应用故障定界方法及装置与流程

本申请涉及云计算领域，具体涉及一种应用故障定界方法及装置。

背景技术：

随着互联网技术和金融科技的发展，网上交易越来越频繁，交易的金额也在不断增大，网上交易给人民带来便利的同时，伴随而来的交易问题也越来越多，且由于不同类型节点间调用关系也变得更加错综复杂，一旦某一环节出现故障或性能瓶颈，对简单问题的排查通常要跨多个平台和团队，使得问题分析、定位的效率大大降低，故障引起的影响大大增加，因此互联网金融时代对故障定位提出了更高的要求。

当前应用的故障根因定位还是人为分析的方式，研发人员在故障发生后，从多个监控平台获取日志信息、监控信息、链路信息等应用运行数据，然后根据报警信息从大量的应用运行数据中比对分析出问题的可能节点。

发明人发现，这种方式一方面需要从海量报警信息中筛选出有效报警，另一方面根据筛选出的有效报警从应用运行数据中找出导致问题的根因需要研发人员耗费大量的时间去分析和定界，导致问题定界、解决的效率低下。

综上，目前应用故障根因定界依赖于研发人员人工分析的方法耗时长、效率低，如何实现高精度、智能化的故障根因定界是本领域亟待解决的技术问题。

技术实现要素：

针对现有技术中的问题，本申请提供一种应用故障定界方法及装置，能够有效提高应用故障定界的效率和准确率。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种应用故障定界方法，包括：

分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；

根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；

根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点。

进一步地，所述分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标，包括：

根据预设关联规则挖掘模型分别对当前应用的各应用服务节点特征指标数据和各应用子节点特征指标数据进行相关性分析，将与得到的频繁项集对应的目标应用服务节点特征指标和目标应用子节点特征指标确定为所述当前应用的故障定界特征指标。

进一步地，所述根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标，包括：

根据预设异常数据标定值确定各所述故障定界特征指标的历史数据异常比例；

根据所述历史数据异常比例和预设异常检测算法确定各所述故障定界特征指标的历史数据在设定时间窗口内对应的异常数据，若所述异常数据超过预设异常数据阈值，则将对应的故障定界特征指标设定为目标故障定界特征指标。

进一步地，所述根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点，包括：

确定与各所述目标故障定界特征指标具有关联关系的链路节点；

根据预设聚类算法对所述链路节点进行聚类处理，根据所述聚类处理的结果将对应的链路节点设定为所述当前应用的故障节点。

第二方面，本申请提供一种应用故障定界装置，包括：

特征指标相关性分析模块，用于分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；

特征指标波动性检测模块，用于根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；

特征指标聚类处理模块，用于根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点。

进一步地，所述特征指标相关性分析模块包括：

关联规则挖掘分析单元，用于根据预设关联规则挖掘模型分别对当前应用的各应用服务节点特征指标数据和各应用子节点特征指标数据进行相关性分析，将与得到的频繁项集对应的目标应用服务节点特征指标和目标应用子节点特征指标确定为所述当前应用的故障定界特征指标。

进一步地，所述特征指标波动性检测模块包括：

历史数据异常比例确定单元，用于根据预设异常数据标定值确定各所述故障定界特征指标的历史数据异常比例；

异常波动检测单元，用于根据所述历史数据异常比例和预设异常检测算法确定各所述故障定界特征指标的历史数据在设定时间窗口内对应的异常数据，若所述异常数据超过预设异常数据阈值，则将对应的故障定界特征指标设定为目标故障定界特征指标。

进一步地，所述特征指标聚类处理模块包括：

关联关系确定单元，用于确定与各所述目标故障定界特征指标具有关联关系的链路节点；

故障节点确定单元，用于根据预设聚类算法对所述链路节点进行聚类处理，根据所述聚类处理的结果将对应的链路节点设定为所述当前应用的故障节点。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的应用故障定界方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的应用故障定界方法的步骤。

由上述技术方案可知，本申请提供一种应用故障定界方法及装置，通过分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点，由此有效提高应用故障定界的效率和准确率。

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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中的应用故障定界方法的流程示意图之一；

图2为本申请实施例中的应用故障定界方法的流程示意图之二；

图3为本申请实施例中的应用故障定界方法的流程示意图之三；

图4为本申请实施例中的应用故障定界装置的结构图之一；

图5为本申请实施例中的应用故障定界装置的结构图之二；

图6为本申请实施例中的应用故障定界装置的结构图之三；

图7为本申请实施例中的应用故障定界装置的结构图之四；

图8为本申请实施例中的电子设备的结构示意图。

具体实施方式

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、完整的描述，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

考虑到现有技术中需要从海量报警信息中筛选出有效报警，或根据筛选出的有效报警从应用运行数据中找出导致问题的根因需要研发人员耗费大量的时间去分析和定界，导致问题定界、解决的效率低下的问题，本申请提供一种应用故障定界方法及装置，通过分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点，由此有效提高应用故障定界的效率和准确率。

为了能够有效提高应用故障定界的效率和准确率，本申请提供一种应用故障定界方法的实施例，参见图1，所述应用故障定界方法具体包含有如下内容：

步骤s101：分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标。

可选的，在云计算领域的应用部署链路中，应用的子节点可以包括集群、模板、容器、虚拟机、物理机等，应用的服务节点主要用于执行数据库操作、和其他应用节点交互等，基于此，本申请可以通过对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，以从当前应用的各个应用服务节点的特征指标和应用子节点的特征指标中筛选得到能够影响当前应用是否处于故障状态的故障定界特征指标。

可选的，所述应用子节点特征指标数据包括但不限于：cpu使用量、内存使用量、请求数、请求失败数、cpu使用率、监控有效报警数、监控报警级别、内存使用率、磁盘使用率、网络超时数；所述应用服务节点特征指标数据包括但不限于：访问响应时间、访问是否成功。

可选的，本申请可以通过一预设关联规则挖掘模型(例如人工智能apriori算法)分别对当前应用的各应用服务节点特征指标数据和各应用子节点特征指标数据进行相关性分析，得到频繁项集，由此可知与该频繁项集对应的特征指标即为能够影响当前应用是否处于故障状态的故障定界特征指标。

在本申请的另一实施例中，也可以通过人工筛选的方式从各个特征指标中确定故障定界特征指标。

步骤s102：根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标。

可以理解的是，从云计算部署角度看，根因定界需要找出可能是哪些容器、模板、服务器、集群出的问题，因此在步骤101中筛选出了应用的故障定界特征指标之后，可选的，本申请可以利用预设异常检测算法(rrcf，robustrandomcutforest)对各故障定界特征指标的波动性进行检测，以找出波动性大的那些故障定界特征指标，并将其设定为目标故障定界特征指标。

可选的，所述波动性检测可以基于同比历史数据表征波动，也可以基于环比历史数据表征波动。

可选的，波动就是同比和环境数据的相对变化，没有阈值，根据历史数据中预先注明的哪些是异常的点，就可以获取到历史数据中的异常比例，例如0.9％的异常比例，然后异常检测算法可以根据这个比例值找出预设时间窗口内的检测数据中的异常点。

步骤s103：根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点。

可选的，本申请在经过波动性检测确定了目标故障定界特征指标之后，还可以利用预设聚类算法(例如dbscan)对目标故障定界特征指标进行聚类，具体可以为对与目标故障定界特征指标具有关联关系(例如从属关系)的链路节点(例如其容器或模板)进行聚类。

以容器为例，本申请可以基于日志中部署链路拓扑关系找出各目标故障定界特征指标的容器之间的关系并聚成一类；此外，聚类操作还可以例如是同一个宿主机上的容器或者同属于一个模板、一个集群等，由此将聚类得到的该链路节点确定为当前应用的故障节点，完成故障定界操作。

从上述描述可知，本申请实施例提供的应用故障定界方法，能够通过分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点，由此有效提高应用故障定界的效率和准确率。

为了能够准确确定应用各特征指标中的故障定界特征指标，在本申请的应用故障定界方法的一实施例中，上述步骤s101还可以具体包含如下内容：

根据预设关联规则挖掘模型分别对当前应用的各应用服务节点特征指标数据和各应用子节点特征指标数据进行相关性分析，将与得到的频繁项集对应的目标应用服务节点特征指标和目标应用子节点特征指标确定为所述当前应用的故障定界特征指标。

可选的，本申请可以通过一预设关联规则挖掘模型(例如人工智能apriori算法)分别对当前应用的各应用服务节点特征指标数据和各应用子节点特征指标数据进行相关性分析，得到频繁项集，由此可知与该频繁项集对应的特征指标即为能够影响当前应用是否处于故障状态的故障定界特征指标。

为了能够准确确定应用各特征指标中的故障定界特征指标，在本申请的应用故障定界方法的一实施例中，参见图2，上述步骤s102还可以具体包含如下内容：

步骤s201：根据预设异常数据标定值确定各所述故障定界特征指标的历史数据异常比例。

步骤s202：根据所述历史数据异常比例和预设异常检测算法确定各所述故障定界特征指标的历史数据在设定时间窗口内对应的异常数据，若所述异常数据超过预设异常数据阈值，则将对应的故障定界特征指标设定为目标故障定界特征指标。

可选的，所述波动性检测可以基于同比历史数据表征波动，也可以基于环比历史数据表征波动，波动就是同比和环境数据的相对变化，没有阈值，根据历史数据中预先注明的哪些是异常的点，就可以获取到历史数据中的异常比例，例如0.9％的异常比例，然后异常检测算法可以根据这个比例值找出预设时间窗口内的检测数据中的异常点(即异常数据)，若所述异常数据超过预设异常数据阈值，则将对应的故障定界特征指标设定为目标故障定界特征指标。

为了能够准确确定应用各特征指标中的故障定界特征指标，在本申请的应用故障定界方法的一实施例中，参见图3，上述步骤s103还可以具体包含如下内容：

步骤s301：确定与各所述目标故障定界特征指标具有关联关系的链路节点。

步骤s302：根据预设聚类算法对所述链路节点进行聚类处理，根据所述聚类处理的结果将对应的链路节点设定为所述当前应用的故障节点。

可选的，本申请在经过波动性检测确定了目标故障定界特征指标之后，还可以利用预设聚类算法(例如dbscan)对目标故障定界特征指标进行聚类，具体可以为对与目标故障定界特征指标具有关联关系(例如从属关系)的链路节点(例如其容器或模板)进行聚类。

以容器为例，本申请可以基于日志中部署链路拓扑关系找出各目标故障定界特征指标的容器之间的关系并聚成一类；此外，聚类操作还可以例如是同一个宿主机上的容器或者同属于一个模板、一个集群等，由此将聚类得到的该链路节点确定为当前应用的故障节点，完成故障定界操作。

为了能够有效提高应用故障定界的效率和准确率，本申请提供一种用于实现所述应用故障定界方法的全部或部分内容的应用故障定界装置的实施例，参见图4，所述应用故障定界装置具体包含有如下内容：

特征指标相关性分析模块10，用于分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标。

特征指标波动性检测模块20，用于根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标。

特征指标聚类处理模块30，用于根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点。

从上述描述可知，本申请实施例提供的应用故障定界装置，能够通过分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点，由此有效提高应用故障定界的效率和准确率。

为了能够准确确定应用各特征指标中的故障定界特征指标，在本申请的应用故障定界装置的一实施例中，参见图5，所述特征指标相关性分析模块10包括：

关联规则挖掘分析单元11，用于根据预设关联规则挖掘模型分别对当前应用的各应用服务节点特征指标数据和各应用子节点特征指标数据进行相关性分析，将与得到的频繁项集对应的目标应用服务节点特征指标和目标应用子节点特征指标确定为所述当前应用的故障定界特征指标。

为了能够准确确定应用各特征指标中的故障定界特征指标，在本申请的应用故障定界装置的一实施例中，参见图6，所述特征指标波动性检测模块20包括：

历史数据异常比例确定单元21，用于根据预设异常数据标定值确定各所述故障定界特征指标的历史数据异常比例。

异常波动检测单元22，用于根据所述历史数据异常比例和预设异常检测算法确定各所述故障定界特征指标的历史数据在设定时间窗口内对应的异常数据，若所述异常数据超过预设异常数据阈值，则将对应的故障定界特征指标设定为目标故障定界特征指标。

为了能够准确确定应用各特征指标中的故障定界特征指标，在本申请的应用故障定界装置的一实施例中，参见图7，所述特征指标聚类处理模块30包括：

关联关系确定单元31，用于确定与各所述目标故障定界特征指标具有关联关系的链路节点。

故障节点确定单元32，用于根据预设聚类算法对所述链路节点进行聚类处理，根据所述聚类处理的结果将对应的链路节点设定为所述当前应用的故障节点。

从硬件层面来说，为了能够有效提高应用故障定界的效率和准确率，本申请提供一种用于实现所述应用故障定界方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(communicationsinterface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现应用故障定界装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的应用故障定界方法的实施例，以及应用故障定界装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(pda)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，应用故障定界方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

图8为本申请实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，应用故障定界方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

步骤s101：分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标。

步骤s102：根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标。

步骤s103：根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点。

从上述描述可知，本申请实施例提供的电子设备，通过分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点，由此有效提高应用故障定界的效率和准确率。

在另一个实施方式中，应用故障定界装置可以与中央处理器9100分开配置，例如可以将应用故障定界装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现应用故障定界方法功能。

如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。

如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的应用故障定界方法中全部步骤的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，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的应用故障定界方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤s101：分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标。

步骤s102：根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标。

步骤s103：根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点。

从上述描述可知，本申请实施例提供的计算机可读存储介质，通过分别对当前应用的应用服务节点特征指标数据和应用子节点特征指标数据进行相关性分析，确定所述当前应用的故障定界特征指标；根据预设异常检测算法对各所述故障定界特征指标的历史数据进行波动性检测，确定目标故障定界特征指标；根据预设聚类算法对各所述目标故障定界特征指标进行聚类处理，确定所述当前应用的故障节点，由此有效提高应用故障定界的效率和准确率。

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、装置、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发明实施例的方法、设备(装置)、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数据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数据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数据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数据处理设备上，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。

本发明中应用了具体实施例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。