一种告警算法生成方法、监控系统及终端设备与流程

本发明属于计算机技术领域，尤其涉及一种告警算法生成方法、监控系统及终端设备。

背景技术：

开源监控系统是一种基于网页界面的提供分布式系统监视以及网络监视的企业级监控系统，能够监视各种网络数据，保证服务器系统的安全运营，同时能够提供灵活的通知机制以让系统管理员定位故障位置以便解决网络问题。

监控系统通过对系统的多个性能指标进行监测来实现对整个系统的监视，当某一性能指标的数值超出该指标的告警阈值时，系统会自动发出告警信息。目前在确定告警算法时，基本是由技术人员直接选定一种告警算法来设定告警阈值，告警算法较为单一，对于不同类型的性能指标进行阈值告警时，由于性能指标数据的特异性和波动性的不可控性会造成大量的误告，导致告警准确性不高。

综上所述，目前监控系统在设置告警阈值所采用的告警算法单一，导致告警准确性不高的问题。

技术实现要素：

有鉴于此，本发明实施例提供了一种告警算法生成方法、监控系统及终端设备，以解决监控系统在设置告警阈值所采用的告警算法单一，导致告警准确性不高的问题。

本发明的第一方面提供了一种告警算法生成方法，包括：

获取性能指标的历史值，并基于所述性能指标的历史值采用n个告警算法分别计算所述性能指标的预测值，其中，n为大于1的正整数；

获取所述性能指标的实际值，根据所述性能指标的各个预测值与实际值的差值确定所述性能指标的目标告警算法；

获取所述性能指标在各个时间段分别对应的目标告警算法，生成所述性能指标的告警组合算法。

本发明的第二方面提供了一种监控系统，包括：

计算模块，用于获取性能指标的历史值，并基于所述性能指标的历史值采用n个告警算法分别计算所述性能指标的预测值，其中，n为大于1的正整数；

确定模块，用于获取所述性能指标的实际值，根据所述性能指标的各个预测值与实际值的差值确定所述性能指标的目标告警算法；

组合模块，用于获取所述性能指标在各个时间段分别对应的目标告警算法，生成所述性能指标的告警组合算法。

本发明的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取性能指标的历史值，并基于所述性能指标的历史值采用n个告警算法分别计算所述性能指标的预测值，其中，n为大于1的正整数；

获取所述性能指标的实际值，根据所述性能指标的各个预测值与实际值的差值确定所述性能指标的目标告警算法；

获取所述性能指标在各个时间段分别对应的目标告警算法，生成所述性能指标的告警组合算法。

本发明的第四方面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存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取性能指标的历史值，并基于所述性能指标的历史值采用n个告警算法分别计算所述性能指标的预测值，其中，n为大于1的正整数；

获取所述性能指标的实际值，根据所述性能指标的各个预测值与实际值的差值确定所述性能指标的目标告警算法；

获取所述性能指标在各个时间段分别对应的目标告警算法，生成所述性能指标的告警组合算法。

本发明提供的一种告警算法生成方法、监控系统及终端设备，基于时间粒度获取各个时间段的目标告警算法，并将得到的目标告警算法进行组合自动训练出符合各个性能指标的数据趋势的告警组合算法，采用符合性能指标的数据趋势的告警组合算法来设置告警阈值，能够有效地解决了由于指标数据的特异性和波动性导致的误告率高的问题，有效地降低误告率，提高告警准确性。解决了目前监控系统在设置告警阈值所采用的告警算法单一，导致告警准确性不高的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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是本发明实施例一提供的一种告警算法生成方法的实现流程示意图；

图2是本发明实施例二提供的对应实施例一步骤s101的实现流程示意图；

图3是本发明实施例三提供的对应实施例一步骤s101的实现流程示意图；

图4是本发明实施例四提供的对应实施例一步骤s102的实现流程示意图；

图5是本发明实施例五提供的一种监控系统的结构示意图；

图6是本发明实施例六提供的对应实施例五中计算模块101的结构示意图；

图7是本发明实施例七提供的对应实施例五中计算模块101的结构示意图；

图8是本发明实施例八提供的对应实施例五中确定模块102的结构示意图；

图9是本发明实施例九提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

本发明实施例为了解决目前监控系统在设置告警阈值所采用的告警算法单一，导致告警准确性不高的问题，提供了一种告警算法生成方法、监控系统及终端设备，基于时间粒度获取各个时间段的目标告警算法，并将得到的目标告警算法进行组合自动训练出符合各个性能指标的数据趋势的告警组合算法，采用符合性能指标的数据趋势的告警组合算法来设置告警阈值，能够有效地解决了由于指标数据的特异性和波动性导致的误告率高的问题，有效地降低误告率，提高告警准确性。解决了目前监控系统在设置告警阈值所采用的告警算法单一，导致告警准确性不高的问题。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

如图1所示，本实施例提供了一种告警算法生成方法，其具体包括：

步骤s101：获取性能指标的历史值，并基于所述性能指标的历史值采用n个告警算法分别计算所述性能指标的预测值，其中，n为大于1的正整数。

在具体应用中，监控系统会实时检测各项性能指标，并将监测得到的各项性能指标的监测数据进行保存。在获取性能指标的历史值时，从保存上述各项性能指标的监测数据的数据库中调用各项性能指标的历史值。

在具体应用中，对于每一项性能指标的历史值，采用各个告警算法分别计算该性能指标的预测值，进而得到该性能指标的多个预测值。基于该监控系统的各项性能指标的历史值采用多个告警算法计算预测值，并将计算得到的各个预测值与告警算法进行关联。

在具体应用中，上述告警算法用于基于性能指标数据的历史值预测该性能指标在预设时间段后的预测值，上述告警算法包括但不限于avg平均值算法、二次指数平滑算法、基于距离聚类算法、基于密度聚类算法、四分位数算法、hpc算法、二次平移算法等。

示例性的，对于第一性能指标a采用第一告警算法计算出第一性能指标a的第一预测值a1；采用第二告警算法计算出第一性能指标a的第二预测值a2；通过第三告警算法计算出第一性能指标的第三预测值a3，以此类推，采用n个告警算法分别计算第一性能指标a的各个预测值an。

对于第二性能指标b采用第一告警算法计算出第二性能指标b的第一预测值b1；采用第二告警算法计算出第二性能指标b的第二预测值b2；通过第三告警算法计算出第二性能指标b的第三预测值b3，以此类推，采用n个告警算法分别计算第二性能指标b的各个预测值bn。

对于第三性能指标c采用第一告警算法计算出第三性能指标c的第一预测值c1；采用第二告警算法计算出第三性能指标的第二预测值c2；通过第三告警算法计算出第三性能指标的第三预测值c3，以此类推，采用n个告警算法分别计算第三性能指标c的各个预测值cn。

步骤s102：获取所述性能指标的实际值，根据所述性能指标的各个预测值与实际值的差值确定所述性能指标的目标告警算法。

在具体应用中，通过监控系统获取各个性能指标的实际值，对于各个性能指标通过将上述n个告警算法分别计算得到的n个预测值与该实际值进行差值计算，比较各个预测值与实际值的差值，将差值最小的告警算法作为该性能指标的目标告警算法。

在具体应用中，上述性能指标的实际值是指与各个预测值对应时刻的该监控系统监测到的该性能指标的数值。通过将实际值与预测值进行差值计算，差值越小则表明预测值越接近该实际值，也就是说该预测值对应的告警算法最符合该性能指标的数据特性。因此采用差值最小的预测值对应的告警算法作为该性能指标当前时间段的目标告警算法。

示例性的，将第一性能指标a的实际值am与第一性能指标的第一预测值a1、第二预测值a2、第三预测值a3分别进行差值计算，若|am-a1|>|am-a2|>|am-a3|，则将第三预测值a3对应的告警算法作为第一性能指标a的目标告警算法。

将第二性能指标b的实际值bm与第二性能指标的第一预测值b1、第二预测值b2、第三预测值b3分别进行差值计算，若|bm-b1|>|bm-b2|>|bm-b3|，则将第三预测值b3对应的告警算法作为第二性能指标b的目标告警算法。

将第三性能指标c的实际值cm与第三性能指标的第一预测值c1、第二预测值c2、第三预测值c3分别进行差值计算，若|cm-c1|>|cm-c2|>|cm-c3|，则将第三预测值c3对应的告警算法作为第三性能指标c的目标告警算法。

步骤s103：获取所述性能指标在各个时间段分别对应的目标告警算法，生成所述性能指标的告警组合算法。

在具体应用中，由于各个性能指标的数据存在波动性，如果仅采用步骤s102得到的单一的目标告警算法来设置告警阀值也依旧可能存在大量的误告，因此基于时间粒度来获取各个时间段的目标告警算法，然后将各个时间段的目标告警算法进行组合生成告警组合算法，通过更符合各个性能指标的数据趋势的告警组合算法来设置该性能指标的告警阈值，能够更好地适应各个性能指标数据的特异性和波动性，进而有效地降低误告率，提高告警准确性。

在具体应用中，上述时间粒度可以根据实际应用进行设置，示例性的，上述时间粒度的最短粒度时间为1小时，最长粒度时间为24小时。

在具体应用中，上述基于时间粒度来获取各个时间段的目标告警算法具体为，基于时间粒度设置时间段的时间间隔，通过各个告警算法分别预测每一项性能指标在该时间段后的预测值，再通过监控系统获取各个性能指标在时间段后的实际值，将该实际值与各个预测值进行差值计算，以获取该时间段的目标告警算法，对每个时间段都获取性能指标的目标告警算法，并基于时间轴将各个目标告警算法进行组合。需要说明的是，同一性能指标在不同时间段的目标告警算法可能相同，也可能不同。

示例性的，将上述时间粒度设置为2小时，则各个时间段的时间间隔为2小时，通过各个告警算法分别预测2小时后该性能指标的预测值，经过2小时后，通过监控系统获取该性能指标的实际值。将各个预测值与该实际值进行差值计算，得到这一时间段(2小时)的目标告警算法。对各个时间段(每2小时)获取对应的目标告警算法，基于时间轴将各个时间段的目标告警算法进行组合，以得到告警组合算法。

在具体应用中，基于时间轴将各个时间段的目标告警算法进行组合具体为基于各个时间段的起始时间和终止时间进行排序，根据该顺序将目标告警算法进行组合。示例性的，若第一时间段为13:00至15:00，第二时间段为11:00至13:00，第三时间段为15:00至17:00；第一时间段对应的目标告警算法为第一算法，第二时间段对应的目标告警算法为第二告警算法，第三时间段对应的目标告警算法为第三告警算法，则基于11:00至17:00的时间轴将各个时间段进行排序，顺序为第二时间段-第一时间段-第三时间段，告警组合算法为第二告警算法-第一告警算法-第三告警算法。

在一个实施例中，上述告警算法生成方法还包括以下步骤：

步骤s104：根据所述告警组合算法设置所述性能指标的告警阈值。

在具体应用中，通过告警组合算法设置告警阀值是基于时间粒度来进行设置的，具体为，采用各个时间段对应的目标告警算法计算当前时间端的告警阀值。示例性的，第一时间段对应的目标告警算法为avg平均值算法，第二时间段对应的目标告警算法为二次指数平滑算法，第三时间段对应的目标告警算法为四分位数算法；则通过avg平均值算法设置第一时间段该性能指标的告警阀值，通过二次指数平滑算法设置第二时间段该性能指标的告警阀值，通过四分位数算法设置第三时间段该性能指标的告警阀值。

步骤s105：基于所述告警阈值监测监控系统，获取所述性能指标在各个时间段的告警误告率。

步骤s106：根据所述告警误告率调整所述告警组合算法。

在具体应用中，通过告警组合算法计算得到的告警阈值发生的告警与真实告警的比例来计算当前告警组合算法的告警误告率性，若上述告警误告率小于误告阈值，则表明该告警组合算法满足要求且可持续使用，若告警误告率不小于误告阈值，则表明该告警组合算法不符合该性能指标的数据趋势，需要采用新的告警算法来设置告警阈值，因此重新筛选告警组合算法。

在具体应用中，通过获取监控系统告警误告的次数和发生误告的时间对上述告警组合算法进行调整。具体的，通过判断误告发生最集中的时间段，为该时间段重新匹配告警算法。

在具体应用中，调整告警组合算法可以通过在空闲时段(如02：00至06:00)采集繁忙时段(07:00至24:00)的告警量，利用空闲时段对已使用的告警组合算法的告警误告率进行分析，以此来判断是否需要调整告警组合算法，只有当误告率超过误告阈值时，再重新根据繁忙时段的数据值来确定新的告警组合算法。仅在空闲时段对告警组合算法进行分析和调整，能够有效地利用系统资源，提高数据处理的速度。

本实施例提供的告警算法生成方法，基于时间粒度获取各个时间段的目标告警算法，并将得到的目标告警算法进行组合自动训练出符合各个性能指标的数据趋势的告警组合算法，采用符合性能指标的数据趋势的告警组合算法来设置告警阈值，能够有效地解决了由于指标数据的特异性和波动性导致的误告率高的问题，有效地降低误告率，提高告警准确性。解决了目前监控系统在设置告警阈值所采用的告警算法单一，导致告警准确性不高的问题。

实施例二：

如图2所示，在本实施例中，实施例一中的步骤s101具体包括：

步骤s201：调用告警算法库，采用所述告警算法库中的告警算法计算所述性能指标的预测值；所述告警算法库中包括算法名称、算法公式以及算法标识。

在具体应用中，通过设置告警算法库，告警算法库中包括各个性能指标的告警算法。告警算法库中包含各个告警算法的名称、算法公式以及算法标识。算法标识是指唯一确定的算法编号，通过该算法标识能够获取到相应的算法名称及算法公式。

在具体应用中，通过调用告警算法库对各个性能指标的预测值进行计算，以获取多个预测值。

步骤s202：基于所述算法标识将单个性能指标的各个预测值与采用的告警算法进行关联。

在具体应用中，将计算得到的预测值与对应的告警算法进行关联，具体的，通过算法标识进行关联，由于算法标识是唯一确定的算法编号，因此，关联后的预测值与告警算法也是唯一对应的。示例性的，对于第一性能指标a采用第一告警算法p1进行计算得到的第一预测值a1是唯一对应的，采用第二告警算法p2进行计算得到的第一预测值a2也是唯一对应的，以此类推。

在具体应用中，基于算法标识建立映射关系将各个预测值与各个告警算法进行关联。

实施例三：

如图3所示，在本实施例中，实施例一中的步骤s101具体包括：

步骤s301：基于性能指标的类型从告警算法库中筛选出符合所述性能指标的类型的告警算法。

步骤s302：采用筛选得到的告警算法计算所述性能指标的预测值，并将计算得到的预测值通过所述算法标识与采用的告警算法进行关联。

在具体应用中，针对不同类型的性能指标对告警算法进行筛选，将完全不适用于性能指标的告警算法筛除掉，筛选出符合性能指标的类型的告警算法。采用筛选出来的告警算法来计算预测值。也可以根据该性能指标的类型智能匹配多个常用的告警算法，通过智能匹配出的多个常用的告警算法来计算预测值。需要说明的是，上述根据该性能指标的类型智能匹配多个常用的告警算法可以通过建立神经网络模型来实现，也可以通过建立匹配数据库来实现，在此不加以限制。

在具体应用中，将计算得到的预测值通过算法标识与计算该预测值所用的告警算法进行关联。

在具体应用中，对于不同类型的性能指标，可以单独使用单一的告警算法计算预测值，也可以通过多个告警算法计算预测值，将计算得到的预测值通过算法标识与计算该预测值所用的告警算法进行关联。

示例性的，对于访问量这一性能指标，通过智能匹配到avg平均值算法和二次指数平滑算法。因此，可以使用avg平均值算法和二次指数平滑算法分别对访问量进行预测，将时间粒度设置为1小时，在这一个小时内，单独使用avg平均值算法进行计算预测值、或单独使用二次指数平滑算法进行计算预测值，又或使用avg平均值算法和二次指数平滑算法交叉计算预测值(前半个小时使用avg平均值算法进行计算，后半个小时使用二次指数平滑算法进行计算，反之亦可)。将计算得到的预测值通过算法标识与采用的告警算法进行关联，则能够明确各个预测值对应的告警算法。

实施例四：

如图4所示，在本实施例中，实施例一中的步骤s102具体包括：

步骤s401：将通过告警算法计算得到的各个预测值与所述实际值进行差值计算，记录各个预测值与实际值的差值绝对值。

步骤s402：将所述差值绝对值最小的预测值对应的告警算法作为当前时间段的目标告警算法。

在具体应用中，通过将实际值与预测值进行差值计算，记录各个预测值与实际值的差值绝对值，差值绝对值越小则表明预测值越接近该实际值，也就是说，在当前时间段中，该预测值对应的告警算法最符合该性能指标的数据特性。因此采用差值最小的预测值对应的告警算法作为该性能指标当前时间段的目标告警算法。

示例性的，通过多个告警算法预测某一性能指标24小时之后的预测值，将计算得到的预测值与对应的算法进行关联，采集24小时后该性能指标的实际值，将通过多个告警算法计算得到的多个预测值与该实际值进行差值计算，记录各个预测值与实际值的差值绝对值，将差值绝对值最小的预测值所对应的告警算法作为目标告警算法，结果比对过程是将各个告警算法计算得到的预测值分别与采集到的实际值进行差值计算，以此来判断哪一个预测值与实际值的误差最小，选择差值绝对值最小的预测值所对应的告警算法作为目标告警算法。

在具体应用中，预测值通过算法标识与采用的告警算法存在关联关系。因此，可以通过预测值获取对应的告警算法。

示例性的，将第一性能指标a在第一时间段后的实际值am与第一性能指标的第一预测值a1、第二预测值a2、第三预测值a3分别进行差值计算，若|am-a1|>|am-a2|>|am-a3|，则将第三预测值a3对应的告警算法作为第一性能指标a在当前时间段的目标告警算法。

将第二性能指标b在第一时间段后的实际值bm与第二性能指标的第一预测值b1、第二预测值b2、第三预测值b3分别进行差值计算，若|bm-b1|>|bm-b2|>|bm-b3|，则将第三预测值b3对应的告警算法作为第二性能指标b在当前时间段的目标告警算法。

将第三性能指标c在第一时间段后的实际值cm与第三性能指标的第一预测值c1、第二预测值c2、第三预测值c3分别进行差值计算，若|cm-c1|>|cm-c2|>|cm-c3|，则将第三预测值c3对应的告警算法作为第三性能指标c在当前时间的目标告警算法。

实施例五：

如图5所示，本实施例提供一种监控系统100，用于执行实施例一中的方法步骤，其包括计算模块101、确定模块102以及组合模块103。

计算模块101用于获取性能指标的历史值，并基于所述性能指标的历史值采用n个告警算法分别计算所述性能指标的预测值，其中，n为大于1的正整数。

确定模块102用于获取所述性能指标的实际值，根据所述性能指标的各个预测值与实际值的差值确定所述性能指标的目标告警算法。

组合模块103用于获取所述性能指标在各个时间段分别对应的目标告警算法，生成所述性能指标的告警组合算法。

在一个实施例中，上述监控系统100还包括阈值配置模块、误告率获取模块以及调整模块。

阈值配置模块，用于根据所述告警组合算法设置所述性能指标的告警阈值；

误告率获取模块，用于基于所述告警阈值监测监控系统，获取所述性能指标在各个时间段的告警误告率；

调整模块，用于根据所述告警误告率调整所述告警组合算法。

需要说明的是，本发明实施例提供的监控系统，由于与本发明图1所示方法实施例基于同一构思，其带来的技术效果与本发明图1所示方法实施例相同，具体内容可参见本发明图1所示方法实施例中的叙述，此处不再赘述。

因此，本实施例提供的一种监控系统，同样能够基于时间粒度获取各个时间段的目标告警算法，并将得到的目标告警算法进行组合自动训练出符合各个性能指标的数据趋势的告警组合算法，采用符合性能指标的数据趋势的告警组合算法来设置告警阈值，能够有效地解决了由于指标数据的特异性和波动性导致的误告率高的问题，有效地降低误告率，提高告警准确性。解决了目前监控系统在设置告警阈值所采用的告警算法单一，导致告警准确性不高的问题。

实施例六：

如图6所示，在本实施例中，实施例五中的计算模块101包括用于执行图2所对应的实施例中的方法步骤的结构，其包括调用单元201和关联单元202。

调用单元201用于调用告警算法库，采用所述告警算法库的告警算法计算所述性能指标的预测值；所述告警算法库中包括算法名称、算法公式以及算法标识。

关联单元202用于基于所述算法标识将单个性能指标的各个预测值与采用的告警算法进行关联。

实施例七：

如图7所示，在本实施例中，实施例五中的计算模块101包括用于执行图3所对应的实施例中的方法步骤的结构，其包括筛选单元301和计算单元302。

筛选单元301用于基于性能指标的类型从告警算法库中筛选出符合所述性能指标的类型的告警算法。

计算单元302用于采用筛选得到的告警算法计算所述性能指标的预测值，并将计算得到的预测值通过算法标识与采用的告警算法进行关联。

实施例八：

如图8所示，在本实施例中，实施例五中的确定模块102包括用于执行图4所对应的实施例中的方法步骤的结构，其包括差值计算单元401和确定单元402。

差值计算单元401用于将通过告警算法计算得到的各个预测值与所述实际值进行差值计算，记录各个预测值与实际值的差值绝对值。

确定单元402用于将所述差值绝对值最小的预测值对应的告警算法作为当前时间段的目标告警算法。

实施例九：

图9是本发明实施例九提供的终端设备的示意图。如图9所示，该实施例的终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如程序。所述处理器90执行所述计算机程序92时实现上述各个告警算法生成方法实施例中的步骤，例如图1所示的步骤s101至s103。或者，所述处理器90执行所述计算机程序92时实现上述系统实施例中各模块/单元的功能，例如图5所示模块101至103的功能。

示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。例如，所述计算机程序92可以被分割成计算取模块、确定模块以及组合模块，各模块具体功能如下：

根据所述告警组合算法设置所述性能指标的告警阈值；

基于所述告警阈值监测监控系统，获取所述性能指标在各个时间段的告警误告率；

根据所述告警误告率调整所述告警组合算法。

所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端管理服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器90可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是所述终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述无线终端中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，系统或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述设置为分离部件说明的单元可以是或者也可以不是物理上分开的，设置为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并设置为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。