本申请涉及互联网技术领域，特别涉及一种识别异常资金的方法及系统。
背景技术：
随着互联网技术的快速发展，线上业务种类也越来越多样化，使得线上资金流也越来越复杂。这样，在资金流转过程中，线上业务系统中往往会发现一些异常资金数据，例如针对在线购买某件商品的业务场景，用户在提交订单并支付成功以后，线上业务系统通过自身的逻辑规则发现支付的金额与订单金额并不相同，这时，线上业务系统会将此次交易过程中的资金数据作为异常资金数据，并通过与差错平台建立的该业务场景关联的连接关系，将异常资金数据提交至差错平台进行处理。
然而，目前线上业务系统可以识别异常资金数据的业务场景比较有限，针对一些规则类的业务场景，例如，当订单金额超过指定金额时，可以使用一定金额的代金券，抵扣一部分支付金额，如果线上业务系统在自身逻辑规则中写入的该指定金额是错误的，当订单金额小于真实的指定金额，但大于错误的指定金额，用户在支付时仍可以使用代金券，这时，线上业务系统却无法识别异常。因此，亟需一种有效的识别异常资金的方法，以更加全面地识别异常资金。
技术实现要素：
本申请实施方式的目的是提供一种识别异常资金的方法及系统，能够更加全面地识别异常数据。
为实现上述目的，本申请实施方式提供一种识别异常资金的方法；所述方法包括：获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联；基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型；将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。
为实现上述目的，本申请实施方式还提供一种识别异常资金的系统，所述系统包括获取单元、预测单元和校正单元：其中，所述获取单元，用于获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联；所述预测单元，用于基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型；所述校正单元，用于将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。
为实现上述目的，本申请实施方式还提供一种服务器，所述服务器包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现以下步骤：获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联；基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型；将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。
由上可见，在本申请中，可以获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联，可以基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型，接着可以将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。这样，从线上业务系统中读取线上资金数据以后，便可以通过校正后的判断模型，直接准确预测该线上资金数据对应的资金流类型是否为异常资金流类型。如此，针对不同的业务场景下的异常资金数据，采用本申请方法都可以识别出来，从而可以更加全面地识别异常数据。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式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申请中记载的一些实施方式，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是本申请实施方式中识别异常资金的一种流程图；
图2是本申请实施方式中识别异常资金的一个应用场景的示意图；
图3是本申请实施方式中系统的结构示意图；
图4是本申请实施方式中服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，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方式，都应当属于本申请保护的范围。
本申请实施方式提供一种识别异常资金的方法，所述识别异常资金的方法可以应用于线上资金数据处理的服务器中。请参阅图1，所述方法可以包括以下步骤。
S11：获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联。
在本实施方式中，所述资金样本集可以是指多个资金样本的集合。所述资金样本可以指从线上业务系统中提取的线上资金数据，并且该线上资金数据已经被识别为异常资金数据或正常资金数据。其中，被识别为异常资金数据的资金数据可以作为异常资金样本，被识别为正常资金数据的资金数据可以作为正常资金样本。具体地，所述线上资金数据例如可以是用户在线上购买商品过程中发生的资金流数据。其中，所述资金流数据例如可以包括订单金额和支付金额，当订单金额与支付金额相等时，可以判定所述线上资金数据为正常资金数据，当订单金额与支付金额不相等时，可以判定所述线上资金数据为异常资金数据。
在本实施方式中，所述标准资金流类型可以是指所述资金样本对应的识别结果。在所述识别结果表征异常资金数据时，所述标准资金流类型为异常资金流类型。在所述识别结果表征正常资金数据时，所述标准资金流类型为正常资金流类型。这样，所述资金样本集中每一个资金样本均可以与对应的标准资金流类型相关联。
S13：基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型。
在本实施方式中，所述初始判断模型中可以包括多层训练网络，所述训练网络中可以具备初始传递参数。所述初始传递参数可以是根据资金样本进行设定的。由于所述资金样本与对应的资金流类型相关联，在将资金样本输入所述训练网络之后，资金样本可以与所述传递参数进行数学运算，最终可以输出用于表征资金流类型的数值。这样，便可以基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型。
在本实施方式中，基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型，具体可以包括，可以从所述目标资金样本中提取目标特征数据，基于所述初始判断模型，预测所述目标特征数据对应的目标资金流类型。其中，所述资金样本中可以包括多个具有特征类型的字段。例如，该字段可以是某商品的订单金额或某用户的支付金额，这样，该字段的特征类型可以是订单金额类型或支付金额类型。所述目标特征数据可以是一个特征向量，其中，该特征向量中元素的值与具有特征类型的字段包括的信息所表征的值一一对应。例如，该字段可以是某商品的订单金额，订单金额为50元，这时，该特征向量中与该字段对应的元素的值为50。这样，可以将所述特征向量输入所述初始判断模型，从而输出所述目标特征数据对应的目标资金流类型。
S15：将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。
在本实施方式中，由于所述初始传递参数可能不太准确，因此会导致实际资金流类型与所述标准资金流类型不完全一致。这样，可以将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。
在本实施方式中，针对资金样本集中的资金样本，均可以对训练网络中的传递参数进行校正。这样，通过大量数据的训练，最终可以使得所述初始判断模型能够准确地对输入的资金样本预测得到对应的资金流类型。
在本申请一个实施方式中，在对所述初始判断模型进行校正之后，所述方法还可以包括以下步骤。
S21：从线上资金数据中提取待判断的特征数据。
在本实施方式中，所述资金样本中可以包括具有特征类型的字段。从所述资金样本中提取的特征数据包括特征向量。所述特征向量中的元素与所述资金样本中字段的特征类型相关联。这样，可以从所述线上资金数据中确定与所述特征向量中目标元素关联的特征类型相匹配的目标字段。再将所述目标字段中包括的信息所表征的数值作为所述目标元素的值，并将所述特征向量作为所述待判断的特征数据。
S23：根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测结果。
在本实施方式中，在从线上资金数据中提取待判断的特征数据之后，可以将所述待判断的特征数据输入所述校正后的判断模型，从而可以输出所述待判断的特征数据对应的资金流类型。这样，在所述预测结果表征所述目标特征数据的资金流类型为异常资金流类型的情况下，可以将所述线上资金数据作为异常资金数据。
在本实施方式中，可以将所述待判断的特征数据输入所述校正后的判断模型，输出的结果还可以是所述待判断的特征数据对应的预测概率组。其中，所述预测概率组中包括用于表征异常资金流的第一概率值，和用于表征正常资金流的第二概率值。这样，可以先根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测概率组，再对比所述第一概率值和所述第二概率值，得到对比结果，最后根据对比结果确定所述待判断的特征数据对应的预测结果。
在本实施方式中，根据对比结果确定所述待判断的特征数据对应的预测结果，具体可以包括，当所述第一概率值大于或等于所述第二概率值时，可以确定所述待判断的特征数据对应的资金流类型为异常资金流类型。当所述第一概率值小于所述第二概率值时，可以确定所述待判断的特征数据对应的资金流类型为正常资金流类型。例如，当所述第一概率值为0.8，所述第二概率值为0.2时，那么当前得到的该特征数据对应的资金流类型结果就可以是异常资金流类型。
在本申请一个实施方式中，在实际应用场景中，可能由于训练精度不高，导致经过校正后的判断模型得到的预测结果还是存在错误。为了进一步提高判断模型预测的准确度，在确定所述待判断的特征数据对应的预测结果之后，所述方法还可以包括以下步骤。
S31：读取所述线上资金数据对应的系统日志信息，所述系统日志信息用于表征所述线上资金数据的真实资金流类型。
在本实施方式中，所述线上资金数据中每一个资金流都可以记录在系统日志中，这样，可以从所述系统日志中读取所述线上资金数据对应的系统日志信息。根据所述系统日志信息记录的每一个资金流，便可以判断所述线上资金数据的真实资金流类型。如此，所述系统日志信息可以用于表征所述线上资金数据的真实资金流类型。
S33：将所述预测结果表征的资金流类型与所述真实资金流类型进行对比，并根据对比结果，对所述校正后的判断模型再次校正，以使得通过再次校正后的判断模型预测的所述线上资金数据的资金流类型与所述真实资金流类型一致。
在本申请一个实施方式中，在实际应用场景中，线上业务系统中的线上资金数据的数量比较多，如果读取的每一个线上资金数据都输入所述判断模型并进行计算，然后输出对应的结果，可能会增加硬件的运行负荷。为了减少硬件的运行负荷，可以在将线上资金数据输入所述判断模型之前，可以先进行预筛选。具体地，在对所述初始判断模型进行校正之后，所述方法还包括以下步骤。
S41：读取线上资金数据对应的资金流配置信息，所述资金流配置信息表征所述线上资金数据的标准资金流。
S43：识别所述线上资金数据当前的资金流。
S45：在所述当前的资金流与所述标准资金流不一致的情况下，从线上资金数据中提取待判断的特征数据。
S47：根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测结果。
在实际应用场景中，例如，从线上业务系统中读取线上资金数据，并从资金流管理平台读取所述线上资金数据对应的资金流配置信息，其中，所述资金流配置信息表征所述线上资金数据的标准资金流是从账户A流出的资金先依次经过账户B、账户C，再流入账户D，但识别所述线上资金数据当前的资金流时，发现所述线上资金数据当前的资金流是从账户A流出，没有经过账户B和C，直接流入账户D，这时，所述当前的资金流与所述标准资金流是不一致的，即资金流不完整，需要从线上资金数据中提取待判断的特征数据，并根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测结果。
在本申请一个实施方式中，为了及时将判定的异常资金数据发送至差错平台，进行后续差错处理。在确定所述待判断的特征数据对应的预测结果之后，在所述预测结果表征所述目标特征数据的资金流类型为异常资金流类型的情况下，可以将所述线上资金数据作为异常资金数据，根据指向差错平台的关联标识，直接将所述异常资金数据发送至差错平台，进行后续处理。如此，针对新增的业务场景中的异常资金数据，无需对线上业务系统进行改造，并建立与差错平台建立与该业务场景关联的连接关系，便可以直接发送给差错平台。
在一个具体实例中，所述识别异常资金的方法可以应用与如图2所示的系统中。参阅图2，业务系统中存储有多个在线资金数据，资金流管理平台中存储有所述在线资金数据对应的资金流配置信息。特征处理系统可以用于获取的资金样本集，并基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型，以及将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。如此，可以通过特征处理系统，得到训练后的判断模型。这样，如图2所示，首先可以通过异常资金巡检系统，分别从业务系统和资金流管理平台中读取在线资金数据和所述在线资金数据对应的资金流配置信息，并识别所述线上资金数据当前的资金流，在所述当前的资金流与所述标准资金流不一致的情况下，将所述线上资金数据发送给特征处理系统。可以通过特征处理系统，从所述线上资金数据中提取待判断的特征数据，并根据训练后的判断模型，确定所述待判断的特征数据对应的预测结果。在所述预测结果表征所述待判断的特征数据对应的资金流类型为异常资金流类型的情况下，通过特征处理系统判断所述线上资金数据为异常资金将数据，并将该异常资金数据发送至异常资金巡检系统。再接着，异常资金巡检系统通过与所述差错平台建立的连接关系，将该异常资金数据发送至差错平台。最后，通过差错平台读取所述线上资金数据对应的系统日志信息，读取所述线上资金数据对应的系统日志信息，并将所述预测结果表征的资金流类型与所述真实资金流类型进行对比，当对比结果表征该异常资金数据对应的资金流类型与对应的真实资金流类型相同时，表明特征处理系统识别处的异常资金数据并不是真正的异常资金数据，这时，再通过差错平台将所述线上资金数据和对应的对比结果发送至特征处理系统。特征处理系统继续根据对比结果对所述校正后的判断模型再次校正，以使得通过再次校正后的判断模型预测的所述线上资金数据的资金流类型与所述真实资金流类型一致，从而可以进一步提高判断模型预测的准确度。
在本实施方式中，上述方法步骤中实现的功能，可以由计算机程序实现，所述计算机程序可以被存储于计算机存储介质中。具体的，所述计算机存储介质可以与处理器进行耦合，处理器从而可以读取计算机存储介质中的计算机程序。所述计算机程序被处理器执行时，可以实现以下步骤：
S11：获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联；
S13：基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型；
S15：将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。
在一个实施方式中，所述计算机程序被所述处理器执行时，还实现以下步骤：
从所述目标资金样本中提取目标特征数据，基于所述初始判断模型，预测所述目标特征数据对应的目标资金流类型。
在一个实施方式中，所述计算机程序被所述处理器执行时，还实现以下步骤：
从线上资金数据中提取待判断的特征数据；
根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测结果。
在一个实施方式中，所述资金样本中包括具有特征类型的字段；从所述资金样本中提取的特征数据包括特征向量；所述特征向量中的元素与所述资金样本中字段的特征类型相关联；所述计算机程序被所述处理器执行时，还实现以下步骤：
从所述线上资金数据中确定与所述特征向量中目标元素关联的特征类型相匹配的目标字段；
将所述目标字段中包括的信息所表征的数值作为所述目标元素的值，并将所述特征向量作为所述待判断的特征数据。
在一个实施方式中，所述计算机程序被所述处理器执行时，还实现以下步骤：
根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测概率组，所述预测概率组中包括用于表征异常资金流的第一概率值，和用于表征正常资金流的第二概率值；
对比所述第一概率值和所述第二概率值，并根据对比结果确定所述待判断的特征数据对应的预测结果。
在一个实施方式中，所述计算机程序被所述处理器执行时，还实现以下步骤：
当所述第一概率值大于或等于所述第二概率值时，确定所述待判断的特征数据对应的资金流类型为异常资金流类型；
当所述第一概率值小于所述第二概率值时，确定所述待判断的特征数据对应的资金流类型为正常资金流类型。
在一个实施方式中，所述计算机程序被所述处理器执行时，还实现以下步骤：
读取所述线上资金数据对应的系统日志信息，所述系统日志信息用于表征所述线上资金数据的真实资金流类型；
将所述预测结果表征的资金流类型与所述真实资金流类型进行对比，并根据对比结果，对所述校正后的判断模型再次校正，以使得通过再次校正后的判断模型预测的所述线上资金数据的资金流类型与所述真实资金流类型一致。
在一个实施方式中，在对所述初始判断模型进行校正之后，所述计算机程序被所述处理器执行时，还实现以下步骤：
读取线上资金数据对应的资金流配置信息，所述资金流配置信息表征所述线上资金数据的标准资金流；
识别所述线上资金数据当前的资金流；
在所述当前的资金流与所述标准资金流不一致的情况下，从线上资金数据中提取待判断的特征数据；
根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测结果。
请参阅图3，本申请还提供一种识别异常资金的系统，所述系统包括获取单元、预测单元和校正单元：其中，
所述获取单元，用于获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联；
所述预测单元，用于基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型；
所述校正单元，用于将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。
在一个实施方式中，所述预测单元用于从所述目标资金样本中提取目标特征数据，基于所述初始判断模型，预测所述目标特征数据对应的目标资金流类型。
在一个实施方式中，所述系统还包括第一提取单元和第一确定单元；其中，
所述第一提取单元用于从线上资金数据中提取待判断的特征数据；
所述第一确定单元用于根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测结果。
在一个实施方式中，所述资金样本中包括具有特征类型的字段；从所述资金样本中提取的特征数据包括特征向量；所述特征向量中的元素与所述资金样本中字段的特征类型相关联；所述第一提取单元用于从所述线上资金数据中确定与所述特征向量中目标元素关联的特征类型相匹配的目标字段，将所述目标字段中包括的信息所表征的数值作为所述目标元素的值，并将所述特征向量作为所述待判断的特征数据。
在一个实施方式中，所述第一确定单元用于根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测概率组，所述预测概率组中包括用于表征异常资金流的第一概率值，和用于表征正常资金流的第二概率值，对比所述第一概率值和所述第二概率值，并根据对比结果确定所述待判断的特征数据对应的预测结果。
在一个实施方式中，所述第一确定单元用于当所述第一概率值大于或等于所述第二概率值时，确定所述待判断的特征数据对应的资金流类型为异常资金流类型；当所述第一概率值小于所述第二概率值时，确定所述待判断的特征数据对应的资金流类型为正常资金流类型。
在一个实施方式中，所述系统还包括：日志信息读取单元和再次校正单元；其中，
所述日志信息读取单元读取所述线上资金数据对应的系统日志信息，所述系统日志信息用于表征所述线上资金数据的真实资金流类型；
所述再次校正单元将所述预测结果表征的资金流类型与所述真实资金流类型进行对比，并根据对比结果，对所述校正后的判断模型再次校正，以使得通过再次校正后的判断模型预测的所述线上资金数据的资金流类型与所述真实资金流类型一致。
在一个实施方式中，所述系统还包括配置信息读取单元、资金流识别单元、第二提取模块和第二确定模块；其中，
所述配置信息读取单元用于读取线上资金数据对应的资金流配置信息，所述资金流配置信息表征所述线上资金数据的标准资金流；
所述资金流识别单元用于识别所述线上资金数据当前的资金流；
所述第二提取模块用于在所述当前的资金流与所述标准资金流不一致的情况下，从线上资金数据中提取待判断的特征数据；
所述第二确定模块用于根据所述校正后的判断模型，确定所述待判断的特征数据对应的预测结果。
请参阅图4，本申请还提供一种服务器，所述服务器包括存储器和处理器，所述存储器中存储计算机程序，所述计算机程序被所述处理器执行时，可以实现上述的识别异常资金的方法。
在本实施方式中，所述存储器可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式所述的存储器又可以包括：利用电能方式存储信息的装置，如RAM、ROM等；利用磁能方式存储信息的装置，如硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置，如CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。
在本实施方式中，所述处理器可以按任何适当的方式实现。例如，所述处理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(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
本说明书实施方式提供的服务器，其存储器和处理器实现的具体功能，可以与本说明书中的前述实施方式相对照解释，并能够达到前述实施方式的技术效果，这里便不再赘述。
由上可见，在本申请中，可以获取资金样本集，所述资金样本集中的资金样本与对应的标准资金流类型相关联，可以基于初始判断模型，预测所述资金样本集中目标资金样本的目标资金流类型，接着可以将所述目标资金流类型与所述目标资金样本关联的标准资金流类型进行对比，并根据对比结果，对所述初始判断模型进行校正，以使得通过校正后的判断模型再次预测的所述目标资金样本的资金流类型与对应的标准资金流类型一致。这样，从线上业务系统中读取线上资金数据以后，便可以通过校正后的判断模型，直接准确预测该线上资金数据对应的资金流类型是否为异常资金流类型。如此，针对不同的业务场景下的异常资金数据，采用本申请方法都可以识别出来，从而可以更加全面地识别异常数据。
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(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array，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(logic compiler)”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(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等，目前最普遍使用的是VHDL(Very-High-Speed Integrated Circuit Hardware Description Language)与Verilog2。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。
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服务器以外，完全可以通过将方法步骤进行逻辑编程来使得服务器以逻辑门、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。因此这种服务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。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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)执行本申请各个实施方式或者实施方式的某些部分所述的方法。
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，针对服务器的实施方式来说，均可以参照前述方法的实施方式的介绍对照解释。
本申请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本申请，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。
虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。