一种硬件资产分类方法、系统、装置及可读存储介质与流程

本申请涉及资产分类技术领域，特别涉及一种硬件资产分类方法、系统、装置及计算机可读存储介质。

背景技术

当今互联网时代，人们享受到的各种基于网络、基于数据的便利服务都由最底层的硬件设备支撑，企业规模无论大小，都会拥有一定数量的硬件设备，这些硬件设备或用于实现企业对外提供的服务，或用于提升企业内容办公效率，作为企业价值的一部分，这些硬件设备也被称为企业的硬件资产。

在实际情况下，企业中所有硬件资产在购置时通常都是按批次成批购买标准版本或定制的版本，也这就意味着同一批次中的所有硬件资产间差异较小、相似度较高，而较小的差异和较高的相似度也就意味着若其中一台硬件资产存在一个问题(安全风险、功能缺失、运行bug等)时，与其相似的其它硬件资产可能也存在同样的问题，但由于使用各方面差异因素导致每台硬件资产反映出同样问题的时间点可能不同或相差较远，会导致频繁就相同问题单独对一台硬件资产进行解决的问题，不仅效率低下，且不知何时爆发的隐患其带来的损失也是未知的，因此对网络内各硬件资产进行资产组的划分是十分有必要的。

现有技术通常采用基于ip地址的硬件资产分类方式，即将处于ip地址处于同一网段的硬件资产划归为一个资产组，若发现资产组中的一台硬件资产存在一个问题时，对包含该硬件资产的整个资产组进行统一检查，以及时消除潜在风险。但由于基于ip地址的分类方式无法将跨网段的相似硬件资产划入同一资产组，考虑不够全面，导致实际分组结果比较片面。

因此，如何克服资产组划分机制存在的各项技术缺陷，提供一种基于多属性的、考虑更全面的、分组结果更准确的资产组划分机制是本领域技术人员亟待解决的问题。

技术实现要素：

本申请的目的是提供一种硬件资产分类方法，将从每个硬件资产上获取到的多个属性信息进行综合计算，得到一个能够对硬件资产特征描述更加全面、准确的综合特征参数，之后只需要再利用分类算法基于各综合特征参数进行分类即可，最终可得到一定数量的资产组，即每个资产组中包含的不同硬件资产会因为其在综合特征参数上存在的一致表现被划分在一个资产组。该方法使用了更多的属性信息来综合描述每个硬件资产的特征，考虑更加全面，特征描述更加准确，可使得分类结果更加准确。

本申请的另一目的在于提供了一种硬件资产分类系统、装置及计算机可读存储介质。

为实现上述目的，本申请提供一种硬件资产分类方法，该方法包括：

获取网络内每个硬件资产的动态属性和静态属性；

根据每个所述硬件资产的动态属性和静态属性计算得到每个所述硬件资产的综合特征参数；

对各所述综合特征参数进行分类，得到预设数量的资产组。

可选的，所述静态属性包括：ip地址、漏洞信息、主板固件版本、系统激活时间中的至少一种。

可选的，所述动态属性包括：第一预设时间间隔内告警信息的产生次数、第二预设时间间隔内产生的告警信息种类数、第三预设时间间隔内的网络连接数、第四预设时间间隔内的访问流量量级中的至少一种。

可选的，在根据每个所述硬件资产的动态属性和静态属性计算得到每个所述硬件资产的综合特征参数之前，还包括：

获取每种属性分别表征各所述硬件资产间相似程度的相似参数；其中，所述属性具体包括每种所述动态属性和每种所述静态属性；

根据各所述相似参数为对应属性设置不同的权值；

对应的，根据每个所述硬件资产的动态属性和静态属性计算得到每个所述硬件资产的综合特征参数，具体为：

根据每个所述硬件资产的动态属性、静态属性以及每种属性对应的权值利用加权计算法计算得到每个所述硬件资产的综合特征参数。

可选的，利用预设分类算法对各所述综合特征参数进行分类，得到预设数量的资产组，包括：

利用k-means聚类算法对各所述综合特征参数进行分类，得到k个资产组和k个聚类中心；其中，k为所述k-means聚类算法预设的分组数，k为大于等于1的自然数。

可选的，该硬件资产分类方法还包括：

当所述网络内增加新硬件资产、且所述新硬件资产的增加数量小于预设数量时，比较每个所述新硬件资产的综合特征参数分别与k个所述聚类中心间的差异程度，得到差异比较结果；

根据所述差异比较结果确定k个所述资产组中拥有最小差异程度的目标资产组；

将所述新硬件资产加入目标资产组。

可选的，在得到预设数量的资产组之后，还包括：

计算每个所述资产组的相似度值；

比较每个所述相似度值与预设高相似度值间的大小关系；

将相似度值不小于所述预设高相似度值的资产组判定为高相似度资产组，并仅保留所述高相似度资产组。

为实现上述目的，本申请还提供了一种硬件资产分类系统，该系统包括：

动态属性及静态属性获取单元，用于获取网络内每个硬件资产的动态属性和静态属性；

综合特征参数综合计算单元，用于根据每个所述硬件资产的动态属性和静态属性计算得到每个所述硬件资产的综合特征参数；

分类及各资产组获取单元，用于对各所述综合特征参数进行分类，得到预设数量的资产组。

可选的，该硬件资产分类系统还包括：

相似程度获取单元，用于获取每种属性分别表征各所述硬件资产间相似程度的相似参数；其中，所述属性具体包括每种所述动态属性和每种所述静态属性；

权值设置单元，用于根据各所述相似参数为对应属性设置不同的权值；

对应的，所述综合特征参数综合计算单元具体为：

根据每个所述硬件资产的动态属性、静态属性以及每种属性对应的权值利用加权计算法计算得到每个所述硬件资产的综合特征参数。

可选的，所述分类及各资产组获取单元包括：

k-means聚类算法分类子单元，用于利用k-means聚类算法对各所述综合特征参数进行分类，得到k个资产组和k个聚类中心；其中，k为所述k-means聚类算法预设的分组数，k为大于等于1的自然数。

可选的，该硬件资产分类系统还包括：

差异比较单元，用于当所述网络内增加新硬件资产、且所述新硬件资产的增加数量小于预设数量时，比较每个所述新硬件资产的综合特征参数分别与k个所述聚类中心间的差异程度，得到差异比较结果；

目标资产组确定单元，用于根据所述差异比较结果确定k个所述资产组中拥有最小差异程度的目标资产组；

资产组小规模更新单元，用于将所述新硬件资产加入目标资产组。

可选的，该硬件资产分类系统还包括：

相似度值计算单元，用于计算每个所述资产组的相似度值。

为实现上述目的，本申请还提供了一种硬件资产分类装置，该装置包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述内容所描述的硬件资产分类方法的步骤。

为实现上述目的，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述内容所描述的硬件资产分类方法的步骤。

显然，本申请所提供的一种硬件资产分类方法，将从每个硬件资产上获取到的多个属性信息进行综合计算，得到一个能够对硬件资产特征描述更加全面、准确的综合特征参数，之后只需要再利用分类算法基于各综合特征参数进行分类即可，最终可得到一定数量的资产组，即每个资产组中包含的不同硬件资产会因为其在综合特征参数上存在的一致表现被划分在一个资产组。该方法使用了更多的属性信息来综合描述每个硬件资产的特征，考虑更加全面，特征描述更加准确，可使得分类结果更加准确。本申请同时还提供了一种硬件资产分类系统、装置及计算机可读存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请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申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种硬件资产分类方法的流程图；

图2为本申请实施例提供的另一种硬件资产分类方法的流程图；

图3为本申请实施例提供的又一种硬件资产分类方法的流程图；

图4为本申请实施例提供的再一种硬件资产分类方法的流程图；

图5为本申请实施例提供的一种硬件资产分类系统的结构框图。

具体实施方式

本申请的核心是提供一种硬件资产分类方法，将从每个硬件资产上获取到的多个属性信息进行综合计算，得到一个能够对硬件资产特征描述更加全面、准确的综合特征参数，之后只需要再利用分类算法基于各综合特征参数进行分类即可，最终可得到一定数量的资产组，即每个资产组中包含的不同硬件资产会因为其在综合特征参数上存在的一致表现被划分在一个资产组。该方法使用了更多的属性信息来综合描述每个硬件资产的特征，考虑更加全面，特征描述更加准确，可使得分类结果更加准确。本申请的另一核心是提供一种硬件资产分类系统、装置及计算机可读存储介质，具有上述有益效果。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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它实施例，都属于本申请保护的范围。

实施例一

以下结合图1，图1为本申请实施例提供的一种硬件资产分类方法的流程图，其具体包括以下步骤：

s101：获取网络内每个硬件资产的动态属性和静态属性；

本步骤旨在获取网络内每个硬件资产的多个特征信息，具体为动态属性(随时间变化会发生改变的)和静态属性(不随时间变化而改变的)，其中，动态属性和静态属性又可以包括多种具体的特征参数，例如，静态属性可以包括：ip地址(企业内通常采用静态ip，此处不考虑动态ip的情况)、漏洞信息、主板固件版本、系统激活时间中的至少一种，所述动态属性可以包括：第一预设时间间隔内告警信息的产生次数、第二预设时间间隔内产生的告警信息种类数、第三预设时间间隔内的网络连接数、第四预设时间间隔内的访问流量量级中的至少一种。

需要说明的是，上面使用的第一、第二、第三、第四预设时间间隔可分别指不同时长的时间周期，也可以同一指相同时长的时间周期，可根据实际情况灵活选择。

当然，除上述列举出的几种具体的特征参数外，还可以包括其它各种可用于表征硬件资产特征的参数，且有一些特征参数是复合特征参数，以漏洞信息为例，漏洞信息可以同时安装的操作系统版本、应用类型、开放端口等等，本步骤的目的在于获取多个能够表征硬件资产特征的参数，用于后续综合这些参数来综合描述对应的硬件资产的特征，以消除现有技术中仅使用ip地址对硬件资产进行分类存在各项技术缺陷，置于具体包括多少种特征的具体参数不做具体限定，结合不同实际应用场景的需求，可获取最合适目标应用场景业务的特征种类和该特征种类下包括的多个具体参数。

s102：根据每个硬件资产的动态属性和静态属性计算得到每个硬件资产的综合特征参数；

在s101的基础上，本步骤旨在综合利用s101获取到的动态属性和静态属性来综合计算得到一个能够更加全面、描述硬件资产特征更加准确的综合特征参数。

由于得到该综合特征参数的基础为多个不同种类的特征信息，还需要考虑是否需要考虑各个种类特征信息间的关系，进一步的，由于不同种类特征信息在描述硬件资产特征时唯一代表性程度的不同，根据程度的不同为每种特征信息设置不同的加权权值，以通过加权计算法突出影响程度高的特征信息种类、减小影响程度低的特征信息种类对后续分类时造成的错误影响。后续将会基于此种方式结合具体应用场景给出一个具体的实施例，可结合后续实施例提供的应用场景综合理解。

s103：对各综合特征参数进行分类，得到预设数量的资产组。

在s102的基础上，本步骤旨在对计算得到的各综合特征参数进行分类处理，以得到分类后得到的预设数量的资产组。

分类过程可基于分类算法实现，由于此处得到的并非是一个个仅包括单一种类特征信息的特征参数，而是包含多种特征信息的综合特征参数，也就很难采用传统的分类方式来对其进行分类，即基于表面可辨识内容的分类方式已经不适于此场景，因此可采用近些年出现的人工智能算法(也称机器学习算法)，其中大体分为有监督学习和无监督学习两大类，有监督学习是指在分类时存在一个人为置入的指导思想，使机器按照这个指导思想去挖掘各隐藏在混乱数据背后的隐藏共同特征，无监督学习是指没有人为置入的指导思想，单纯依靠相应算法的架构来挖掘隐藏共同特征，这两大类机器学习算法均包括多种具体的实现算法，其中有监督学习算法由于有人工置入的指导思想，效果会相对较好，而无监督学习算法虽然效果略差，但胜在无需人工，具体使用哪类机器学习算法还需要根据实际应用场景的不同灵活选择。

以无监督学习算法为例，无监督学习算法中最常用是聚类算法，其采用的聚类分析是以相似性为基础，使得处于一个聚类中的数据间与处于不同聚类中的数据间相比，前者具有更多的相似性。具体包括dbscan(density-basedspatialclusteringofapplicationswithnoise，具有噪声的基于密度的聚类方法，是一种基于密度的空间聚类算法，该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合)、k-medoids、k-means(k个中心)等。

进一步的，虽然经过分类算法后得到了一定数量的资产组，其应当具有一定的相似性，但有些特殊的应用场景还存在对相似度存在更高的要求，因此还可以采用相似度计算法分别计算每个资产组的相似度值，以将计算得到的相似度值与标准要求的相似度值进行比较，以筛选得到符合要求的资产组，根据可能存在的特殊要求，还可以将不符合要求的资产组进行重新分类或直接抛弃等等，此处并不做具体限定，可根据实际情况灵活选择。

在得到分好的资产组后，就可以根据实际情景下存在的要求，将监测视角从单个硬件资产扩展至包括多个硬件资产的资产组，使得从每个硬件资产中单独发现的问题(安全风险、bug发现、功能缺失等)能够及时、统一的对包含该硬件资产的资产组中的其余硬件资产进行修复，使得效率大大增加。

基于上述技术方案，本申请实施例提供的一种硬件资产分类方法，将从每个硬件资产上获取到的多个属性信息进行综合计算，得到一个能够对硬件资产特征描述更加全面、准确的综合特征参数，之后只需要再利用分类算法基于各综合特征参数进行分类即可，最终可得到一定数量的资产组，即每个资产组中包含的不同硬件资产会因为其在综合特征参数上存在的一致表现被划分在一个资产组。该方法使用了更多的属性信息来综合描述每个硬件资产的特征，考虑更加全面，特征描述更加准确，可使得分类结果更加准确。

实施例二

以下结合图2，图2为本申请实施例提供的另一种硬件资产分类方法的流程图，区别于实施例一，本实施例还增加了计算每个资产组相似度值的方案，并基于每个资产组的相似度值对是否符合预设相似度要求进行筛选，以期进一步提升资产组内各硬件资产的相似度，具体步骤如下：

s201：获取网络内每个硬件资产的动态属性和静态属性；

s202：根据每个硬件资产的动态属性和静态属性计算得到每个硬件资产的综合特征参数；

s203：对各综合特征参数进行分类，得到预设数量的资产组；

s204：计算每个资产组的相似度值；

s205：比较每个相似度值与预设高相似度值间的大小关系；

s206：将相似度值不小于预设高相似度值的资产组判定为高相似度资产组，并仅保留高相似度资产组。

s204、s205以及s206提供了一种计算相似度值并通过与预设高相似度值进行比较筛选出高相似度资产组的方式，当然，本实施例提供的基于相似度值的筛选方式仅仅是众多实现方式中的一种，本领域技术人员可在此思想的指导下得到多种具体实现方案，在此不再一一赘述。

实施例三

以下结合图3，图3为本申请实施例提供的又一种硬件资产分类方法的流程图，区别于实施例一，本实施例为不同种类的特征信息按影响程度的不同设置了相应的加权权值，以期结合该加权权值按加权计算法得到一个特征描述更加准确的综合特征参数，并以k-means聚类算法进行分类，且基于k-means聚类算法提供了一种在小规模增加新硬件资产时如何将其添加至合适的资产组的方式，具体包括如下步骤：

s301：获取网络内每个硬件资产的动态属性和静态属性；

s302：获取每种属性分别表征各硬件资产间相似程度的相似参数；其中，属性具体包括每种动态属性和每种静态属性；

s303：根据各所述相似参数为对应属性设置不同的权值；

s304：根据每个硬件资产的动态属性、静态属性以及每种属性对应的权值利用加权计算法计算得到每个硬件资产的综合特征参数；

s305：利用k-means聚类算法对各综合特征参数进行分类，得到k个资产组和k个聚类中心；

s306：当网络内增加新硬件资产、且新硬件资产的增加数量小于预设数量时，比较每个新硬件资产的综合特征参数分别与k个聚类中心间的差异程度，得到差异比较结果；

s307：根据差异比较结果确定k个资产组中拥有最小差异程度的目标资产组；

s308：将新硬件资产加入目标资产组。

其中，该预设数量应是一个以网络内在增加新硬件资产前存留的硬件资产数为基础，在这些新硬件资产增加后不会明显导致原有分类结果不准确时的一个数量上限，以原有存留有100台硬件资产为例，若新增1台，可看出新增的一台基本不会对原有以100台为基础的分类结果造成影响，此时则可采用s305的方式将其添加至一个合适的资产组，若新增50台，一下新增数量超过一半，很有可能会改变原有分类结果，因此在此情况下有必要重新以150台的硬件资产的综合特征参数重新进行分类，得到新的资产组。

实施例四

本实施例将结合实际应用场景，提供一种在该实际应用场景下的具体实现方式，请结合图4所示的四个步骤，以下将按照顺序分别阐述：

1、资产动静态属性的高维映射

1.1、ip字段

资产ip的形式如a.b.c.d，每个字段取值为0～255。通常来说，ip字段越相近，说明这两个资产的存放地点和用途越相近。

将ip字段映射到高维空间的向量：v1＝(a,b,c,d)

1.2、漏洞信息

利漏洞扫描器或其他安全设备对资产进行扫描，发现资产的漏洞信息。因为漏洞信息可以反映资产现在的状态如系统版本、应用类型、开放端口等，所以可以对漏洞进行归类，设共有m类。漏洞类型重合度越高，说明资产相似度越高，越有可能被黑客同时攻破。

漏洞信息映射到高维空间的向量v2＝(m1,…,ml,…,mm)

其中，ml表示第l类漏洞的个数，0＜l≤m，l为整数，m＝100

1.3、告警时间

目前各种安全设备都会针对资产所受到的威胁进行告警，在t分钟的时间内(t＝60)，对第1分钟～第t分钟的每分钟的告警次数进行统计。产生告警的时间重合度越高，说明资产相似度越高，黑客正在集中攻击这些相似资产。

告警时间映射到高维空间的向量v3＝(c1,…,ci,…,ct)

其中，ci表示第i分钟产生告警的次数，0＜i≤t，i为整数。

1.4、告警类型

目前各种安全设备都会针对资产所受到的威胁进行告警，在t分钟的时间内(t＝60)，可以对告警进行归类，设共有n类。产生告警的类型重合度越高，说明资产相似度越高，黑客正在集中攻击这些相似资产。

告警类型映射到高维空间的向量v4＝(n1,…,nj,…,nn)

其中，nj表示t分钟内第j类告警产生的次数，0＜j≤n，j为整数，n＝10

2、高维特征的加权组合

不同属性在高维空间的重要性有不同，可以设置权重进行重要性调节，所以在聚类之前，需要对高维特征进行加权组合。

ip字段的向量v1，权重为λ1

漏洞信息的向量v2，权重为λ2

告警时间的向量v3，权重为λ3

告警类型的向量v4，权重为λ4

然后进行组合：v＝[λ1.*v1,λ2×v2,λ3×v3,λ4×v4]

其中.*表示向量的对应元素相乘，λ1为权重向量，该权重向量中每个元素的取值范围为[1,1000],，λ2、λ3和λ4为权重值，这三个权重值的取值范围为[1,1000]；λ1＝[8,4,2,1]，λ2＝256，λ3＝256，λ4＝256。

3、聚类及资产组相似度计算

3.1、资产聚类：得到每个资产高维空间的向量v后，采用k-means聚类算法进行聚类。设聚类个数k为，其中k为

其中，nasset为总的资产个数，β为参数。

k-means聚类算法是一种公开算法，输入样本空间v和k值，输出k个资产组和每个资产组的聚类中心，且将β设置为20。

3.2、资产相似度计算：在步骤3.1聚类之后得到k个资产组和k个聚类中心之后，采用均方根误差(rootmeansquareerror，rmse)衡量每个资产组的相似度。

其中，均方根误差计算的是观测值与真值偏差的平方与观测次数n比值的平方根，而在实际测量中，观测次数n总是有限的，真值只能用最可信赖(最佳)值来代替。与之相似的是常见的标准误差，标准误差对一组测量中的特大或特小误差反映非常敏感，所以，标准误差作为衡量一组数自身的离散程度的方法能够很好地反映出测量的精密度，而均方根误差是用来衡量观测值同真值之间的偏差，它们的研究对象和研究目的不同，但是计算过程类似。

设第k个资产组的聚类中心为vk,mean，所包含的资产向量集合即第k个资产组所包含的资产向量集合为资产向量个数即第k个资产组的资产个数为nk，则第k个资产组的rmse为：

rmse越小，资产组相似度越大。rmse越大，资产组相似度越小。

因为情况复杂，无法一一列举进行阐述，本领域技术人员应能意识到根据本申请提供的基本方法原理结合实际情况可以存在很多的例子，在不付出足够的创造性劳动下，应均在本申请的保护范围内。

下面请参见图5，图5为本申请实施例提供的一种硬件资产分类系统的结构框图，该硬件资产分类系统可以包括：

动态属性及静态属性获取单元100，用于获取网络内每个硬件资产的动态属性和静态属性；

综合特征参数综合计算单元200，用于根据每个硬件资产的动态属性和静态属性计算得到每个硬件资产的综合特征参数；

分类及各资产组获取单元300，用于对各综合特征参数进行分类，得到预设数量的资产组。

进一步的，该硬件资产分类系统还可以包括：

相似程度获取单元，用于获取每种属性分别表征各硬件资产间相似程度的相似参数；其中，属性具体包括每种动态属性和每种静态属性；

权值设置单元，用于根据各相似参数为对应属性设置不同的权值；

对应的，综合特征参数综合计算单元200具体为：

根据每个硬件资产的动态属性、静态属性以及每种属性对应的权值利用加权计算法计算得到每个硬件资产的综合特征参数。

其中，分类及各资产组获取单元300可以包括：

k-means聚类算法分类子单元，用于利用k-means聚类算法对各综合特征参数进行分类，得到k个资产组和k个聚类中心；其中，k为k-means聚类算法预设的分组数，k为大于等于1的自然数。

进一步的，该硬件资产分类系统还可以包括：

差异比较单元，用于当网络内增加新硬件资产、且新硬件资产的增加数量小于预设数量时，比较每个新硬件资产的综合特征参数分别与k个聚类中心间的差异程度，得到差异比较结果；

目标资产组确定单元，用于根据差异比较结果从k个资产组中确定拥有最小差异程度的目标资产组；

资产组小规模更新单元，用于将新硬件资产加入目标资产组。

进一步的，该硬件资产分类系统还可以包括：

相似度值计算单元，用于计算每个资产组的相似度值。

基于上述实施例，本申请还提供了一种硬件资产分类装置，该硬件资产分类装置可以包括存储器和处理器，其中，该存储器中存有计算机程序，该处理器调用该存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然，该硬件资产分类装置还可以包括各种必要的网络接口、电源以及其它零部件等。

本申请还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行终端或处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其它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、物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它要素，或者是还包括为这种过程、方法、物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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。