养卡识别模型的训练方法、装置、设备及存储介质与流程

1.本技术属于通信技术领域，尤其涉及一种养卡识别模型的训练方法、装置、设备及存储介质。


背景技术：

2.随着电信行业的发展，佣金规则管理流程变得越来越复杂，佣金结算的复杂度也随之不断提高，同时由于部分营销政策业务设计不合理、操作不规范、系统控制不全、企业管理不到位等原因导致的业务风险也随之增加，一些代理商利用运营管理流程存在的漏洞和薄弱环节，恶意利用规则进行养卡套利。
3.针对上述代理商违规养卡套利的行为，电信运营商在日常运营过程中，也有一些识别养卡行为的方法，但是现有的识别养卡行为的方法识别精度较低。


技术实现要素：

4.本技术实施例提供一种养卡识别模型的训练方法、装置、设备及存储介质，能够解决现有的识别养卡行为的方法识别精度较低的问题。
5.第一方面，本技术实施例提供一种养卡识别模型的训练方法，包括：
6.获取训练样本集、训练样本集包括多个训练样本，每个训练样本包括历史代理商的业务数据以及历史代理商的业务数据对应的养卡行为标签数据；
7.从第一历史代理商的业务数据中确定符合预设异常值判断规则的异常值数据，第一历史代理商的业务数据表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据；
8.将异常值数据输入预设线性回归算法进行风险估计，输出高风险值的目标异常值数据；
9.将目标异常值数据输入目标模型的四分位算法进行模型阈值计算，输出多个模型阈值；
10.将多个模型阈值确定为预设模型的参数，得到原始模型；
11.将历史代理商的业务数据输入原始模型，输出表征是否存在养卡行为的结果数据；
12.在结果数据和养卡行为标签数据一致的命中率小于预设阈值的前提下，调整原始模型的参数，返回将历史代理商的业务数据输入原始模型，直至所命中率不小于预设阈值。
13.进一步地，在一种实施例中，历史代理商的业务数据，包括：
14.历史代理商的行为数据、历史代理商的用户行为数据和历史代理商的出账数据。
15.进一步地，在一种实施例中，预设异常值判断规则包括预设95分位算法；
16.根据预设异常值判断规则从表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据中确定符合预设异常值判断规则的异常值数据，包括：
17.将表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据输入
预设95分位算法进行异常值数据确定，输出其中的异常值数据。
18.进一步地，在一种实施例中，预设模型选用为决策树模型。
19.第二方面，本技术实施例提供一种调用养卡识别模型识别养卡行为的方法，养卡识别模型通过权利要求的方法训练得到，方法包括：
20.获取目标代理商的业务数据，目标代理商的业务数据包括以下至少一项：目标代理商的行为数据、目标代理商的用户行为数据和目标代理商的出账数据；
21.将目标代理商的业务数据输入养卡识别模型，输出表征是否存在养卡行为的养卡识别结果。
22.第三方面，本技术实施例提供一种养卡识别模型的训练装置，包括：
23.获取模块，用于获取训练样本集、训练样本集包括多个训练样本，每个训练样本包括历史代理商的业务数据以及历史代理商的业务数据对应的养卡行为标签数据；
24.确定模块，用于从第一历史代理商的业务数据中确定符合预设异常值判断规则的异常值数据，第一历史代理商的业务数据表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据；
25.输出模块，用于将异常值数据输入预设线性回归算法进行风险估计，输出高风险值的目标异常值数据；
26.输出模块，还用于将目标异常值数据输入目标模型的四分位算法进行模型阈值计算，输出多个模型阈值；
27.确定模块，还用于将多个模型阈值确定为预设模型的参数，得到原始模型；
28.输出模块，还用于将历史代理商的业务数据输入原始模型，输出表征是否存在养卡行为的结果数据；
29.调整模块，用于在结果数据和养卡行为标签数据一致的命中率小于预设阈值的前提下，调整原始模型的参数，返回将历史代理商的业务数据输入原始模型，直至所命中率不小于预设阈值。
30.进一步地，在一种实施例中，历史代理商的业务数据，包括：
31.历史代理商的行为数据、历史代理商的用户行为数据和历史代理商的出账数据。
32.进一步地，在一种实施例中，预设异常值判断规则包括预设95分位算法；
33.确定模块，具体用于：
34.将表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据输入预设95分位算法进行异常值数据确定，输出其中的异常值数据。
35.进一步地，在一种实施例中，预设模型选用为决策树模型。
36.第四方面，本技术实施例提供一种调用养卡识别模型识别养卡行为的装置，养卡识别模型通过权利要求的装置训练得到，装置包括：
37.获取模块，用于获取目标代理商的业务数据，目标代理商的业务数据包括以下至少一项：目标代理商的行为数据、目标代理商的用户行为数据和目标代理商的出账数据；
38.输出模块，用于将目标代理商的业务数据输入养卡识别模型，输出表征是否存在养卡行为的养卡识别结果。
39.第五方面，本技术实施例提供一种养卡识别模型的训练设备，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，计算机程序被处理器执行时实现
上述的方法。
40.第六方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有信息传递的实现程序，程序被处理器执行时实现上述的方法。
41.本技术实施例的养卡识别模型的训练方法、装置、设备及存储介质，采用95分位、四分位、线性回归算法处理表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据，得到原始模型的参数，使得原始模型的参数更符合存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据特性，在原始模型的基础上基于全部的历史代理商的业务数据进行养卡识别模型的训练，根据表征是否存在养卡行为的结果数据和养卡行为标签数据一致的命中率判定是否需要调整原始模型的参数，最终训练出符合预期要求的养卡识别模型，基于养卡识别模型可准确识别目标代理商的业务数据是否存在养卡行为。
附图说明
42.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，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。
43.图1是本技术一个实施例提供的养卡识别模型的训练方法的流程示意图；
44.图2是本技术一个实施例提供的调用养卡识别模型识别养卡行为的方法的流程示意图；
45.图3是本技术一个实施例提供的养卡识别模型的训练装置的结构示意图；
46.图4是本技术一个实施例提供的调用养卡识别模型识别养卡行为的装置的结构示意图；
47.图5是本技术一个实施例提供的养卡识别模型的训练设备的结构示意图。
具体实施方式
48.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本技术，并不被配置为限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
49.需要说明的是，在本文中，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、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他要素，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
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
50.针对代理商违规养卡套利的行为，电信运营商在日常运营过程中，也有一些识别养卡行为的方法，但是鉴于代理商会不断地变换其行为方式以避免被运营商监控出来，固
定不变的养卡识别模型难以长期对其行为进行监控和精确识别，而且现有养卡稽核模型无法根据行为的变更进行动态、持续的自调整和优化，导致现有的识别养卡行为的方法识别精度较低。
51.为了解决现有技术问题，本技术实施例提供了一种养卡识别模型的训练方法、装置、设备及存储介质。本技术实施例采用95分位、四分位、线性回归算法处理表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据，得到原始模型的参数，使得原始模型的参数更符合存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据特性，在原始模型的基础上基于全部的历史代理商的业务数据进行养卡识别模型的训练，根据表征是否存在养卡行为的结果数据和养卡行为标签数据一致的命中率判定是否需要调整原始模型的参数，最终训练出符合预期要求的养卡识别模型，基于养卡识别模型可准确识别目标代理商的业务数据是否存在养卡行为。下面首先对本技术实施例所提供的养卡识别模型的训练方法进行介绍。
52.图1示出了本技术一个实施例提供的养卡识别模型的训练方法的流程示意图。如图1所示，该方法可以包括以下步骤：
53.s110，获取训练样本集。
54.训练样本集包括多个训练样本，每个训练样本包括历史代理商的业务数据以及所述历史代理商的业务数据对应的养卡行为标签数据。历史代理商的业务数据可从代理商大数据平台获取，养卡行为标签数据表征是否存在养卡行为，可从运营商大数据平台获取。
55.在一种实施例中，历史代理商的业务数据，包括：
56.历史代理商的行为数据、历史代理商的用户行为数据和历史代理商的出账数据，其中：
57.历史代理商行为数据，包括：代理商当月集中发展量占比、代理商发展客户统一渠道入网且使用同一国际移动设备识别码(international mobile equipment identity，imei)号码数、代理商发展客户同一渠道入网且客户名称一致数、代理商发展客户使用同一imei客户名称一致数、代理商发展同一客户数、代理商当月高频同类业务受理占比。
58.代理商发展客户统一渠道入网且使用同一国际移动设备识别码(international mobile equipment identity，imei)号码数，可值记为i_val；代理商发展客户使用同一imei客户名称一致数，可值记为m_val。
59.历史代理商的用户行为数据，包括：代理商发展客户在仅在同一基站通信的数量、代理商发展客户全部为呼转话单的数量相对总话单量的占比、代理商发展客户通信费用、代理商发展客户通信次数(包括短信收、发，通话主、被叫)、代理商发展客户计费流量。
60.其中，代理商发展客户通信次数(包括短信收、发，通话主、被叫)，可值记为c_val；代理商发展客户计费流量，可值记为e_val，单位兆(m)；代理商发展客户通信费用，可值记为f_val，单位(元)；代理商发展客户全部为呼转话单的数量相对总话单量的占比，可值记为h_val。
61.历史代理商的出账数据，包括：代理商发展客户仅在一个基站小区产生通信且同一渠道入网的号码数、代理商发展客户仅在一个基站小区产生通信的出账费用、代理商发展客户仅在一个基站小区产生通信的次数、代理商发展客户仅在一个基站小区产生通信且使用同一国际移动设备识别码的号码数、代理商发展客户语音话单中全部为呼转话单的通
信次数、代理商发展客户语音话单中全部为呼转话单的出账费用、代理商发展客户使用同一imei号码对应的出账费用、代理商发展客户使用相同客户名称对应的出账费用。
62.代理商发展客户仅在一个基站小区产生通信的出账费用，可值记为d_val。
63.s120，从第一历史代理商的业务数据中确定符合预设异常值判断规则的异常值数据。
64.第一历史代理商的业务数据表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据。
65.存在养卡行为的养卡行为标签数据可以基于代理商发展客户通信次数确定，例如，代理商发展客户通信次数小于10的历史代理商的业务数据即可视为其对应的养卡行为标签数据为存在养卡行为。
66.在一种实施例中，预设异常值判断规则包括预设95分位算法；s120可以包括：
67.将第一历史代理商的业务数据输入预设95分位算法进行异常值数据确定，输出其中的异常值数据。
68.95分位算法即95th percentile，指的是所给数据集中超过其95％的数，超过的5％的数据将被确定为异常值数据，防止异常值数据影响模型精度。
69.s130，将异常值数据输入预设线性回归算法进行风险估计，输出高风险值的目标异常值数据。
70.线性回归算法(linear regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。建模后形成的回归线代表当前群体的中间值，回归线上侧的数据代表同等条件下，此样本对应的佣金支付比均值大，超出越多，成本越大，风险越高，高风险值的目标异常值数据即可选取自回归线上侧的数据。
71.在一种实施例中，针对历史代理商的用户行为数据的风险估计，符合以下条件中任意一条，则可判定是疑似存在养卡行为：
72.1、i_val大于或等于5；
73.2、2《i_val《5且c_val《5；
74.3、m_val大于或等于3；
75.4、c_val《5且d_val大于或等于1；
76.6、2《i_val《5且d_val大于或等于1；
77.7、c_val《5且e_val《50m。
78.针对历史代理商的出账数据的风险估计，符合以下条件中任意一条，则则可判定是疑似存在养卡行为：
79.1、i_val大于等于10；
80.2、i_val大于2小于10且c_val小于5；
81.3、d_val小于1元的客户；
82.4、代理商发展客户仅在一个基站小区产生通信的次数小于5；
83.5、代理商发展客户语音话单中全部为呼转话单的出账费用小于1元；
84.6、代理商发展客户语音话单中全部为呼转话单的通信次数小于5；
85.7、代理商发展客户仅在一个基站小区产生通信且同一渠道入网的号码数大于2小
于10；
86.8、i_val大于2小于10且代理商发展客户使用同一imei号码对应的出账费用小于1元；
87.9、代理商发展客户同一渠道入网且客户名称一致数大于或等于10个。
88.s140，将目标异常值数据输入目标模型的四分位算法进行模型阈值计算，输出多个模型阈值。
89.s150，将多个模型阈值确定为预设模型的参数，得到原始模型。
90.在一种实施例中，预设模型可选用为决策树模型。
91.s160，将历史代理商的业务数据输入原始模型，输出表征是否存在养卡行为的结果数据。
92.s170，在结果数据和养卡行为标签数据一致的命中率小于预设阈值的前提下，调整原始模型的参数，返回将历史代理商的业务数据输入原始模型，直至所命中率不小于预设阈值。
93.在一种实施例中，该养卡识别模型可部署到运营商系统中，计算点设定在用户出账后，佣金发放之前，及时识别出是否存在养卡行为，在佣金发放之前进行拦截，实现风险事前控制。
94.本技术实施例采用95分位、四分位、线性回归算法处理表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据，得到原始模型的参数，使得原始模型的参数更符合存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据特性，在原始模型的基础上基于全部的历史代理商的业务数据进行养卡识别模型的训练，根据表征是否存在养卡行为的结果数据和养卡行为标签数据一致的命中率判定是否需要调整原始模型的参数，最终训练出符合预期要求的养卡识别模型，基于养卡识别模型可准确识别目标代理商的业务数据是否存在养卡行为。
95.上面介绍了养卡识别模型识的训练过程，下面介绍养卡识别模型识的应用过程。
96.本技术实施例提供一种调用养卡识别模型识别养卡行为的方法，图2示出了调用养卡识别模型识别养卡行为的方法的流程示意图。如图2所示，该方法可以包括以下步骤：
97.s210，获取目标代理商的业务数据。
98.目标代理商的业务数据包括以下至少一项：目标代理商的行为数据、目标代理商的用户行为数据和目标代理商的出账数据；
99.s220，将目标代理商的业务数据输入养卡识别模型，输出表征是否存在养卡行为的养卡识别结果。
100.本技术实施例采用95分位、四分位、线性回归算法处理表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据，得到原始模型的参数，使得原始模型的参数更符合存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据特性，在原始模型的基础上基于全部的历史代理商的业务数据进行养卡识别模型的训练，根据表征是否存在养卡行为的结果数据和养卡行为标签数据一致的命中率判定是否需要调整原始模型的参数，最终训练出符合预期要求的养卡识别模型，基于养卡识别模型可准确识别目标代理商的业务数据是否存在养卡行为。
101.图1-2描述了养卡识别模型的训练方法，下面结合附图3-5描述本技术实施例提供
的装置。
102.图3示出了本技术一个实施例提供的养卡识别模型的训练装置的结构示意图，图3所示装置中各模块具有实现图1中各个步骤的功能，并能达到其相应技术效果。如图3所示，该装置可以包括：
103.获取模块310，用于获取训练样本集。
104.训练样本集包括多个训练样本，每个训练样本包括历史代理商的业务数据以及所述历史代理商的业务数据对应的养卡行为标签数据；
105.确定模块320，用于从第一历史代理商的业务数据中确定符合预设异常值判断规则的异常值数据。
106.第一历史代理商的业务数据表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据；
107.输出模块330，用于将异常值数据输入预设线性回归算法进行风险估计，输出高风险值的目标异常值数据。
108.输出模块330，还用于将目标异常值数据输入目标模型的四分位算法进行模型阈值计算，输出多个模型阈值。
109.确定模块320，还用于将多个模型阈值确定为预设模型的参数，得到原始模型。
110.输出模块330，还用于将历史代理商的业务数据输入原始模型，输出表征是否存在养卡行为的结果数据。
111.调整模块340，用于在结果数据和养卡行为标签数据一致的命中率小于预设阈值的前提下，调整原始模型的参数，返回将历史代理商的业务数据输入原始模型，直至所命中率不小于预设阈值。
112.本技术实施例采用95分位、四分位、线性回归算法处理表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据，得到原始模型的参数，使得原始模型的参数更符合存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据特性，在原始模型的基础上基于全部的历史代理商的业务数据进行养卡识别模型的训练，根据表征是否存在养卡行为的结果数据和养卡行为标签数据一致的命中率判定是否需要调整原始模型的参数，最终训练出符合预期要求的养卡识别模型，基于养卡识别模型可准确识别目标代理商的业务数据是否存在养卡行为。
113.在一种实施例中，历史代理商的业务数据，包括：
114.历史代理商的行为数据、历史代理商的用户行为数据和历史代理商的出账数据。
115.在一种实施例中，预设异常值判断规则包括预设95分位算法；
116.确定模块320，具体用于：
117.将第一历史代理商的业务数据输入预设95分位算法进行异常值数据确定，输出其中的异常值数据。
118.在一种实施例中，预设模型选用为决策树模型。
119.本技术实施例采用95分位、四分位、线性回归算法处理表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据，得到原始模型的参数，使得原始模型的参数更符合存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据特性，在原始模型的基础上基于全部的历史代理商的业务数据进行养卡识别模型的训练，根据表征是否存
在养卡行为的结果数据和养卡行为标签数据一致的命中率判定是否需要调整原始模型的参数，最终训练出符合预期要求的养卡识别模型，基于养卡识别模型可准确识别目标代理商的业务数据是否存在养卡行为。
120.上面介绍了养卡识别模型识的训练装置，下面介绍养卡识别模型识的应用装置。
121.图4示出了本技术一个实施例提供的调用养卡识别模型识别养卡行为的装置的结构示意图，图4所示装置中各模块具有实现图2中各个步骤的功能，并能达到其相应技术效果。如图4所示，该装置可以包括：
122.获取模块410，用于获取目标代理商的业务数据。
123.目标代理商的业务数据包括以下至少一项：目标代理商的行为数据、目标代理商的用户行为数据和目标代理商的出账数据；
124.输出模块420，用于将目标代理商的业务数据输入养卡识别模型，输出表征是否存在养卡行为的养卡识别结果。
125.本技术实施例采用95分位、四分位、线性回归算法处理表征出存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据，得到原始模型的参数，使得原始模型的参数更符合存在养卡行为的养卡行为标签数据对应的历史代理商的业务数据特性，在原始模型的基础上基于全部的历史代理商的业务数据进行养卡识别模型的训练，根据表征是否存在养卡行为的结果数据和养卡行为标签数据一致的命中率判定是否需要调整原始模型的参数，最终训练出符合预期要求的养卡识别模型，基于养卡识别模型可准确识别目标代理商的业务数据是否存在养卡行为。
126.图5示出了本技术一个实施例提供的养卡识别模型的训练设备的结构示意图。如图5所示，该设备可以包括处理器501以及存储有计算机程序指令的存储器502。
127.具体地，上述处理器501可以包括中央处理器(central processing unit，cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
128.存储器502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502可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器502可以包括可移除或不可移除(或固定)的介质，或者存储器502是非易失性固态存储器。存储器502可在综合网关容灾设备的内部或外部。
129.在一个实例中，存储器502可以是只读存储器(read only memory，rom)。在一个实例中，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。
130.处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现图1-2所示实施例中的方法，并达到图1-2所示实例执行其方法达到的相应技术效果，为简洁描述在此不再赘述。
131.在一个示例中，该养卡识别模型的训练设备还可包括通信接口503和总线510。其中，如图5所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
132.通信接口503，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的
通信。
133.总线510包括硬件、软件或两者，将在线数据流量计费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(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，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510可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
134.该养卡识别模型的训练设备可以执行本技术实施例中的养卡识别模型的训练方法，从而实现图1-2描述的养卡识别模型的训练方法的相应技术效果。
135.另外，结合上述实施例中的养卡识别模型的训练方法，本技术实施例可提供一种计算机存储介质来实现。该计算机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养卡识别模型的训练方法。
136.需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
137.以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
138.还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
139.上面参考根据本技术的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本技术的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬
件来实现，或可由专用硬件和计算机指令的组合来实现。
140.以上所述，仅为本技术的具体实施方式，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，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。