风控系统优化方法、系统、装置以及电子设备与流程

本说明书涉及计算机技术领域，尤其涉及风控系统优化方法、系统、装置以及电子设备。

背景技术：

现代风控系统已经发展成为包含多个机器学习模型和策略规则的复杂系统。在风控系统搭建过程以及投入使用后的运维过程中，往往需要对风控系统进行优化，以适应于实际的业务需求。

在现有技术中，对风控系统的优化往往是由研发人员基于人工经验，针对个别机器学习模型单独进行模型优化。

基于现有技术，需要更有效的风控系统优化方案。

技术实现要素：

本说明书实施例提供风控系统优化方法、系统、装置以及电子设备，用于解决以下技术问题：需要更有效的风控系统优化方案。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的风控系统优化方法，包括：

根据风控系统处理的被风控事件的数据，计算用于评价所述风控系统性能的业务指标；

根据所述业务指标，对所述风控系统进行性能监控；

根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，其中，被优化的各所述参数是根据其与所述性能监控数据间的预设对应关系确定的。

本说明书实施例提供的风控系统优化系统，包括：

性能评价模块，根据风控系统处理的被风控事件的数据，计算用于评价所述风控系统性能的业务指标；

性能监控模块，根据所述业务指标，对所述风控系统进行性能监控；

性能优化模块，根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，其中，被优化的各所述参数是根据其与所述性能监控数据间的预设对应关系确定的。

本说明书实施例提供的风控系统优化装置，包括：

计算模块，根据风控系统处理的被风控事件的数据，计算用于评价所述风控系统性能的业务指标；

监控模块，根据所述业务指标，对所述风控系统进行性能监控；

优化模块，根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，其中，被优化的各所述参数是根据其与所述性能监控数据间的预设对应关系确定的。

本说明书实施例提供的一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

根据风控系统处理的被风控事件的数据，计算用于评价所述风控系统性能的业务指标；

根据所述业务指标，对所述风控系统进行性能监控；

根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，其中，被优化的各所述参数是根据其与所述性能监控数据间的预设对应关系确定的。

本说明书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：可以将风控系统中包含的多个机器学习模型和策略规则视为整体，全局地对该整体进行参数优化，这种风控系统优化方案更为有效。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书的方案在一种实际应用场景下涉及的整体架构示意图；

图2为本说明书实施例提供的一种风控系统优化方法的流程示意图；

图3为本说明书实施例提供的一种贝叶斯优化算法的流程示意图；

图4为本说明书实施例提供的一种风控系统优化系统的结构示意图；

图5为本说明书实施例提供的在一种具体实施方案中，图4中系统的详细结构示意图。

具体实施方式

本说明书实施例提供风控系统优化方法、系统、装置以及电子设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1为本说明书的方案在一种实际应用场景下涉及的整体框架示意图。整体框架(a)主要包括：风控系统所在设备、针对该风控系统的优化系统所在设备。在实际应用中，风控系统与优化系统也可能处于同一设备，则在这种情况下可以采用整体框架(b)。

上述整体架构的工作流程可以包括：优化系统对风控系统进行性能监控，根据性能监控数据，全局地对风控系统包含的多个机器学习模型和/或策略规则进行参数优化。

基于上述整体架构，下面对本说明书的方案进行详细说明。

本说明书实施例提供了一种风控系统优化方法，如图2所示，图2为该风控系统优化方法的流程示意图，该流程可以包括以下步骤：

s202：根据风控系统处理的被风控事件的数据，计算用于评价所述风控系统性能的业务指标。

在本说明书实施例中，被风控事件比如可以是：网上交易、第三方支付、自媒体信息发布等事件。

被风控事件的数据可以是：对被风控事件的风控结果或者中间计算结果，比如，风控系统给被风控事件计算的得分，所述得分比如可以反映被风控事件为风险事件的可能性；被风控事件的数据也可以是：风控系统对被风控事件进行风控时所需的模型输入数据，比如，被风控事件本身的明细信息、被风控事件涉及的用户行为特征或者环境信息。

被风控事件的数据可以经过历史数据沉淀得到或实时监控得到。

以被风控事件的数据是所述得分，风控系统用于识别风险事件为例。假定得分的取值范围为0到1，判定阈值为0.5，当该得分大于0.5时，判定对应的被风控事件为风险事件，当被风控事件的数据不大于0.5时，判定该被风控事件不为风险事件。

风控系统性能可以反映风控系统的可信性或者可靠性。其可以通过步骤s202中所述的业务指标进行评价。

所述业务指标可以有一个或者多个。沿用上例进行说明，所述业务指标比如可以是：风险事件浓度(被正确识别为风险事件的被风控事件数量/被风控事件总数量)、风险事件占比(被正确识别为风险事件的被风控事件数量/被识别为风险事件的被风控事件数量)、风险事件识别精度，或者策略稽核打扰率等。

s204：根据所述业务指标，对所述风控系统进行性能监控。

可以采用离线或者在线方式进行性能监控。假定需要性能监控涉及的业务指标较多，则若在线监控可能会耗费较多的系统资源，从而可能影响风控系统的正常运行，因此，在这种情况下，优选地可以采用离线方式进行性能监控。

s206：根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，其中，被优化的各所述参数是根据其与所述性能监控数据间的预设对应关系确定的。

在本说明书实施例中，风控系统包含多个机器学习模型和/或策略规则。

例如，一个用于对网上交易事件进行风控的风控系统，可能包含行为判定模型、交易判定模型这两个机器学习模型，其中，行为判定模型用于判定发起该网上交易事件的用户的行为是否符合其以往习惯，进而判定该用户是否是本人；交易判定模型用于基于行为判定模型的判定结果，进一步判定该网上交易事件是否合法。

策略规则往往可以用于辅助机器学习模型。比如，可以通过策略规则规定：针对风控系统在处理特定的被风控事件时，具体使用那些机器学习模型；再比如，可以通过策略规则规定：对某些机器学习模型的输出结果进行分析，筛选出一个输出结果或者计算出一个综合结果，用以作为另一个机器学习模型的输入；等等。

从上面的例子可以看出，风控系统中包含的各机器学习模型以及各策略规则可能具有一定的关联性。考虑到这种关联性，在进行风控模型优化时，可以将至少有关联性的部分机器学习模型和/或策略规则视为一个整体，全局地对该整体进行参数优化，从而有利于取得更好的优化效果。

由于每个机器学习模型或者策略规则都可能包括多个可优化的参数，因此，在每一次进行参数优化时，可能同时优化多个来自不同机器学习模型或者策略规则的参数。

在本说明书实施例中，对于步骤s204，所述根据所述业务指标，对所述风控系统进行性能监控，具体可以包括：监控所述业务指标是否符合预设指标阈值；根据对所述业务指标监控获得的数据，确定对所述风控系统的性能监控数据。其中，预设指标阈值用于判断业务指标是否符合预期。

在实际应用中，可以直接将对业务指标监控获得的数据作为性能监控数据；也可以根据对一个或者多个业务指标监控获得的数据，进一步地计算得到性能监控数据，比如，分别用分值度量对每个业务指标监控获得的数据，然后，对度量得到的各分值进行加权后，映射到“性能合格”或者“性能不合格”这两种结果上，该结果即可作为性能监控数据。

在本说明书实施例中，对于步骤s206，所述根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，具体可以包括：当所述性能监控数据不符合预设性能阈值时，触发针对所述风控系统包含的多个机器学习模型和/或策略规则的参数优化过程执行；

所述参数优化过程可以包括：利用预定的优化算法，计算待优化的多个所述参数的优化后取值，将所述优化后取值在对应的所述机器学习模型和/或策略规则中使用。

例如，假定业务指标为风险事件识别精度，直接将对风险事件识别精度监控获得的数据作为性能监控数据，若风险事件识别精度的对应的预设指标阈值为80％，则预设性能阈值相应地也可以为80％。那么，当监控到风险事件识别精度不大于80％时，可以触发参数优化过程执行。

若性能监控数据是根据对一个或者多个业务指标监控获得的数据计算得到。则性能阈值也可以不依赖于预设指标阈值，或者，可以相应地根据所述一个或者多个业务指标对应的预设指标阈值对性能阈值进行预设。

进一步地，在实际应用中，也可以不依赖于性能监控数据的触发进行参数优化过程执行，比如，可以定时触发参数优化过程执行。需要说明的是，当采用定时优化的方式时，被优化的多个参数可以是不依赖于性能监控数据而确定的，确定方式有多种，可以预先指定或者随机选定等。

在本说明书实施例中，计算优化后取值可以是一个迭代的过程。比如，可以将业务指标作为优化算法的目标函数进行迭代运算，在每一轮迭代计算最优的目标函数及其对应的待优化的参数的取值，直到满足预定的终止条件时，结束迭代，获得待优化的各参数的优化后取值。

在本说明书实施例中，可以预先构建包含一种或者多种优化算法的优化算法库，进而可以基于该优化算法库中的优化算法执行参数优化过程。进一步地，可以通过一定的功能逻辑对优化算法库进行配置和维护，比如，为性能监控数据指定相匹配的优化算法、增加或减少优化算法、升级已有的优化算法，改进已有的优化算法得到新算法等。

风控系统中各机器学习模型或者策略规则可以直接或间接影响风控系统性能，若单独对某个机器学习模型的进行参数优化，未必能够提升风控系统系统，甚至还有降低性能。基于这样的考虑，本说明书实施例全局地对风控系统中包含的多个机器学习模型和/或策略规则进行参数迭代优化。

例如，假定风控系统包含有机器学习模型a、机器学习模型b和策略规则c，用于评价风控系统性能的业务指标为d。若监控到d不符合要求，则触发参数优化过程执行。

预定待优化的参数包括：a的其中3个参数a1、a2和a3，b的其中2个参数b1和b2，c的其中两个参数c1和c2。则可以将a1、a2、a3、b1、b2、c1、c2作为一个参数集合，通过执行上述参数优化过程，全局地对该参数集合中的所有参数进行优化。

在本说明书实施例中，预定的优化算法可以是贝叶斯优化算法、蒙特卡洛算法、或者基于这两种算法改进得到的算法等。当然，这几种算法是示例性的，在实际应用中，能够全局地对多个参数进行优化的其他优化算法也可能适用于本说明书的方案。

进一步地，以贝叶斯优化算法为例，所述利用预定的优化算法，计算待优化的多个所述参数的优化后取值，具体可以包括：

获取包含已采样和观测到的多个样本点的样本集合，其中，第i个所述样本点计作{xi,f(xi)}，xi表示由所述待优化的多个所述参数在第i个所述样本点的取值构成的变量(记作变量x)的取值，f(xi)表示对应于xi的目标函数的取值，所述目标函数用于估计所述风控系统的性能监控数据；基于xi可以实现同时对风控系统的多个参数进行优化；

根据所述样本集合，采用贝叶斯优化算法迭代优化所述目标函数；

计算迭代优化好的所述目标函数对应的所述待优化的多个所述参数的取值，作为所述待优化的多个所述参数的优化后取值。

其中，所述变量优选地可以为向量，所述待优化的多个所述参数分别对应于所述向量中的至少一维。

为了便于理解，下面具体举例简要说明利用贝叶斯优化算法全局地进行参数优化的过程。

以一维变量为例说明，假设f是目标函数，f(xi)是变量x取xi时观测到的目标函数的取值，p(f)是目标函数f的先验分布。

假设我们已经采样并观测到了t个样本点，那么样本集合记作d1:t＝{x1:t,f(x1:t)}，对应的目标函数f的后验分布可以写成：

p(f|d1:t)∝p(d1:t|f)p(f)；

每轮迭代运算中，可以根据目标函数f的后验分布构造一个评价函数，用于选出最优的x的取值及其对应的f的取值，作为新增的样本点。

为了更详细的说明算法流程，本说明书实施例还提供了贝叶斯优化算法流程示意图，如图3所示，具体流程包括：

其中，贝叶斯优化算法的伪代码可以描述如下：

针对以上算法的描述，具体执行流程如下：

步骤1：初始化t个样本点。即随机选择或者根据用户指定的上述变量的t个不同取值，计作x1:t；其中，xi表示上述变量在第i个样本点的取值，f(xi)表示对应于xi的目标函数的取值，该目标函数比如可以用于估计风控系统的性能监控数据和/或业务指标，由xi和f(xi)组成对应的初始样本集合d1：t＝{x1:t,f(x1:t)}。

步骤2：更新样本集合。样本集合包括所有已采样和观测到的样本点，当初始化完成时，样本集合即为初始样本集合；在每一轮迭代运算后，将新增的样本点{xt+1,f(xt+1)}添加到样本集合中，得到更新后的样本集合。

步骤3：判断是否满足停止条件。停止条件可以自定义；比如，停止条件可以是：进行迭代运算的次数达到了自定义的最大迭代次数；或者，停止条件可以是：当前目标函数在样本集合中最大的取值f_max不再增加。

步骤4：如果满足停止条件，则输出f_max及其对应的x的取值，流程结束。

步骤5：如果不满足停止条件，则用样本集合d1:t＝{x1:t,f(x1:t)}拟合高斯过程gp(m(x),k(x,x′))，其中，m(x)是均值向量，k(x,x′)是协方差函数。

步骤6：计算目标函数的后验分布，即对样本集合中每个样本点对应的x的取值，计算条件分布

步骤7：根据目标函数的后验分布，计算评价函数u(x|d)，计算使得评价函数取最大值(或最小值)时对应的x的取值，作为目标函数的下一个观测点xt+1(也即，新增的样本点的x的取值)；对应的表达式为：

xt+1＝argmaxxu(x|d)；

其中，评价函数比如可以是：ucb(x)＝μ(x)+κσ(x)。

步骤8：将新增的样本点{xt+1,f(xt+1)}返回至步骤2更新样本集合。

基于同样的思路，本说明书实施例还提供一种风控系统优化系统，如图4所示，具体可以包括：

性能评价模块401，根据风控系统处理的被风控事件的数据，计算用于评价所述风控系统性能的业务指标；

性能监控模块402，根据所述业务指标，对所述风控系统进行性能监控；

性能优化模块403，根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，其中，被优化的各所述参数是根据其与所述性能监控数据间的预设对应关系确定的。

在本说明书实施例中，所述性能监控模块包含性能监控子模块；所述性能监控子模块根据所述业务指标，对所述风控系统进行性能监控，具体可以包括：

所述性能监控子模块412监控所述业务指标是否符合预设指标阈值；

根据对所述业务指标监控获得的数据，确定对所述风控系统的性能监控数据。

在本说明书实施例中，所述风控系统用于识别风险事件；所述业务指标包括以下至少一种：风险事件浓度、风险事件占比、风险事件识别精度、策略稽核打扰率。

在本说明书实施例中，所述性能监控模块402还包含优化触发子模块422和优化执行子模块423；所述性能优化模块根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，具体可以包括：

所述优化触发子模块在当所述性能监控数据不符合预设性能阈值时，通过所述优化触发子模块触发针对所述风控系统包含的多个机器学习模型和/或策略规则的参数优化过程执行；

所述参数优化过程包括：通过所述性能优化模块，利用预定的优化算法，计算待优化的多个所述参数的优化后取值；通过所述优化执行子模块，将所述优化后取值在对应的所述机器学习模型和/或策略规则中使用。

进一步地，所述预定的优化算法包括：贝叶斯优化算法、或者蒙特卡洛算法。

进一步地，当所述预定的优化算法为贝叶斯优化算法时，所述利用预定的优化算法，计算待优化的多个所述参数的优化后取值，具体可以包括：

所述性能优化模块403获取包含已采样和观测到的多个样本点的样本集合，其中，第i个所述样本点计作{xi,f(xi)}，xi表示由所述待优化的多个所述参数在第i个所述样本点的取值构成的变量的取值，f(xi)表示对应于xi的目标函数的取值，所述目标函数用于估计所述风控系统的性能监控数据和/或业务指标；

根据所述样本集合，采用贝叶斯优化算法迭代优化所述目标函数；

计算迭代优化好的所述目标函数对应的所述待优化的多个所述参数的取值，作为所述待优化的多个所述参数的优化后取值。

进一步地，所述变量为向量，所述待优化的多个所述参数分别对应于所述向量中的至少一维。

在本说明书实施例中，所述对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化的方式，还包括：定时对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化。

本说明书实施例还提供一个风控系统优化的应用实例，图5为本说明书实施例提供的在一种具体实施方案中，图4中系统的详细结构，该示意图中主要包括：数据层、系统优化层和应用层。

数据层中，包括历史数据回溯模块和数据抽取转换装载(extract-transform-load，etl)单元/接口。历史数据回溯模块中沉淀有接收到的各历史数据(即，被风控事件的数据)，以便用于评价业务指标。获取所需历史数据后，利用数据etl单元对历史数据进行抽样、整合等操作，将经过处理后的历史数据通过数据etl接口按照字段发送给对应的业务指标计算子模块，计算业务指标。

系统优化层中，包括性能评价模块和性能优化模块。其中，性能评价模块中包括业务指标计算子模块和数据存储子模块；该数据存储子模块用于存储业务指标计算子模块计算得到的业务指标，以便于其他模块随时可以调用业务指标。性能优化模块中包括优化控制器和优化算法库；优化算法库中包含有各种优化算法，例如，贝叶斯优化算法、蒙特卡洛马尔科夫算法等；优化控制器用于配置、升级或改进优化算法。业务指标在输出给性能监控模块的同时，也输出给性能优化模块。性能优化模块的作用是对已触发优化的机器学习模型或策略规则进行参数优化。

应用层中，包含了线上正式运行的各类机器学习模型和/或策略规则，全部或有性能监控需求的机器学习模型和策略规则接入到该性能监控模块。其中，机器学习模型和/或策略规则与该性能监控模块连接的方式可以是离线连接，也可以是在线连接。性能监控模块主要有两方面的任务：一方面任务是，按需(如每天或每小时)对线上的机器学习模型或策略规则的性能进行监控并反馈给外部(比如人员监控设备)；另一方面任务是，执行对需要优化的机器学习模型或策略规则的优化，如优化机器学习模型的参数等。进一步地，此处的性能监控模块可以是广义的监控部件，除了包含用于监控线上机器学习模型和策略规则的性能监控子模块外，还包含了优化触发子模块以及优化执行子模块。优化触发子模块的触发条件可以根据监控的结果触发优化指令，也可根据定时功能定时触发优化操作。优化执行子模块则是根据优化后的参数，调整各机器学习模型或策略规则的参数。

基于同样的思路，本说明书实施例还提供了一种风控系统优化装置，包括：

计算模块，根据风控系统处理的被风控事件的数据，计算用于评价所述风控系统性能的业务指标；

监控模块，根据所述业务指标，对所述风控系统进行性能监控；

优化模块，根据所述性能监控数据，对所述风控系统包含的多个机器学习模型和/或策略规则进行参数优化，其中，被优化的各所述参数是根据其与所述性能监控数据间的预设对应关系确定的。

基于同样的思路，本说明书实施例还提供了一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

根据风控系统的被风控事件的数据，计算对应的业务指标；

获取风控系统的业务输出结果，根据所述业务指标，对所述业务输出结果进行评估；

根据完成评估的所述业务输出结果，利用预定义的优化算法，计算获得所述风控系统中的优化参数。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书实施例提供的装置、系统、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、系统、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、系统、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。

本说明书是参照根据本说明书实施例的方法、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。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书实施例而已，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。