数据识别方法及其装置、电子设备和介质与流程

本公开涉及数据处理领域，特别是涉及一种数据识别方法及其装置、电子设备和介质。

背景技术：

随着金融领域的不断改革创新和互联网技术的发展突破，现代商业银行的业务范围已不再仅仅局限于单一的柜面交易，智能银行发展迅速，电子银行、在线支付、第三方支付等基于互联网的交易渠道迅速崛起，每日产生的交易量数以亿计，在方便人们生活的同时，也对处于银行业的一线运维人员提出了较大的挑战。

相关技术提出了一些针对业务系统产生的交易数据的监控解决方案，通过监控交易数据在某一指标下的表现，识别该交易数据是异常交易数据还是正常交易数据，以掌握该业务系统的运行情况。但是，相关技术提供的数据识别方法监控准确度较低，增加一线运维人员的工作压力，且容易产生监控误报，甚至出现由于监控误报淹没正常监控的不良后果，影响业务系统的正常运行。

技术实现要素：

有鉴于此，本公开提供了一种数据识别方法及其装置，电子设备及介质，实现对海量交易数据的实时精准多维度监控，切实掌握各业务系统的运行情况。可以至少部分克服在现有技术中，监控准确度较低，增加一线运维人员的工作压力，且容易产生监控误报，甚至出现由于监控误报淹没正常监控的不良后果，影响业务系统的正常运行的技术问题，达到提高监控准确度，减少一线运维人员的工作压力，且避免产生监控误报，维护业务系统正常运行的技术效果。

为了实现上述目的，本公开的一个方面提供了一种数据识别方法，上述方法包括：接收待识别数据，其中，上述待识别数据包含指标标识和多个交易数据，上述指标标识用于标识多个识别指标，识别指标与交易数据一一对应，针对上述指标标识，获取预先配置的识别规则数据，其中，上述识别规则数据包含上述多个识别指标中与每个识别指标对应的预设阈值和初始权重，以及利用上述识别规则数据，对上述待识别数据进行识别以获得上述待识别数据的识别结果。

根据本公开的实施例，上述方法还包括：获取已识别数据的识别结果，其中，上述已识别数据包含上述指标标识和上述多个交易数据，基于上述已识别数据的识别结果，确定与上述每个识别指标对应的目标权重，以及利用上述目标权重更新上述初始权重。

根据本公开的实施例，上述利用上述识别规则数据，对上述待识别数据进行识别以获得上述待识别数据的识别结果包括：利用上述识别规则数据，通过预设数量的处理线程对上述待识别数据进行识别以获得上述待识别数据的识别结果。

根据本公开的实施例，上述待识别数据包括多个待识别数据，上述通过预设数量的处理线程对上述待识别数据进行识别以获得上述待识别数据的识别结果包括：获得与每个待识别数据对应的指标标识，基于与上述每个待识别数据对应的指标标识和上述预设数量，确定与上述每个待识别数据对应的处理线程，以及通过与上述每个待识别数据对应的处理线程对上述每个待识别数据进行识别以获得上述待识别数据的识别结果。

根据本公开的实施例，上述获取预先配置的识别规则数据包括：获取多个识别指标和多个阈值指标，基于上述多个识别指标和上述多个阈值指标，为每个识别指标配置对应的阈值指标，以获得多个指标数据，为每个指标数据配置对应的预设阈值和初始权重，以及将与上述每个指标数据对应的预设阈值和初始权重确定为上述识别规则数据。

根据本公开的实施例，上述利用上述识别规则数据，对上述待识别数据进行识别以获得上述待识别数据的识别结果包括：利用与上述每个识别指标对应的预设阈值，识别以获得与上述每个识别指标对应的交易数据的识别结果，以及利用与上述每个识别指标对应的初始权重和与上述每个识别指标对应的交易数据的识别结果，获得上述待识别数据的识别结果。

根据本公开的实施例，上述方法还包括：在上述识别结果指示上述待识别数据为异常数据的情况下，生成报警信息，以及发送上述报警信息，以展示上述报警信息。

根据本公开的实施例，上述识别指标包括：交易量，业务成功率，系统成功率，交易响应时间，交易发生金额。

根据本公开的实施例，上述阈值指标包括：即时值，周均值波动率，周高峰值波动率，周低峰值波动率，前1分钟指标波动率，前5分钟指标均值波动率，前10分钟指标均值波动率，连续n分钟交易率为0，n为大于0的整数。

为了实现上述目的，本公开的另一个方面提供了一种数据识别装置，上述装置包括：接收模块，被配置为接收待识别数据，其中，上述待识别数据包含指标标识和多个交易数据，上述指标标识用于标识多个识别指标，识别指标与交易数据一一对应，第一获取模块，被配置为针对上述指标标识，获取预先配置的识别规则数据，其中，上述识别规则数据包含上述多个识别指标中与每个识别指标对应的预设阈值和初始权重，以及识别模块，被配置为利用上述识别规则数据，对上述待识别数据进行识别以获得上述待识别数据的识别结果。

根据本公开的实施例，上述装置还包括：第二获取模块，被配置为获取已识别数据的识别结果，其中，上述已识别数据包含上述指标标识和上述多个交易数据，确定模块，被配置为基于上述已识别数据的识别结果，确定与上述每个识别指标对应的目标权重，以及更新模块，被配置为利用上述目标权重更新上述初始权重。

根据本公开的实施例，上述识别模块还被配置为：利用上述识别规则数据，通过预设数量的处理线程对上述待识别数据进行识别以获得上述待识别数据的识别结果。

根据本公开的实施例，上述识别模块包括：第一获得子模块，被配置为获得与每个待识别数据对应的指标标识，第一确定子模块，被配置为基于与上述每个待识别数据对应的指标标识和上述预设数量，确定与上述每个待识别数据对应的处理线程，以及第一识别子模块，被配置为通过与上述每个待识别数据对应的处理线程对上述每个待识别数据进行识别以获得上述待识别数据的识别结果。

根据本公开的实施例，上述第一获取模块包括：获取子模块，被配置为获取多个识别指标和多个阈值指标，第一配置子模块，被配置为基于上述多个识别指标和上述多个阈值指标，为每个识别指标配置对应的阈值指标，以获得多个指标数据，第二配置子模块，被配置为为每个指标数据配置对应的预设阈值和初始权重，以及第二确定子模块，被配置为将与上述每个指标数据对应的预设阈值和初始权重确定为上述识别规则数据。

根据本公开的实施例，上述识别模块包括：第二识别子模块，被配置为利用与上述每个识别指标对应的预设阈值，识别以获得与上述每个识别指标对应的交易数据的识别结果，以及第二获得子模块，被配置为利用与上述每个识别指标对应的初始权重和与上述每个识别指标对应的交易数据的识别结果，获得上述待识别数据的识别结果。

根据本公开的实施例，上述装置还包括：生成模块，被配置为在上述识别结果指示上述待识别数据为异常数据的情况下，生成报警信息，以及展示模块，被配置为发送上述报警信息，以展示上述报警信息。

根据本公开的实施例，上述识别指标包括：交易量，业务成功率，系统成功率，交易响应时间，交易发生金额。

根据本公开的实施例，上述阈值指标包括：即时值，周均值波动率，周高峰值波动率，周低峰值波动率，前1分钟指标波动率，前5分钟指标均值波动率，前10分钟指标均值波动率，连续n分钟交易率为0，n为大于0的整数。

为实现上述目的，本公开的另一方面提供了一种电子设备，包括：一个或多个处理器，存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。

为实现上述目的，本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。

为实现上述目的，本公开的另一方面提供了一种计算机程序，上述计算机程序包括计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。

与相关技术相比，本公开提出的数据识别方法，在对识别待识别数据进行识别以获得识别结果之前，预先配置识别规则数据，特别地，该识别规则数据包含多个识别指标中与每个识别指标对应的预设阈值和初始权重，在对识别待识别数据进行识别以获得识别结果的识别过程中，针对待识别数据中包含的指标标识，获取识别规则数据，利用该识别规则数据对待识别数据进行识别，获得识别结果即确定该待识别数据是否为异常交易数据，即通过对交易监控指标设置多维度的阈值组合模型，可以提高监控准确度，减少一线运维人员的工作压力，且避免产生监控误报，维护业务系统正常运行。

进一步地，与本公开提出的上述数据识别方法对应的数据识别装置可以成为一个真正可靠的对业务系统进行实时运维精准监控的平台，以实现对业务系统产生的交易数据进行实时识别。

附图说明

为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：

图1示意性示出了适用于本公开实施例的数据识别方法及其装置的系统架构；

图2示意性示出了根据本公开实施例的数据识别方法的流程图；

图3示意性示出了根据本公开实施例的获取预先配置的识别规则数据的流程图；

图4示意性示出了根据本公开实施例的预先配置的识别规则数据的示意图；

图5示意性示出了根据本公开另一实施例的数据识别方法的流程图；

图6示意性示出了根据本公开实施例的识别规则自学习的流程图；

图7示意性示出了根据本公开另一实施例的数据识别方法的流程图；

图8示意性示出了根据本公开实施例的通过预设数量的处理线程进行数据识别的流程图；

图9示意性示出了根据本公开实施例的利用识别规则数据，对待识别数据进行识别以获得待识别数据的识别结果的流程图；

图10示意性示出了根据本公开另一实施例的数据识别方法的流程图；

图11示意性示出了根据本公开另一实施例的数据识别方法的流程图；

图12示意性示出了根据本公开另一实施例的数据识别方法的流程图；

图13示意性示出了根据本公开实施例的数据识别装置的框图；

图14示意性示出了根据本公开实施例的第一获取模块的框图；

图15示意性示出了根据本公开另一实施例的数据识别装置的框图；

图16示意性示出了根据本公开实施例的识别模块的框图；

图17示意性示出了根据本公开另一实施例的识别模块的框图；

图18示意性示出了根据本公开另一实施例的数据识别装置的框图；

图19示意性示出了根据本公开另一实施例的数据识别装置的框图；以及

图20示意性示出了根据本公开实施例的适于实现数据识别方法的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了上述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。在使用类似于“a、b或c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b或c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。

附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。

面对不同业务系统所产生的错综复杂的交易数据，一方面，需要面面俱到，确保各种类型的交易数据都有监控，通过识别交易数据是异常数据还是正常数据，实时掌握业务系统的运行情况，在第一时间发现并解决业务系统出现的问题，减少对用户的影响；另一方面，对交易数据的监控需要精准打击，需要实实在在能暴露问题，而不能出现“狼来了”的情况，监控误报不仅增加一线运维人员的工作压力，而且大量的误报容易淹没正常的监控报警，可能会出现确实有业务影响的报警处理不及时的情况，对业务的正常运行造成不可估量的影响。

综上所述，交易监控既要做到面面俱到，又要做到精准快速定位，在对交易数据进行有效监控的同时，在交易数据被识别为异常数据的情况下，不仅能实时展现各类报警，而且又不能产生干扰性的误报，是整个交易数据监控体系的重点和难点。

如前所述，为了解决相关技术存在的技术问题，本公开的实施例提供了一种数据识别方法，包括：接收待识别数据，其中，待识别数据包含指标标识和多个交易数据，指标标识用于标识多个识别指标，识别指标与交易数据一一对应，针对指标标识，获取预先配置的识别规则数据，其中，识别规则数据包含多个识别指标中与每个识别指标对应的预设阈值和初始权重；以及利用识别规则数据，对待识别数据进行识别以获得待识别数据的识别结果。

图1示意性示出了适用于本公开实施例的数据识别方法及其装置的系统架构。需要说明的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的数据识别方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据识别装置一般可以设置于服务器105中。本公开实施例所提供的数据识别方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据识别装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

为提高监控的时效性和准确性，本公开提供了一种基于多阀值模型识别的监控预警系统及方法。该方法包括：接收待识别数据，其中，待识别数据包含指标标识和多个交易数据，指标标识用于标识多个识别指标，识别指标与交易数据一一对应，针对指标标识，获取预先配置的识别规则数据，其中，识别规则数据包含多个识别指标中与每个识别指标对应的预设阈值和初始权重；以及利用识别规则数据，对待识别数据进行识别以获得待识别数据的识别结果。

以下参考附图并结合具体实施例详细阐述本公开。

图2示意性示出了根据本公开实施例的数据识别方法的流程图。

如图2所示，该方法可以包括操作s210～操作s230。

在操作s210，接收待识别数据，其中，待识别数据包含指标标识和多个交易数据，指标标识用于标识多个识别指标，识别指标与交易数据一一对应。

根据本公开的实施例，可以通过联机接口的方式实现待识别数据的实时接收。待识别数据可以是上游应用按预定时间间隔汇总统计计算得到的。待识别数据可以存储在数据库中的待识别表中。

考虑到不同的业务系统对应不同类型的交易数据。因此，在本公开中，待识别数据可以包含与上述任意数目的识别指标对应的交易数据，识别指标与交易数据是一一对应的关系。

需要说明的是，本公开对待识别数据中包含的交易数据对应的识别指标的数目不做限定，根据不同的业务系统，待识别数据可以包含与任意数目的识别指标对应的交易数据。

为了区别不同的待识别数据，待识别数据可以包含指标标识，即指标id，该指标id用于标识该待识别数据对应的识别指标的维度。

在操作s220，针对指标标识，获取预先配置的识别规则数据，其中，识别规则数据包含多个识别指标中与每个识别指标对应的预设阈值和初始权重。

根据本公开的实施例，识别指标可以包含但不限于：交易量或交易率；业务成功率；系统成功率；交易响应时间；交易发生金额。例如，待识别数据1可以包含与交易量、业务成功率、交易响应时间和交易发生金额对应的交易数据。待识别数据2可以包含分别与系统成功率、交易响应时间和交易发生金额对应的交易数据。

根据本公开的实施例，阈值指标包括：即时值；周均值波动率；周高峰值波动率；周低峰值波动率；前1分钟指标波动率；前5分钟指标均值波动率；前10分钟指标均值波动率；连续n分钟交易率为0，n为大于0的整数。

根据本公开的实施例，在对待识别数据进行识别之前，可以预先配置用于识别待识别数据的识别规则数据，识别规则数据包含的识别指标与待识别数据包含的识别指标一一对应，该识别规则数据还包含于识别指标对应的预设阈值和识别指标对应的初始权重。可以将各识别指标对应的阈值指标、预设阈值和权重信息存储在阈值权重信息表中。

根据本公开的实施例，每一个识别指标对应一个预设阈值和初始权重。预设阈值作为判断数据异常与否的门槛值，用于识别待识别数据包含的与该识别指标对应的交易数据是否为异常数据。例如，若识别指标为交易量，预设阈值为500，若待识别数据包含的交易量为680，则识别结果为该待识别数据包含的交易量为正常数据。若待识别数据包含的交易量为20，则识别结果为该待识别数据包含的交易量为异常数据。

需要说明的是，仅识别出待识别数据包含的与识别指标对应的交易数据是否为异常数据是不够的，还需要结合与每个识别指标对应的权重值，该权重用于表征该识别指标的重要性。综合汇总所有识别指标对应的识别结果，加权计算最终获得待识别数据的识别结果。

在操作s230，利用识别规则数据，对待识别数据进行识别以获得待识别数据的识别结果。

作为一种可选的实施例，识别规则数据还可以包含报警率阈值，在加权计算得到待识别数据对应的计算结果之后，可以判断该计算结果是否超过该预设的报警率阈值，在超过的情况下，确定该待识别数据为异常数据，在未超过的情况下，确定该待识别数据为正常数据。

作为另一种可选的实施例，运维人员可以在加权计算得到待识别数据对应的计算结果之后，根据经验报警率，判断该计算结果是否超过该经验报警率，在超过的情况下，确定该待识别数据为异常数据，在未超过的情况下，确定该待识别数据为正常数据。

通过本公开的实施例，在对识别待识别数据进行识别以获得识别结果之前，预先配置识别规则数据，特别地，该识别规则数据包含多个识别指标中与每个识别指标对应的预设阈值和初始权重，在对识别待识别数据进行识别以获得识别结果的识别过程中，针对待识别数据中包含的指标标识，获取识别规则数据，利用该识别规则数据对待识别数据进行识别，获得识别结果即确定该待识别数据是否为异常交易数据，即通过对交易监控指标设置多维度的阈值组合模型，可以提高监控准确度，减少一线运维人员的工作压力，且避免产生监控误报，维护业务系统正常运行。

图3示意性示出了根据本公开实施例的获取预先配置的识别规则数据的流程图。

如图3所示，该方法可以包括操作s310～操作s340。

在操作s310，获取多个识别指标和多个阈值指标。

在操作s320，基于多个识别指标和多个阈值指标，为每个识别指标配置对应的阈值指标，以获得多个指标数据。

在操作s330，为每个指标数据配置对应的预设阈值和初始权重。

在操作s340，将与每个指标数据对应的预设阈值和初始权重确定为识别规则数据。

根据本公开的实施例，每个指标数据对应识别指标和阈值指标。

图4示意性示出了根据本公开实施例的预先配置的识别规则数据的示意图。

如图4所示，根据上述多个识别指标作为5个维度的监控指标，即应用关键指标(keyperformanceindex，简称为kpi)，结合上述多个阈值指标，可以形成如图3所示的指监控标阈值结构体系。通过对关键指标多阈值的组合监控，实时掌握业务系统的运行情况。

在本公开中，针对任意一个识别指标，可以配置上述任意一个或多个阈值指标。例如，针对交易量这一识别指标，可以配置即时值、周均值波动率、周高峰值波动率、周低峰值波动率、前1分钟指标波动率、前5分钟指标均值波动率、前10分钟指标均值波动率和连续n分钟交易率为0(n为大于0的整数)中的任意一个或多个阈值指标。针对业务成功率、系统成功率、交易响应时间以及交易发生金额任一识别指标，可以配置即时值、周均值波动率、周高峰值波动率、周低峰值波动率、前1分钟指标波动率、前5分钟指标均值波动率以及前10分钟指标均值波动率中的任意一个或多个阈值指标。

可以理解，针对任意一个阈值指标，可以配置给上述任意一个或多个识别指标。例如，针对即时值这一阈值指标，可以配置给交易量或交易率、业务成功率、系统成功率、交易响应时间和交易发生金额中的任意一个或多个识别指标。

例如，指标数据可以是交易量即时值，交易响应时间即时值和系统成功率即时值。指标数据可以是交易量周均值波动率，交易响应时间周高峰值波动率和系统成功率周均值波动率。

需要说明的是，上述识别指标和阈值指标的配置方式仅是示意性的，并不是对配置方式的具体限定。根据实际需要，可以配置任意数目的识别指标和阈值指标。

通过本公开的实施例，基于多阈值指标模型的数据报警识别，可以降低和消除相关技术中单个指标波动对数据识别产生的影响，提升交易监控报警的精准度，使交易数据能真正成为业务系统的画像，切实体现业务系统的运行状况。

图5示意性示出了根据本公开另一实施例的数据识别方法的流程图。

如图5所示，该方法除了可以包括前述操作s210～操作s230之外，还可以包括操作s510～操作s530。

在操作s510，获取已识别数据的识别结果，其中，已识别数据包含指标标识和多个交易数据。

在操作s520，基于已识别数据的识别结果，确定与每个识别指标对应的目标权重。

在操作s530，利用目标权重更新初始权重。

根据本公开的实施例，各个识别指标对应的预设阈值的权重并非一成不变。本公开提供基本的学习机制，动态计算和调整各阈值指标的权重，进一步提升报警的准确率。使用熵值法动态计算每个指标阈值的权重，可以大幅提升监控报警的准确率。

通过本公开的实施例，基于多阈值指标模型的数据报警识别，搭配阈值指标的权重模型规则自学习进行动态调整，可以实时调整识别规则的适用性，从而提升报警命中的准确率，降低和消除相关技术中单个指标波动对数据识别产生的影响，提升交易监控报警的精准度，使交易数据能真正成为业务系统的画像，切实体现业务系统的运行状况。

作为一种可选的实施例，图6示意性示出了根据本公开实施例的识别规则自学习的流程图。

如图6所示，识别规则的自学习可以包括操作s610～操作s650。

在操作s610，规则学习开始。

在操作s620，学习数据抽取。

在本公开中，可以抽取识别指标在预设时间段内对应的交易数据作为识别规则学习计算的源数据。例如，可以抽取识别指标的前30天的交易数据。具体地，预设时间段可以根据实际情况自行设定，本公开对此不做限定。

在操作s630，权重重计算。

根据本公开的实施例，可以获取抽取数据的识别结果，统计识别结果为异常和正常的占比，重新计算权重。

例如，统计30天数据中，各识别指标高于或低于预设阈值的次数，根据高于预设阈值的次数与总统计次数的占比，重新计算权重。30天内交易响应时间高于阈值的次数为500次，而系统成功率低于阈值的次数为60次，交易量低于阈值次数为40次，根据超阈值的次数(500次)占总统计次数(600次)综合计算后，得到交易响应时间对应的目标权重为83％，系统成功率对应的目标权重为10％，交易量对应的目标权重为7％。

在操作s640，权重重分配。将重新计算后的权重进行分配，以更新阈值权重信息表，供后续数据识别时使用。

需要说明的是，由于指标数据对应的初始权重动态调整为目标权重之后，利用初始权重获得的待识别数据的识别结果与利用目标权重获得的识别结果可能发生变化。

在操作s650，规则学习结束。

考虑到业务系统产生的交易数据的数据量巨大，作为一种可选的实施例，针对批量待识别数据，本公开提供了可以通过多线程来对待识别数据进行识别的机制，使得待识别数据可以得到及时的识别，提高数据识别的时效性。

图7示意性示出了根据本公开另一实施例的数据识别方法的流程图。

如图7所示，该方法除了可以包括操作s210和操作s220之外，前述操作s230(利用识别规则数据，对待识别数据进行识别以获得待识别数据的识别结果)可以包括操作s710：利用识别规则数据，通过预设数量的处理线程对待识别数据进行识别以获得待识别数据的识别结果。

针对图7所示的通过预设数量的处理线程对待识别数据进行识别以获得待识别数据的识别结果，本公开提供了一种数据分片解析的规则机制，将多个待识别数据分配给不同的处理线程，以利用多个线程并发的同步执行海量的待识别数据，有效提高数据识别的效率。

图8示意性示出了根据本公开实施例的通过预设数量的处理线程进行数据识别的流程图。

如图8所示，待识别数据包括多个待识别数据，前述操作s710(利用识别规则数据，通过预设数量的处理线程对待识别数据进行识别以获得待识别数据的识别结果)可以包括操作s810～操作s830。

在操作s810，获得与每个待识别数据对应的指标标识。

在操作s820，基于与每个待识别数据对应的指标标识和预设数量，确定与每个待识别数据对应的处理线程。

在操作s830，通过与每个待识别数据对应的处理线程对每个待识别数据进行识别以获得待识别数据的识别结果。

根据本公开的实施例，针对一批待识别数据，每笔待识别数据入库时都会对应一个指标id，可以利用指标id的最后两位数值与启动的线程的预设数量进行取余数的计算，所得的余数为对应线程的编号，并将待识别数据分配到该线程进行处理。

需要说明的是，根据启动的线程的预设数量，可以调整所要利用的指标id的位于最后几位的数值。通常启动的线程的预设数量越多，利用的指标id的位于最后几位的数值越大。

例如，当前数据识别装置启动5个处理线程并行进行数据识别，对指标id为plf25567的待识别数据来说，根据前述取余的计算规则，指标id的最后两位数值67与启动的线程的预设数量5进行取余计算所得余数为2，即(67mod5＝2)，则指标id为plf25567的待识别数据分配给2号线程进行数据识别。

通过本公开的实施例，基于与每个待识别数据对应的指标标识和预设数量，确定与每个待识别数据对应的处理线程，可以避免单一线程处理批量待识别数据可能导致的拥堵问题，合理分配待识别数据给多个处理线程，同步处理，最大限度的利用系统的计算资源，提高数据识别的效率。

图9示意性示出了根据本公开实施例的利用识别规则数据，对待识别数据进行识别以获得待识别数据的识别结果的流程图。

如图9所示，该方法可以包括操作s910～操作s920。

在操作s910，利用与每个识别指标对应的预设阈值，识别以获得与每个识别指标对应的交易数据的识别结果。

在操作s920，利用与每个识别指标对应的初始权重和与每个识别指标对应的交易数据的识别结果，获得待识别数据的识别结果。

根据本公开的实施例，预设阈值用于判断待识别数据包含的识别指标对应的交易数据是否为异常数据。识别指标对应的初始权重用于表征该识别指标的重要程度。

具体地，针对阈值指标的预设阈值，若高于该预设阈值代表正常，低于该预设阈值代表异常，则可以根据待识别数据的交易数据，分别与阈值指标的预设阈值匹配，得到各识别指标对应的识别结果，结合各识别指标对应的权重值，加权可以得到该待识别数据正常还是异常的识别结果。

图10示意性示出了根据本公开另一实施例的数据识别方法的流程图。

如图10所示，该方法除了可以包括前述操作s210～操作s230之外，还可以包括操作s1010～操作s1020。

在操作s1010，在识别结果指示待识别数据为异常数据的情况下，生成报警信息。

在操作s1020，发送报警信息，以展示报警信息。

根据本公开的实施例，若识别结果超过预设报警率，则表明待识别数据为异常数据，生成报警信息，以提示相关运维人员，及时解决问题。若识别结果未超过预设报警率，则表明待识别数据为正常数据，不生成报警信息，保持业务系统的正常运行。

例如，预设报警率为80％，若识别结果为50％，由于未超过该预设报警率，则确定待识别数据为正常数据。若识别结果为90％，由于超过该预设报警率，则确定待识别数据为异常数据，则生成报警信息，发送报警信息，以展示报警信息。

为了更加清楚的描述本公开提供的数据识别方法，以下将以待识别数据[plf06264←731←0.9644←1←2843.0876←198.83]，指标数据为交易量即时值(预设阈值500笔，初始权重20％，目标权重7％)、交易响应时间即时值(预设阈值500毫秒，初始权重50％，目标权重83％)以及系统成功率即时值(预设下阈值0.99，初始权重30％，目标权重10％)为例详细阐述说明本公开的数据识别方法。

图11示意性示出了根据本公开另一实施例的数据识别方法的流程图。

如图11所示，该方法可以包括操作s1110～操作s1160。

在操作s1110，交易数据接收。

在本实施例中，通过联机接口，可以实时接收上游应用按照指定时间间隔汇总的交易数据，即待识别数据。对待识别数据进行解析可知，指标标识为plf06264，交易量为731，业务成功率为0.9644，系统成功率为1，响应时间为2843.0876，交易金额198.83。可以将该交易数据解析存储到数据库的待识别信息表中，将该交易数据作为报警识别的源数据，等待识别处理。

在操作s1120，并行处理开始。

在本实施例中，通过利用系统环境资源，启动多线程并发作业的模式对待识别数据进行报警识别，其中每个作业的任务可以细分为如下几个操作。根据预设的数据分片规则(指标id后两位尾号取余计算)，抽取本任务需要报警识别的交易数据。根据前述的分配规则(64mod5＝4)，指标id为plf06264的数据分配给4号线程进行报警识别。

在操作s1130，数据抽取。不同线程抽取分配给自己的待识别数据。

在操作s1140，报警识别。

在本公开中，将抽取到的交易数据按照下图12所示的数据识别方法进行报警识别，如果匹配成功则表明该交易数据异常，产生报警，如果匹配不成功，则表明该交易数据正常。

在操作s1150，报警入库。

在本公开中，可以将匹配成功的报警数据插入报警信息表，以方便进行相关报警展现，并通知相关运维人员。

需要说明的是，可以将已识别的交易数据从待识别表中移动到交易数据历史表，一方面可提供查询历史曲线，另一方面可作为图6所示的识别规则自学习的源数据。

在操作s1160，并行处理结束。

图12示意性示出了根据本公开另一实施例的数据识别方法的流程图。

如图12所示，该方法可以包括操作s1210～操作s1270。

在操作s1210，报警识别开始。

在操作s1220，模型规则抽取。

具体地，可以根据指标id从规则信息表中获取该监控指标的报警阈值组合信息。

即针对指标id为plf06264的交易数据，可以获得交易量即时值阈值500笔，初始权重20％，交易响应时间即时值阈值500毫秒，初始权重50％系统成功率即时值下阈值0.99，初始权重30％。

在操作s1230，模型规则匹配。

具体地，将交易数据中的与交易量即时值对应的交易数据与交易量即时值阈值500笔进行匹配，将交易数据中的交易响应时间即时值对应的交易数据与交易响应时间即时值阈值500毫秒进行匹配，将交易数据中的与系统成功率即时值对应的交易数据与系统成功率即时值下阈值0.99进行匹配，以获得匹配结果。

在操作s1240，命中规则。

具体，根据上述匹配结果，结合各识别指标对应的权重，即交易量即时值阈值对应的权重20％，交易响应时间即时值阈值对应的权重50％，系统成功率即时值权重为30％，计算该交易数据的报警率，其中报警率计算规则如下：

报警率＝∑阈值触发(0/1)*权重

汇总计算各个阈值指标的触发情况并按权重进行加权，当报警率大于等于80％时，命中规则形成报警。

具体地，交易响应时间为2843.0876，远大于交易响应时间即时值的阈值500毫秒，阈值触发(1)。交易量为731，大于交易量即时值阈值500笔，阈值未触发(0)。系统成功率为1，大于系统成功率即时值下阈值0.99，阈值未触发(0)。

结合各识别指标对应的初始权重，可以获得指标标识为plf06264的待识别数据的报警率＝0*20％+1*50％+0*30％＝50％，由于未超过预设报警率80％，因此报警未触发。

在对识别指标对应的初始权重进行动态调整后，结合各识别指标对应的目标权重，可以获得指标标识为plf06264的待识别数据的报警率＝0*20％+1*87％+0*30％＝87％，由于已超过预设报警率80％，因此报警触发。通过本公开的实施例，随着指标数据的预设权重的动态调整，可以在数据异常的情况下，快速对其进行识别，并触发预警，提高数据识别的时效性。

在操作s1250，产出预警。

在操作s1260，预警入库。将产生的报警插入报警待展现表，进行后续的报警提醒，还可以将已识别的交易数据移动到交易数据历史表。

在操作s1270，报警识别结束。

通过本公开的实施例，基于多阀值模型识别的监控预警系统及方法，通过对交易监控指标设置多维度的阈值组合模型，并通过自学习的模式，动态调整阈值组合模型，大幅提高交易监控的命中率，使报警准确率达到95％以上。另外，报警识别时通过多线程的并发处理，提高系统报警的时效性，双管齐下，使本公开提供的数据识别系统成为一个真正可靠的运维监控平台。

图13示意性示出了根据本公开实施例的数据识别装置的框图。

如图13所示，该装置1300可以包括接收模块1310、第一获取模块1320以及识别模块1330。

接收模块1310，被配置为例如执行前述操作s210，接收待识别数据，其中，待识别数据包含指标标识和多个交易数据，指标标识用于标识多个识别指标，识别指标与交易数据一一对应。

第一获取模块1320，被配置为例如执行前述操作s220，针对指标标识，获取预先配置的识别规则数据，其中，识别规则数据包含多个识别指标中与每个识别指标对应的预设阈值和初始权重。

识别模块1330，被配置为例如执行前述操作s230，利用识别规则数据，对待识别数据进行识别以获得待识别数据的识别结果。

通过本公开的实施例，在对识别待识别数据进行识别以获得识别结果之前，预先配置识别规则数据，特别地，该识别规则数据包含多个识别指标中与每个识别指标对应的预设阈值和初始权重，在对识别待识别数据进行识别以获得识别结果的识别过程中，针对待识别数据中包含的指标标识，获取识别规则数据，利用该识别规则数据对待识别数据进行识别，获得识别结果即确定该待识别数据是否为异常交易数据，即通过对交易监控指标设置多维度的阈值组合模型，可以提高监控准确度，减少一线运维人员的工作压力，且避免产生监控误报，维护业务系统正常运行。

图14示意性示出了根据本公开实施例的第一获取模块的框图。

如图14所示，前述第一获取模块1320可以包括获取子模块1410、第一配置子模块1420、第二配置子模块1430以及第二确定子模块1440。

获取子模块1410，被配置为获取多个识别指标和多个阈值指标。

第一配置子模块1420，被配置为基于多个识别指标和多个阈值指标，为每个识别指标配置对应的阈值指标，以获得多个指标数据。

第二配置子模块1430，被配置为为每个指标数据配置对应的预设阈值和初始权重。

第二确定子模块1440，被配置为将与每个指标数据对应的预设阈值和初始权重确定为识别规则数据。

通过本公开的实施例，基于多阈值指标模型的数据报警识别，可以降低和消除相关技术中单个指标波动对数据识别产生的影响，提升交易监控报警的精准度，使交易数据能真正成为业务系统的画像，切实体现业务系统的运行状况。

图15示意性示出了根据本公开另一实施例的数据识别装置的框图。

如图15所示，该装置1500除了可以包括前述接收模块1310、第一获取模块1320以及识别模块1330之外，还可以包括第二获取模块1510、确定模块1520以及更新模块1530。

第二获取模块1510，被配置为例如执行前述操作s510，获取已识别数据的识别结果，其中，已识别数据包含指标标识和多个交易数据。

确定模块1520，被配置为例如执行前述操作s520，基于已识别数据的识别结果，确定与每个识别指标对应的目标权重。

更新模块1530，被配置为例如执行前述操作s530，利用目标权重更新初始权重。

通过本公开的实施例，基于多阈值指标模型的数据报警识别，搭配阈值指标的权重模型规则自学习进行动态调整，可以实时调整识别规则的适用性，从而提升报警命中的准确率，降低和消除相关技术中单个指标波动对数据识别产生的影响，提升交易监控报警的精准度，使交易数据能真正成为业务系统的画像，切实体现业务系统的运行状况。

根据本公开的实施例，前述识别模块1330还被配置为：利用识别规则数据，通过预设数量的处理线程对待识别数据进行识别以获得待识别数据的识别结果。

图16示意性示出了根据本公开实施例的识别模块的框图。

如图16所示，前述识别模块1330可以包括第一获得子模块1610、第一确定子模块1620以及第一识别子模块1630。

第一获得子模块1610，被配置为例如执行前述操作s810，获得与每个待识别数据对应的指标标识。

第一确定子模块1620，被配置为例如执行前述操作s820，基于与每个待识别数据对应的指标标识和预设数量，确定与每个待识别数据对应的处理线程。

第一识别子模块1630，被配置为例如执行前述操作s830，通过与每个待识别数据对应的处理线程对每个待识别数据进行识别以获得待识别数据的识别结果。

通过本公开的实施例，基于与每个待识别数据对应的指标标识和预设数量，确定与每个待识别数据对应的处理线程，可以避免单一线程处理批量待识别数据可能导致的拥堵问题，合理分配待识别数据给多个处理线程，同步处理，最大限度的利用系统的计算资源，提高数据识别的效率。

图17示意性示出了根据本公开另一实施例的识别模块的框图。

如图17所示，前述识别模块1330可以包括第二识别子模块1710以及第二获得子模块1720。

第二识别子模块1710，被配置为例如执行前述操作s910，利用与每个识别指标对应的预设阈值，识别以获得与每个识别指标对应的交易数据的识别结果。

第二获得子模块1720，被配置为例如执行前述操作s920，利用与每个识别指标对应的初始权重和与每个识别指标对应的交易数据的识别结果，获得待识别数据的识别结果。

图18示意性示出了根据本公开另一实施例的数据识别装置的框图。

如图18所示，该装置1800除了可以包括前述接收模块1310、第一获取模块1320以及识别模块1330之外，还可以包括生成模块1810以及展示模块1820。

生成模块1810，被配置为例如执行前述操作s1010，在识别结果指示待识别数据为异常数据的情况下，生成报警信息。

展示模块1820，被配置为例如执行前述操作s1020，发送报警信息，以展示报警信息。

通过本公开的实施例，基于多阀值模型识别的监控预警系统及方法，通过对交易监控指标设置多维度的阈值组合模型，并通过自学习的模式，动态调整阈值组合模型，大幅度提高交易监控的命中率，使报警准确率达到95％以上。另外，报警识别时通过多线程的并发处理，提高系统报警的时效性，双管齐下，使本公开提供的数据识别系统成为一个真正可靠的运维监控平台。

图19示意性示出了根据本公开另一实施例的数据识别装置的框图。

如图19所示，该装置1900可包括交易数据接收模块1910、规则配置模块1920、报警识别模块1930、规则自学习模块1940以及报警数据展现模块1950。

交易数据接收模块1910，用于接收上游应用按预设时间段，如分钟汇总计算的5个维度的指标数据，并将交易数据存储到数据库的报警待识别表，数据接收通过联机接口方式实现，数据传输格式使用xml报文形式。

报警规则配置模块1920，前台提供的阈值的组合配置功能，运维人员可按照如图4所示的监控指标阈值体系结构，组合配置多个阈值及对应初始权重，以作为报警规则供后续识别。比如对指标plf06264，配置了交易量(阈值500笔)、交易响应时间(阈值500毫秒)和系统成功率(0.99)的阈值组合，其中交易量权重20％，响应时间权重50％，系统成功率权重30％，报警率为80％。报警识别模块1930，用于准实时扫描处理报警待识别表中的数据，将每条指标数据与该指标对应的报警规则进行匹配，综合判断各个阈值的触发情况，并根据触发情况计算报警率，报警率大于阈值时形成监控报警信息。需要说明的是，为提高监控预警的时效性，报警识别模块1930可以采用java多线程模式处理。

规则自学习模块1940，用于例如通过每天学习前30天的报警数据，根据报警阈值触发情况，对用户配置的阈值组合的权重进行动态调整，完善报警识别规则。

报警展现模块1950，用于负责将报警识别模块产生的预警信息，推送展示到实时监控平台，并对相关运维人员进行提醒。

需要说明的是，数据识别装置部分的实施例方式与数据识别装置方法部分的实施例方式对应类似，并且所达到的技术效果也对应类似，在此不再赘述。

根据本公开的实施例的模块、子模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，接收模块1310、第一获取模块1320、识别模块1330、获取子模块1410、第一配置子模块1420、第二配置子模块1430、第二确定子模块1440、第二获取模块1510、确定模块1520、更新模块1530、第一获得子模块1610、第一确定子模块1620、第一识别子模块1630、第二识别子模块1710、第二获得子模块1720、生成模块1810、展示模块1820、交易数据接收模块1910、规则配置模块1920、报警识别模块1930、规则自学习模块1940以及报警数据展现模块1950中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，接收模块1310、第一获取模块1320、识别模块1330、获取子模块1410、第一配置子模块1420、第二配置子模块1430、第二确定子模块1440、第二获取模块1510、确定模块1520、更新模块1530、第一获得子模块1610、第一确定子模块1620、第一识别子模块1630、第二识别子模块1710、第二获得子模块1720、生成模块1810、展示模块1820、交易数据接收模块1910、规则配置模块1920、报警识别模块1930、规则自学习模块1940以及报警数据展现模块1950中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，接收模块1310、第一获取模块1320、识别模块1330、获取子模块1410、第一配置子模块1420、第二配置子模块1430、第二确定子模块1440、第二获取模块1510、确定模块1520、更新模块1530、第一获得子模块1610、第一确定子模块1620、第一识别子模块1630、第二识别子模块1710、第二获得子模块1720、生成模块1810、展示模块1820、交易数据接收模块1910、规则配置模块1920、报警识别模块1930、规则自学习模块1940以及报警数据展现模块1950中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图20示意性示出了根据本公开实施例的适于实现数据识别方法的电子设备的框图。图20示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图20所示，根据本公开实施例的计算机系统2000包括处理器2001，其可以根据存储在只读存储器(rom)2002中的程序或者从存储部分2008加载到随机访问存储器(ram)2003中的程序而执行各种适当的动作和处理。处理器2001例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器2001还可以包括用于缓存用途的板载存储器。处理器2001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在ram2003中，存储有系统2000操作所需的各种程序和数据。处理器2001、rom2002以及ram2003通过总线2004彼此相连。处理器2001通过执行rom2002和/或ram2003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom2002和ram2003以外的一个或多个存储器中。处理器2001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统2000还可以包括输入/输出(i/o)接口2005，输入/输出(i/o)接口2005也连接至总线2004。系统2000还可以包括连接至i/o接口2005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分2006；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分2007；包括硬盘等的存储部分2008；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分2009。通信部分2009经由诸如因特网的网络执行通信处理。驱动器2010也根据需要连接至i/o接口2005。可拆卸介质2011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器2010上，以便于从其上读出的计算机程序根据需要被安装入存储部分2008。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分2009从网络上被下载和安装，和/或从可拆卸介质2011被安装。在该计算机程序被处理器2001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom2002和/或ram2003和/或rom2002和ram2003以外的一个或多个存储器。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。