一种风险控制处理方法、设备、介质以及装置与流程

本说明书涉及计算机技术领域，尤其涉及一种风险控制处理方法、设备、介质及装置。

背景技术：

所谓互联网金融(itfin)是指传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。

具体地，互联网金融是将互联网技术和金融功能进行有机结合，依托大数据和云计算在开放的互联网平台上形成的功能化金融业态及其服务体系，包括但不限于基于网络平台的金融市场体系、金融服务体系、金融组织体系、金融产品体系以及互联网金融监管体系等。

互联网金融具备成本低、效率高、覆盖广、发展快、管理弱和风险大等特点。互联网金融存在风险大的特点，主要体现在信用风险大和安全风险高。因此，亟需一种风险控制处理方法，以提升互联网金融的风险控制的处理精度。

技术实现要素：

有鉴于此，本说明书实施例提供了一种风险控制处理方法、设备、介质以及装置，用于提升互联网金融的风险控制的处理精度。

本说明书实施例采用下述技术方案：

本说明书实施例提供一种风险控制处理方法，包括：

获取第一用户的用户数据，所述用户数据中包含所述第一用户产生的用户行为数据；

将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率；

根据所述违约概率，对所述第一用户进行风险控制。

本说明书实施例还提供一种风险控制处理设备，包括：

获取单元，获取第一用户的用户数据，所述用户数据中包含所述第一用户产生的用户行为数据；

提取单元，将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率；

处理单元，根据所述违约概率，对所述第一用户进行风险控制。

本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现上述的方法。

本说明书实施例还提供一种风险控制处理装置，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的方法。

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：

本说明书实施例提供的技术方案，通过获取第一用户包含第一用户产生的用户行为数据的用户数据；将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率；根据所述违约概率，对所述第一用户进行风险控制。这样通过卷积神经网络模型对用户数据进行处理，有效保证了用户数据的完整性，避免用户数据的损失，在对用户进行风险控制时，基于完整的用户数据，能够精准定位用户对应的风险控制层级，进而提升互联网服务平台的风险控制的处理精度。

附图说明

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

图1为本说明书实施例提供的一种风险控制处理方法的流程示意图；

图2(1)为本说明书实施例提供的对用户数据进行处理的流程示意图；

图2(2)为本说明书实施例提供的对用户数据进行处理的结构示意图；

图3为本说明书实施例提供的一种风险控制处理设备的结构示意图；

图4为本说明书实施例提供的一种风险控制处理设备的结构示意图。

具体实施方式

在实际应用中，商业银行估计违约概率(probabilityofdefault；pd)的方法包含但不限于三种：内部违约经验、映射外部数据和统计违约模型。目前，普遍采用统计违约模型，即基于内部历史数据建立pd模型，并基于模型产生的参数进行风险控制。然而，目前建立pd模型的主流方法是logistic回归模型。

logistic回归模型是机器学习中非常重要且基础的线性模型，具有模型复杂度低、解释性强和泛化性能好等特点，但是对变量的精细化处理要求比较高。通常对变量进行精细化处理的方式包括但不限于：空值填充、异常值处理等等，尤其对于一些非线性变量，还需要进行woe(weightofevidence，证据权重)处理，这些处理过程难免会引入一些人为因素，给建模过程带来噪声；同时在对历史数据进行处理时会出现信息损失，这样就降低了模型对风险控制处理的精确度，进而造成风险控制的处理精度下降。

为了解决本说明书中记载的问题，实现本说明书的目的，本说明书实施例提供了一种风险控制处理方法、设备、介质及装置，通过获取第一用户包含第一用户产生的用户行为数据的用户数据；将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率；根据所述违约概率，对所述第一用户进行风险控制。这样通过卷积神经网络模型对用户数据进行处理，有效保证了用户数据的完整性，避免用户数据的损失，在对用户进行风险控制时，基于完整的用户数据，能够精准定位用户对应的风险控制层级，进而提升互联网服务平台的风险控制的处理精度。

本说明书实施例中记载的“第一用户”中的“第一”不是特指某一个用户，而是泛指任何一个用户，“第一”没有限定第一个的意思。

下面结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书实施例提供的一种风险控制处理方法的流程示意图。所述方法可以如下所示。

步骤101：获取第一用户的用户数据。

其中，所述用户数据中包含所述第一用户产生的用户行为数据。

在本说明书实施例中，用户在登录互联网服务平台之后，基于互联网服务平台执行各种操作。针对这些操作将产生对应的数据，这些数据可以称之为行为数据。互联网服务平台可以存储用户产生的各种行为数据，例如：支付数据、交易数据、借款数据、还款数据等，这里统称为用户行为数据。

为了保证风险控制的精度，本说明书实施例所提供的方案在获取用户的用户行为数据之外，还可以获取用户的身份数据，这里的身份数据包括但不限于：年龄、职业、住址等。

需要说明的是，在本说明书实施例中对于用户数据不仅仅限定于身份数据和用户行为数据，还可以包含其他与用户有关的数据，这里不一一列举。

较优地，在获取第一用户的用户数据的情况下，所述风险控制处理方法还包括：

利用设定标准化规则，对各个所述用户数据进行预处理。

在本说明书实施例中，设定标准化规则包括但不限于最大-最小规则(min-max规则)。这里以最大-最小规则为例进行说明。对于获取到的用户数据，提取用户数据的原始特征，并按照最大-最小规则，对原始特征进行标准化处理，即完成用户数据的预处理操作。

具体地，针对获取的用户数据，建立用户特征矩阵，该用户特征矩阵中“行”表示同一个时间下各个维度的特征(或特征值)，“列”表示同一个维度下不同时间上的特征(或特征值)。本说明书实施例中的预处理操作可以理解为对用户特征矩阵中的特征进行预处理操作，即对用户特征矩阵中的特征进行标准化处理。

这样相比于传统的风险控制处理方式，本说明书实施例中对用户数据的处理更加简单，同时不会引入过多人工噪声，为提升风险控制的精确度奠定基础。

步骤103：将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率。

在本说明书实施例中，利用所述卷积神经网络模型中的卷积核对所述用户数据进行卷积处理，提取所述用户数据对应的特征图(featuremap)；根据所述featuremap，计算得到所述第一用户的违约概率。

具体地，将预处理后的所述用户数据(或者称之为用户特征矩阵，userbehaviormap)输入卷积神经网络模型，从所述卷积神经网络模型中选择不同尺寸的卷积核，分别对由所述用户数据构建的用户特征矩阵进行卷积处理，提取所述第一用户在不同时间窗口上的信息，得到不同时间窗口对应的featuremap。

在本说明书实施例中，在得到featuremap的情况下，一方面可以根据所述featuremap，计算得到所述第一用户的违约概率；另一方面可以将featuremap进行拼接，并通过全连接层输出。

具体地，每一个卷积核经过卷积操作后会产生一个一维向量，该一维向量可以视为提取到的用户在一个时间窗口的featuremap。

需要说明的是，在本说明书实施例中记载的不同时间窗口可以理解为不同时间段。在本说明书实施例中对于选择卷积核的尺寸不做具体限定，可以根据时间窗口的长短选择不同尺寸的卷积核，这里不再详细描述。

在提取得到不同时间窗口的featuremap的情况下，可以分别对提取得到的所述featuremap进行最大值子采样处理，所述最大值子采样处理用于保留所述第一用户的用户行为发生变化的变化信息；也可以分别对提取得到的所述featuremap进行平均值子采样处理，所述平均值子采样处理用于保留所述第一用户的用户行为的平均状态信息；还可以先对提取得到的所述featuremap进行最大值子采样处理，之后再进行平均值子采样处理，反之也可以。

在处理之后，对得到的的不同时间窗口对应的featuremap进行拼接，并通过全连接层输出。

例如：针对用户a和用户b，在一个时间周期(6个月)内转账次数均为240次，其中，用户a在每个月的转账次数均为40次；用户b在该时间周期内(以月为单位)的转账次数分别为5次、10次、5次、15次、100次、105次。那么按照现有技术中数据处理得到的结果为：用户a：240次；用户b：240次；而按照本说明书实施例中记载的方案，得到的featuremap分别为：用户a的featuremap可以表示为(40；40；40；40；40；40)；用户b的featuremap可以表示为(5；10；5；15；100；105)。

显然用户a和用户b按照本说明书实施例提供的技术方案得到的featuremap不同。

图2(1)为本说明书实施例提供的对用户数据进行处理的流程示意图。

从图2(1)中可以看出，将用户特征矩阵输入卷积神经网络模型，利用卷积神经网络模型中的卷积核，分别对用户特征矩阵中包含的子特征矩阵进行卷积操作，得到featuremap；对featuremap进行子采样(例如：max-pooling、avg-pooling)，最后将子采样结果进行拼接，通过全连接层和输出层输出。卷积和子采样大大简化了模型复杂度，减少了模型的参数。

图2(2)为本说明书实施例提供的对用户数据进行处理的结构示意图。

从图2(2)中可以看出，这里以从用户特征矩阵中选择三个子特征矩阵为例进行说明。第一个子特征矩阵为最上面相邻两行所组成的子特征矩阵；第二个子矩阵为中间相邻三行所组成的子特征矩阵；第三个子矩阵为最后六行所组成的子特征矩阵。

选择一个卷积核对第一个子特征矩阵进行卷积操作，本次卷积操作可以提取用户行为特征在相邻时间单位之间的变化特征，得到一个一维向量(如图2(2)中所示的a)；

选择一个卷积核对第二个子特征矩阵进行卷积操作，本次卷积操作可以提取用户行为特征在一个时间段内(假设3个月)的变化特征，得到一个一维向量(如图2(2)中所示的b)；

选择另一个卷积核对第三个子特征矩阵进行卷积操作，本次卷积操作可以提取用户行为特征在一个时间段内(假设6个月)的变化特征，得到一个一维向量(如图2(2)中所示的c)。

在分别对得到的一维向量进行子采样处理，最后将子采样结果进行拼接，通过全连接层和输出层输出。

需要说明的是，在全连接层中为了防止过拟合，还可以引入dropout结构，即在网络训练过程中，随机关闭x比例的神经元节点，使得输出结果更精准。

对于输出结果，可以作为其他数据分析的依据，能够使得分析结果更精准。例如：通过聚类算法对不同的输出结果进行聚类，得到不同的用户群；

所述用户群中包含的不同用户的输出结果之间满足设定的相似条件。

较优地，在确定用户群时，还可以通过计算不同输出结果之间的相似度判断哪些用户属于同一个用户群。

需要说明的是，设定的相似条件可以是指相似度满足设定值，也可以是通过聚类结果确定的，具体条件本说明书实施例中不做具体限定。

根据聚类结果可以确定某一类用户的数量，进而提前制定风险预防策略。

步骤105：根据所述违约概率，对所述第一用户进行风险控制。

在本说明书实施例中，根据所述违约概率的大小，选择匹配的风险策略对其进行风险控制。

仍以步骤103中所示为例，在得到不同用户的违约概率，可以采取不同的风险策略进行风险控制，即用户a和用户b的风险控制方案不同，这样便于提升风险控制的处理精确度。

具体地，如果用户的违约概率大于设定数值，那么对该用户采用严格的风控策略进行风险控制；如果用户的违约概率小于设定数值，那么对该用户采用相对宽松的风控策略进行风险控制。

这里的设定数值可以根据互联网平台的实际需要进行确定，这里对于数值大小不做具体限定。

通过本说明书实施例提供的技术方案，通过获取第一用户包含第一用户产生的用户行为数据的用户数据；将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率；根据所述违约概率，对所述第一用户进行风险控制。这样通过卷积神经网络模型对用户数据进行处理，有效保证了用户数据的完整性，避免用户数据的损失，在对用户进行风险控制时，基于完整的用户数据，能够精准定位用户对应的风险控制层级，进而提升互联网服务平台的风险控制的处理精度。

基于同一个发明构思，图3为本说明书实施例提供的一种风险控制处理设备的结构示意图。所述风险控制处理设备包括：获取单元301、提取单元302和处理单元303，其中：

获取单元301，获取第一用户的用户数据，所述用户数据中包含所述第一用户产生的用户行为数据；

提取单元302，将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率；

处理单元303，根据所述违约概率，对所述第一用户进行风险控制。

在本说明书提供的另一个实施例中，所述提取单元302利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率，包括：

利用所述卷积神经网络模型中的卷积核对所述用户数据进行卷积处理，提取所述用户数据对应的特征图featuremap；

根据所述featuremap，计算得到所述第一用户的违约概率。

在本说明书提供的另一个实施例中，所述提取单元302利用所述卷积神经网络模型中的卷积核对所述用户数据进行卷积处理，提取所述用户数据对应的featuremap，包括：

从所述卷积神经网络模型中选择不同尺寸的卷积核，分别对由所述用户数据构建的用户特征矩阵进行卷积处理，提取所述第一用户在不同时间窗口上的信息，得到不同时间窗口对应的featuremap。

在本说明书提供的另一个实施例中，所述提取单元302在得到所述featuremap的情况下，还：

对所述featuremap进行最大值子采样处理，所述最大值子采样处理用于保留所述第一用户的用户行为发生变化的变化信息

在本说明书提供的另一个实施例中，所述提取单元302在得到所述featuremap的情况下，还：

对所述featuremap进行平均值子采样处理，所述平均值子采样处理用于保留所述第一用户的用户行为的平均状态信息。

在本说明书提供的另一个实施例中，所述提取单元302，将得到的不同时间窗口对应的featuremap进行拼接，并通过全连接层输出。

在本说明书提供的另一个实施例中，所述风险控制处理设备还包括：预处理单元304，其中：

所述预处理单元304，在获取第一用户的用户数据的情况下，利用设定标准化规则，对各个所述用户数据进行预处理。

需要说明的是，本说明书实施例提供的风险控制处理设备可以通过软件方式实现，也可以通过硬件方式实现，这里不做具体限定。该风险控制处理设备通过获取第一用户包含第一用户产生的用户行为数据的用户数据；将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型中的卷积核对所述用户数据进行处理，得到所述第一用户的违约概率；根据所述违约概率，对所述第一用户进行风险控制。这样通过卷积神经网络模型对用户数据进行处理，有效保证了用户数据的完整性，避免用户数据的损失，在对用户进行风险控制时，基于完整的用户数据，能够精准定位用户对应的风险控制层级，进而提升互联网服务平台的风险控制的处理精度。

另外，结合上述实施例中的风险控制处理方法，本说明书实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种风险控制处理方法。

图4示出了本说明书实施例提供的风险控制处理设备的硬件结构示意图。

风险控制处理设备可以包括处理器401以及存储有计算机程序指令的存储器402。

具体地，上述处理器401可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本说明书实施例的一个或多个集成电路。

存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在风险控制处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。

处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种风险控制处理方法。

在一个示例中，风险控制处理设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。

通信接口403，主要用于实现本说明书实施例中各模块、装置、单元和/或设备之间的通信。

总线410包括硬件、软件或两者，将信令风险控制处理设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本说明书实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

通过本说明书实施例提供的风险控制处理方法及装置，获取第一用户的用户数据，所述用户数据中包含所述第一用户产生的用户行为数据；将所述用户数据输入卷积神经网络模型，利用所述卷积神经网络模型提取所述第一用户的用户行为序列；根据所述用户行为序列，对所述第一用户进行风险控制。这样通过卷积神经网络模型提取用户的用户行为序列，有效保证了用户行为数据的完整性，避免用户行为数据的损失，在对用户进行风险控制时，基于完整的用户行为数据，能够精准定位用户对应的风险控制层级，进而提升互联网服务平台的风险控制的处理精度。

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风险控制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风险控制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风险控制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风险控制处理设备上，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本说明书，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的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。