，99，99.5}；集合y＝{3，5.5，9.3，9.8，10.5，22，19，18，48，93，96，102}，

假设通过上述方法，求解得到上述集合x、y的广义最大公约数均为4.9(大约5)，显然，上述集合x以4.9为广义最大公约数的趋势强于上述集合y以4.9为广义最大公约数的趋势。也就是说，对于任意一个包含多个事务数值的集合，可能都可以求解出一个广义最大公约数，但是需要通过相应的数值(上述可信度值)来表征所述广义最大公约数的可信程度(换言之，用以表征集合中的多个事务数值与该最大公约数的成倍数的强弱程度)。

本申请一实施例中，确定可信度值的过程可以包括：

确定与每个事务数值对应的所述目标函数的因变量的取值；

确定与每个事务数值对应的、在一定数值区间内的所述目标函数的因变量的极值；

确定与每个事务数值对应的所述目标函数的因变量的取值、和所述目标函数的因变量的极值之间的比值；

确定所述比值的均值；

将所述均值确定为与所述广义最大公约数对应的可信度值。

若通过公式来表达则为：

上述公式(5)的分子的含义是：与每个事务数值xi对应的、上述目标函数obj中的倍数项的因变量的取值；上述公式(5)的分母的含义为在一定数值区间(如：)内所述目标函数的因变量的极值。举例而言，x＝{4.9，4.8，9.85，9.8，10，20，19.9，19.8，49.5，99，99，99.5}，参图2所示，对于事务数值9.85，假设与之对应的如：μ＝4.9502，则在该事务数值9.85的左右μ/2：2.4751的范围内，可以找到则：

则，按照此方法，可以逐一求得上述比值，并求得均值。在本申请实施例中，该可信度值可以是介于0～1之间的数值。

当然，在本申请其他实施例中，确定上述可信度值的过程并不限于上述方法。举例而言：x＝{4.9，4.8，9.85，9.8，10，20，19.9，19.8，49.5，99，99，99.5}，μ＝4.9502；可以通过计算每个事务数值与求解得到的广义最大公约数的n倍的差值，对于4.9，差值＝4.9502-4.9＝0.0502，对于4.8，差值＝4.9502-4.8＝0.1502，对于9.85，差值＝4.9502*2-9.85＝0.0504，以此类推，可以求得与每个事务数值对应的上述差值，并求解得到最终得到的差值的均值。

在某种程度上，若上述差值越小(该差值越接近于0)，则表明所述广义最大公约数的可信程度越高，换言之，若上述差值越小，所述集合中的多个事务数值与该最大公约数的成倍数的强弱程度越高。

步骤s104：根据所述可信度值与预设阈值的比较结果，判定所述预设账户是否为违规账户。

本申请实施例中，可以通过将上述可信度值与预设阈值进行比较，并根据比较结果判断上述预设账户是否为违规账户(如参与赌博行为)。具体地，若上述可信度值越大，表明所述广义最大公约数的可信程度越高，则可以通过判断所述可信度值是否大于预设阈值(如：0.8)，来判断所述预设账户是否为违规账户(如：可信度值＝0.9＞0.8，判定该预设账户为违规账户，否则不是违规账户)。在本申请另一实施例中，若上述可信度值越小，表明所述广义最大公约数的可信程度越高，则可以通过判断所述可信度值是否小于预设阈值(如：0.2)，来判断所述预设账户是否为违规账户(如：可信度值＝0.1＜0.2，判定该预设账户为违规账户，否则不是违规账户)。

基于上述方法，由以上本申请各实施例提供的技术方案可见，本申请利用违规账户(如：参与赌博的账户)在进行资金转移事务是产生的事务数值具有较强的倍数关系的规则，来对违规账户进行设别。具体地，通过获取与预设账户对应的多个事务数值，并确定所述多个事务数值的广义最大公约数，并确定用以表征该广义最大公约数的可靠程度的可信度值，最终，根据所述可信度值与预设阈值的比较结果，判断该预设账户是否为违规账户。通过上述过程，以预设账户在进行资金转移事务时产生的多个事务数值为依据，实现对网络中的违规账户的准确识别，使得违规账户的识别效率得以提升。

值得一提的是，本申请实施例公开了一种通过窗函数构造目标函数的方法，来求解数值集合中的事务数值的广义最大公约数。当然，本申请实施例还存在其他的替代方案。举例而言，通过对数值集合中的事务数值(原始)进行模糊化，并基于模糊化后的事务数值，按照已知的求解最大公约数的方法，并将求解得到的结果作为上述数值集合中的事务数值的广义最大公约数。其中，上述模糊化的过程可以例如是对事务数值进行四舍五入。此外，可以不断增加模糊化的程度，直至找到合适的最大公约数。继续以上述例子来说明：

x＝{4.9，4.8，9.85，9.8，10，20，19.9，19.8，49.5，99，99，99.5}(原始)

按照四舍五入法进行模糊化，得到：

x＝{5，5，10，10，10，20，20，20，50，100，100，100}(模糊化后)

这样，基于上述模糊化的事务数值，可以求解得到最大公约数为5。

从而，在模糊化的事务数值可以求解得到整数的最大公约数时，可以判定该预设账户为违规账户(如：参与赌博行为)。需要说明的是，本文中，上述通过模糊化之后求解得到的最大公约数也属于“广义最大公约数”的范畴。

又例如：

x＝{4.9，4.8，9.85，10.8，10，20，19.9，19.8，49.5，99，99，99.5}(原始)

按照四舍五入法进行模糊化，得到：

x＝{5，5，10，11，10，20，20，20，50，100，100，100}(模糊化后)

则按照已知的求解最大公约数的方法，无法求解出上述模糊化后的事务数值的最大公约数，此时可以将其中某个事务数值进行舍弃(如：11)，再进行求解，得到最大公约数为5。

总之，本申请求解一组事务数值的广义最大公约数的方式并不局限上述已列举的方式，本文不再予以一一介绍。

需要说明的是，实施例1所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤s101和步骤s102的执行主体可以为设备1，步骤s103的执行主体可以为设备2；又比如，步骤s101的执行主体可以为设备1，步骤s102和步骤s103的执行主体可以为设备2；等等。

实施例2

为识别预设账户是否为违规账户，本申请实施例提供一种识别违规账户的装置，该装置的结构示意图如图3所示，其中，该装置中的单元所实现的功能与上述方法中的步骤所实现的功能类似，故该装置可以参照上述方法实施例的内容，本文不再予以赘述。该识别违规账户的装置，可以包括数值获取单元201、广义最大公约数确定单元202、可信度值确定单元203、判定单元204。其中：

数值获取单元201用于获取与预设账户对应的多个事务数值；所述事务数值是所述预设账户与其他账户进行资金转移事务时产生的。

广义最大公约数确定单元202用于确定所述数值集合中的事务数值的广义最大公约数；

可信度值确定单元203用于根据所述广义最大公约数及所述数值集合中的事务数值，确定与所述广义最大公约数对应的可信度值；所述可信度值表征所述广义最大公约数的可信程度；

判定单元204用于根据所述可信度值，判定所述预设账户是否为违规账户。

基于上述装置，由以上本申请各实施例提供的技术方案可见，本申请利用违规账户(如：参与赌博的账户)在进行资金转移事务是产生的事务数值具有较强的倍数关系的规则，来对违规账户进行设别。具体地，通过获取与预设账户对应的多个事务数值，并确定所述多个事务数值的广义最大公约数，并确定用以表征该广义最大公约数的可靠程度的可信度值，最终，根据所述可信度值与预设阈值的比较结果，判断该预设账户是否为违规账户。通过上述过程，以预设账户在进行资金转移事务时产生的多个事务数值为依据，实现对网络中的违规账户的准确识别，使得违规账户的识别效率得以提升。

在本申请一实施例中，所述广义最大公约数确定单元202可以用于：

根据预设的目标函数和所述多个事务数值，确定在所述目标函数的因变量的取值为极值时，基数μ的取值；所述目标函数的自变量包括基数μ，所述目标函数的因变量的值反映所述事务数值以基数μ为广义最大公约数的符合程度；

将在所述目标函数的因变量的取值为极值时，基数μ的取值确定为广义最大公约数。

在本申请实施例中，所述装置还可以包括：

倍数项构建单元，用于利用窗函数构建所述目标函数的倍数项；所述倍数项反映所述事务数值以基数μ为广义最大公约数的符合程度；所述倍数项的自变量包括基数μ、第j个与窗函数对应的窗口的权重ωj，1≤j≤k，k为窗口的数量。

在本申请实施例中，所述装置还可以包括下述单元中的一个或多个：

惩罚项构建单元，用于构建所述目标函数的针对与窗函数对应的窗口的权重ωj的惩罚项；

奖励项构建单元，用于构建所述目标函数的针对基数μ的奖励项。

在本申请实施例中，所述广义最大公约数确定单元202可以包括：

梯度确定单元，用于基于所述目标函数，确定与所述基数μ对应的梯度函数及与所述权重ωj对应的梯度函数；

初始值确定单元，用于确定多个与所述基数μ对应的初始值μ1～μm，并确定与所述权重ωj对应的初始值；

最优化单元，用于基于与所述基数μ对应的梯度函数及与所述权重ωj对应的梯度函数，利用最优化算法，计算得到与每个基数μ的初始值μ1～μm对应的基数优化值μs1～μsm；

基数值确定单元，用于从上述基数优化值μs1～μsm中确定一个值，作为在所述目标函数的因变量的值为极值时的基数μ的值。

在本申请实施例中，所述最优化算法包括梯度下降法、或l-bfgs法。

在本申请实施例中，所述可信度值确定单元203具体用于：

确定与每个事务数值对应的所述目标函数的因变量的取值；

确定与每个事务数值对应的、在一定数值区间内的所述目标函数的因变量的极值；

确定与每个事务数值对应的所述目标函数的因变量的取值、和所述目标函数的因变量的极值之间的比值；

确定所述比值的均值；

将所述均值确定为与所述广义最大公约数对应的可信度值。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。