业务维度预测模型的训练方法及相关装置与流程

1.本技术涉及人工智能领域，尤其涉及一种业务维度预测模型的训练方法及相关装置。


背景技术：

2.随着各行业信息化水平的提升，信息系统覆盖规模日趋增大，随之产生的信息系统中的监控数据也有爆发式增长。面对大量的监控数据，需要一种有效的数据分析方法对监控数据进行挖掘分析，以达到对信息系统中的异常数据告警的目的。
3.在现有技术中，大多采用“事后告警”的方法对信息系统中的异常数据进行告警。具体地，针对信息系统中的每一个运行指标预先设定一个经验阈值，当该运行指标对应的监控数据达到预设的阈值后触发对该运行指标的告警。此类“事后告警”的方法虽然可以及时反馈信息系统中的异常情况，但实际收到告警时异常情况已经发生，导致信息系统的安全性较低。因此，如何通过对信息系统中的历史监控数据的处理提高信息系统的安全性成为了亟待解决的问题。


技术实现要素：

4.本技术提出了人工智能领域中一种业务维度预测模型的训练方法及相关装置，提高了业务维度预测模型的准确度。
5.第一方面，本技术提供一种业务维度预测模型的训练方法。所述方法包括：采集第一信息系统在第一时刻的第一监控数据；获取第一告警信息，所述第一告警信息用于表示所述第一信息系统在第二时刻的监控数据是否异常，所述第二时刻位于所述第一时刻之后；根据所述第一监控数据和所述第一告警信息，对所述业务维度预测模型进行训练，所述第一告警信息用作所述第一监控数据的标签。
6.本方法中，根据第一信息系统在第一时刻的第一监控数据和第一告警信息对业务维度预测模型进行训练，第一告警信息用于表示第一信息系统在第二时刻的监控数据是否异常，第二时刻位于第一时刻之后，提高了业务维度预测模型的准确度。
7.在一种可能的实现方式中，所述第一监控数据包括多个监控指标对应的监控数据。
8.在一种可能的实现方式中，所述方法还包括：获取第一监控指标对应的多个监控数据，所述第一监控指标为所述多个监控指标中的一个，所述多个监控数据的采集时刻不同；使用最小二乘法根据所述多个监控数据，拟合得到在先时刻时所述第一监控指标对应的监控数据与在后时刻时所述第一监控指标对应的监控数据之间的映射关系。
9.该实现方式中，使用最小二乘法根据第一监控指标的多个监控数据和每个监控数据对应的采集时刻，拟合得到在先时刻时第一监控指标对应的监控数据与在后时刻时第一监控指标对应的监控数据之间的映射关系，提高了在先时刻时第一监控指标对应的监控数据与在后时刻时第一监控指标对应的监控数据之间的映射关系的准确度。
10.在一种可能的实现方式中，所述多个监控指标包括以下指标中一种或多种：基础资源类指标、中间件资源类指标和业务处理类指标。
11.在一种可能的实现方式中，所述根据所述第一监控数据和所述第一告警信息，对所述业务维度预测模型进行训练，包括：对所述第一监控数据进行标准化处理，得到标准化数据；将所述标准化数据转化为特征向量；将所述特征向量作为所述业务维度预测模型的输入，将所述第一告警信息作为所述特征向量的标签，对所述业务维度预测模型进行训练。
12.该实现方式中，对第一监控数据进行标准化处理并转化为特征向量，将该特征向量作为业务维度预测模型的输入，将第一告警信息作为特征向量的标签，对业务维度预测模型进行训练，提高了业务维度预测模型的准确度。
13.第二方面，本技术提供一种监控数据的告警方法，所述方法包括：采集信息系统在当前时刻的监控数据；使用业务维度预测模型基于所述监控数据预测所述信息系统在所述下一时刻的监控数据的告警信息，所述业务维度预测模型为使用如权利要求1至5中任一项所述的训练方法得到的业务维度预测模型；根据所述告警信息确定所述信息系统在所述下一时刻的监控数据是否异常。
14.本方法中，使用业务维度预测模型基于当前时刻的监控数据预测信息系统在下一时刻的监控数据的告警信息，根据该告警信息确定信息系统在下一时刻的监控数据是否异常，并对信息系统中下一时刻的异常数据进行预警，提高了信息系统的安全性。
15.在一种可能的实现方式中，所述监控数据包括多个监控指标对应的监控数据，且根据所述告警信息确定所述信息系统在所述下一时刻的监控数据异常的情况下，所述方法还包括：针对所述多个监控指标中每个监控指标在所述当前时刻对应的单项监控数据，使用在先时刻时所述每个监控指标对应的监控数据与在后时刻时所述每个监控指标对应的监控数据之间的映射关系，基于所述每个监控指标在所述当前时刻对应的单项监控数据，估计所述每个监控指标在所述当前时刻之后的时刻对应的单项监控数据，所述映射关系为使用如权利要求3所述的训练方法拟合得到的映射关系；输出所述每个监控指标在所述当前时刻之后的时刻对应的单项监控数据。
16.该实现方式中，使用在先时刻时每个监控指标对应的监控数据与在后时刻时每个监控指标对应的监控数据之间的映射关系，基于每个监控指标在当前时刻对应的单项监控数据，估计每个监控指标在当前时刻之后的时刻对应的单项监控数据，并输出每个监控指标在当前时刻之后的时刻对应的单项监控数据，提高了信息系统的安全性。
17.第三方面，本技术提供一种业务维度预测模型的训练装置，所述装置可以包括用于实现第一方面中的方法的各个模块，这些模块可以通过软件和/或硬件的方式实现。
18.第四方面，本技术提供一种监控数据的告警装置，所述装置可以包括用于实现第二方面中的方法的各个模块，这些模块可以通过软件和/或硬件的方式实现。
19.第五方面，本技术提供一种业务维度预测模型的训练装置。该装置可以包括与存储器耦合的处理器。其中，该存储器用于存储程序代码，该处理器用于执行该存储器中的程序代码，以实现第一方面或其中任意一种实现方式中的方法。
20.可选地，该装置还可以包括该存储器。
21.第六方面，本技术提供一种监控数据的告警装置。该装置可以包括与存储器耦合的处理器。其中，该存储器用于存储程序代码，该处理器用于执行该存储器中的程序代码，
以实现第二方面或其中任意一种实现方式中的方法。
22.可选地，该装置还可以包括该存储器。
23.第七方面，本技术提供一种计算机可读介质，该计算机可读介质存储用于设备执行的程序代码，该程序代码包括用于执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
24.第八方面，本技术提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
25.第九方面，本技术提供一种计算系统，包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器通过线路互联，所述通信接口与目标系统通信，所述至少一个处理器用于运行计算机程序或指令，以执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。
附图说明
26.图1为本技术的实施例的一种业务维度预测模型的训练方法的流程示意图；
27.图2为本技术的实施例的一种单指标预测模型的训练方法的流程示意图；
28.图3为本技术的实施例的一种监控数据的告警方法的流程示意图；
29.图4为本技术一个实施例的训练装置的示意性结构图；
30.图5为本技术一个实施例的监控数据的告警装置的示意性结构图；
31.图6为本技术一个实施例提供的装置的结构示意图。
具体实施方式
32.为了便于理解，下面将结合具体实施例和相关附图对本技术进行介绍。
33.图1为本技术的实施例的一种业务维度预测模型的训练方法的流程示意图，如图1所示，该方法至少包括s101至s105。
34.s101，采集第一信息系统在第一时刻的第一监控数据。
35.第一时刻表示第一监控数据的采集时刻，第一监控数据包括多个监控指标对应的第一信息系统在第一时刻的监控数据。第一信息系统中的监控指标可以分为第一类监控指标、第二类监控指标和第三类监控指标。
36.示例性的，第一类监控指标为比率类监控指标，例如中央处理器(central processing unit，cpu)使用百分比、交易成功率等；第二类监控指标为值域类监控指标，例如内存使用量等；第三类监控指标为数值类监控指标，例如交易笔数、网络连接数、交易处理整体耗时等。
37.在一种可能的实现方式中，预先设置采集监控指标和采集频率，根据设置的采集监控指标和采集频率，在第一信息系统的历史监控数据中采集第一信息系统在第一时刻的第一监控数据。
38.示例性的，设置采集监控指标为cpu使用百分比、内存使用量和网络连接数，设置采集频率为10分钟，那么，第一信息系统将会每10分钟采集一次当前时刻的cpu使用百分比、内存使用量和网络连接数。
39.第一时刻为第一信息系统根据设置的采集频率和采集监控指标进行监控数据采集的任意一个采集时刻。
40.采集监控指标和采集频率可以根据实际需要进行设置，本技术不做限制。
41.s102，获取第一告警信息，第一告警信息用于表示第一信息系统在第二时刻的监控数据是否异常，第二时刻位于第一时刻之后。
42.在第一信息系统的历史监控数据中获取第一告警信息，第一告警信息用于表示第一信息系统在第一时刻根据设置的采集监控指标采集的第一监控数据在第二时刻是否异常，其中，第二时刻位于第一时刻之后。
43.示例性的，第一信息系统在第一时刻采集了cpu使用百分比、内存使用量和网络连接数之后，获取第一信息系统在下一时刻的cpu使用百分比、内存使用量和网络连接数的告警信息，若第一信息系统在下一时刻的cpu使用百分比、内存使用量和网络连接数存在异常，则将告警信息记为“1”；若第一信息系统在下一时刻的cpu使用百分比、内存使用量和网络连接数不存在异常，则将告警信息记为“0”。
44.s103，对第一监控数据进行标准化处理，得到第一标准化数据。
45.对属于不同类型的第一监控数据的标准化处理方法不同，对属于第一类监控指标的第一监控数据不进行标准化处理，对属于第二类监控指标和第三类监控指标的第一监控数据进行标准化处理。
46.示例性的，对属于第一类监控指标的第一监控数据不进行标准化处理，即zi＝xi，其中，zi表示第一标准化数据，xi表示属于第一类监控指标的第一监控数据。
47.示例性的，对属于第二类监控指标的第一监控数据进行标准化处理的方法可以为：
[0048][0049]
其中，zi表示第一标准化数据，xi表示属于第二类监控指标的第一监控数据，n表示xi的值域的上限，i为大于或等于0的正整数。
[0050]
示例性的，对属于第三类监控指标的第一监控数据进行标准化处理的方法可以为：
[0051][0052]
其中，zi表示第一标准化数据，xi表示属于第三类监控指标的第一监控数据，n表示第一监控数据中所有属于第三类监控指标的第一监控数据的个数，i为大于或等于0的正整数。
[0053]
s104，选取业务维度特征向量样本数据。
[0054]
在一种可能的实现方式中，业务维度特征向量可以包括第一时刻、第一标准化数据和第一告警信息。
[0055]
示例性的，业务维度特征向量可以表示为{t,z1,z2,...zn,y}，其中，t表示第一时刻，z1,z2,...,zn表示第一标准化数据，y表示第一告警信息。
[0056]
业务维度特征向量样本数据中包括最近m个采集时刻采集的业务维度特征向量和最近n次发生监控数据异常时对应的业务维度特征向量。最近m个采集时刻采集的业务维度
特征向量可以理解为采集m次第一时刻对应的业务维度特征向量，最近n次发生监控数据异常时对应的业务维度特征向量可以理解为采集n次第一监控数据在第二时刻存在异常时对应的业务维度特征向量。其中，m-n≥10，m和n为大于或等于0的正整数。一般情况下，在采集过程中如有重复数据，只记录一次即可。
[0057]
示例性的，业务维度特征向量样本数据中包含最近30个采集时刻采集的业务维度特征向量和最近20次发生监控数据异常时对应的业务维度特征向量。
[0058]
若选取的业务维度特征向量的个数不满足上述业务维度特征向量样本数据的选取规则，可以根据经验在业务维度特征向量样本数据中插入相应的业务维度特征向量，或者继续采集后续时刻的业务维度特征向量，直到满足业务维度特征向量样本数据的选取规则为止。
[0059]
s105，根据业务维度特征向量样本数据，对业务维度预测模型进行训练。
[0060]
将业务维度特征向量样本数据中的第一标准化数据作为业务维度预测模型的输入，将第一告警信息作为第一标准化数据的标签，对业务维度预测模型进行训练。
[0061]
示例性的，选取逻辑回归模型作为业务维度预测模型的基础模型，使用业务维度特征向量样本数据对逻辑回归模型进行训练，得到业务维度预测模型。
[0062]
选取的逻辑回归模型如下：
[0063][0064]
其中，β＝{β1,β2,...,βn}表示逻辑回归模型权重参数，x＝{x1,x2,...,xn}表示逻辑回归模型的输入变量。
[0065]
逻辑回归模型的训练过程如下：
[0066]
p(y|z；β)＝(f
β
(z))y(1-f
β
(z))
1-y
[0067][0068]
其中，β＝{β1,β2,...,βn}表示逻辑回归模型权重参数，z＝{z1,z2,...,zn}表示业务维度特征向量样本数据中的第一标准化数据，y表示第一标准化数据对应的第一告警信息，p表示第一标准化数据发生异常或不发生异常的概率，i(β)表示极大似然估计损失函数，用于评价逻辑回归模型，极大似然估计损失函数i(β)的值越大，表示逻辑回归模型越精确。
[0069]
训练完成后的逻辑回归模型即为本技术中的业务维度预测模型。
[0070]
本技术提出的技术方案中，选取第一时刻、对第一监控数据进行标准化处理后得到的第一标准化数据和第一告警信息作为业务维度特征向量样本数据，基于业务维度特征向量样本数据和逻辑回归模型对业务维度预测模型进行训练，提高了业务维度预测模型的准确度。
[0071]
图2为本技术的实施例的一种单指标预测模型的训练方法的流程示意图，如图2所示，该方法至少包括s201至s204。
[0072]
s201，获取第一信息系统中第一监控指标对应的多个监控数据及每个监控数据对应的采集时刻，第一监控指标为第一信息系统中多个监控指标中的一个。
[0073]
第一信息系统中有多个监控指标，第一监控指标为第一信息系统中多个监控指标
中的一个。例如，第一监控指标可以为处理器使用率、内存使用量、磁盘读写使用率、中间件资源使用量、交易成功率或业务处理时长等。
[0074]
在第一信息系统中，第一监控指标在不同的采集时刻对应不同的监控数据；在同一个采集时刻，只存在一个第一监控指标对应的监控数据。获取第一信息系统中第一监控指标对应的多个监控数据及每个监控数据对应的采集时刻。
[0075]
s202，对第一监控指标对应的多个监控数据进行标准化处理，得到第二标准化数据。
[0076]
首先判断第一监控指标属于第一类监控指标、第二类监控指标和第三类监控指标中的哪一类监控指标，再根据第一监控指标所属的监控指标类别进行对应的标准化处理，得到第二标准化数据。
[0077]
需要说明的是，对第一监控指标对应的多个监控数据进行标准化处理可以参照s103，此处不再进行赘述。
[0078]
s203，选取单指标特征向量样本数据。
[0079]
在一种可能的实现方式中，单指标特征向量可以包括采集时刻和对应的第二标准化数据。
[0080]
示例性的，单指标特征向量可以表示为{t,zi}，其中，t表示采集时刻，zi表示与采集时刻t对应的第二标准化数据。
[0081]
单指标特征向量样本数据的选取规则为单指标特征向量样本数据中采集的第二标准数据的个数大于或等于10，即单指标特征向量样本数据中采集时刻的个数大于或等于10。
[0082]
若选取的单指标特征向量样本数据的个数不满足上述单指标特征向量样本数据的选取规则，可以根据经验在单指标特征向量样本数据中插入相应的单指标特征向量，或者继续采集后续时刻的第二标准化数据，并记录对应的采集时刻，直到满足单指标特征向量样本数据的选取规则为止。
[0083]
s204，根据单指标特征向量样本数据对单指标预测模型进行训练。
[0084]
示例性的，选取x＝at+b作为单指标预测模型的基础模型，使用最小二乘估计的方法基于单指标特征向量样本数据对x＝at+b进行训练，得到单指标预测模型。
[0085]
在对x＝at+b进行训练之前，将单指标特征向量样本数据中的采集时刻t转化为采集时刻序列其中q为单指标特征向量样本数据中的采集时刻t的个数，q≥10。
[0086]
单指标预测模型的训练过程如下：
[0087][0088][0089]
[0090][0091]
其中，zi表示第二标准化数据，ti表示第二标准化数据zi对应的采集时刻，n表示单指标特征向量样本数据中第二标准化数据的个数，也即单指标特征向量样本数据中采集时刻的个数，a和为单指标预测模型的模型参数。
[0092]
训练完成后的即为本技术中的单指标预测模型。
[0093]
本技术提出的技术方案中，选取对第一监控指标对应的多个监控数据进行标准化处理后得到的第二标准化数据和每个监控数据对应的采集时间作为单指标特征向量样本数据，基于单指标特征向量样本数据和最小二乘估计法对单指标预测模型进行训练，提高了单指标预测模型的准确度。
[0094]
图3为本技术的实施例的一种监控数据的告警方法的流程示意图，如图3所示，该方法至少包括s301至s305。
[0095]
s301，采集信息系统在当前时刻的监控数据。
[0096]
信息系统在当前时刻的监控数据包括多个监控指标对应的监控数据，信息系统中的监控指标可以包括处理器使用率、内存使用量、磁盘读写使用率、中间件资源使用量、交易成功率和业务处理时长等。
[0097]
s302，使用业务维度预测模型基于当前时刻的监控数据计算信息系统在下一时刻的监控数据异常的预测值。
[0098]
将采集的信息系统在当前时刻的监控数据输入至训练好的业务维度预测模型中，可以得到信息系统在下一时刻的监控数据异常的预测值，该预测值的值域为[0,1]。
[0099]
s303，根据预测值确定是否对信息系统在下一时刻的监控数据进行预警。
[0100]
在一种可能的实现方式中，预先设置信息系统的业务维度预警阈值，若根据业务维度预测模型得到的信息系统在下一时刻的监控数据异常的预测值大于或等于预先设置的业务维度预警阈值，则对信息系统在下一时刻的监控数据进行预警；若根据业务维度预测模型得到的信息系统在下一时刻的监控数据异常的预测值小于预先设置的业务维度预警阈值，则不对信息系统在下一时刻的监控数据进行预警。
[0101]
示例性的，预先设置信息系统的业务维度预警阈值为0.5，若根据业务维度预测模型得到的信息系统在下一时刻的监控数据异常的预测值大于或等于0.5，则对信息系统在下一时刻的监控数据进行预警；若根据业务维度预测模型得到的信息系统在下一时刻的监控数据异常的预测值小于0.5，则不对信息系统在下一时刻的监控数据进行预警。
[0102]
s304，使用单指标预测模型基于当前时刻的单项指标对应的监控数据预测信息系统在下一时刻的该单项指标对应的监控数据。
[0103]
将信息系统中的多个监控指标中每个监控指标在当前时刻对应的单指标监控数据输入至训练好的单指标预测模型中，可以计算出每个监控指标在下一时刻对应的单指标监控数据的预测值。
[0104]
s305，输出每个监控指标在下一时刻对应的单指标监控数据的预测值。
[0105]
可选的，若信息系统根据业务维度预测模型得到的下一时刻的监控数据异常的预测值对下一时刻的监控数据进行了预警，则同时输出信息系统中每个监控指标在下一时刻对应的单指标监控数据的预测值，以便运维人员进行预警排查处理。
[0106]
本技术提出的技术方案中，使用业务维度预测模型基于当前时刻的监控数据计算信息系统在下一时刻的监控数据异常的预测值，根据预设的预警阈值和该预测值确定信息系统在下一时刻的监控数据是否异常，并对信息系统中下一时刻的异常数据进行预警；使用单指标预测模型，基于信息系统中每个监控指标在当前时刻对应的单指标监控数据，估计每个监控指标在当前时刻之后的时刻对应的单指标监控数据，并输出每个监控指标在当前时刻之后的时刻对应的单指标监控数据，提高了信息系统的安全性。
[0107]
图4为本技术一个实施例的训练装置的示意性结构图。如图4所示，装置400可以包括采集模块401、获取模块402和训练模块403。可选的，装置400还可以包括处理模块404。
[0108]
装置400可以用于实现图1或图2所示的方法。
[0109]
图5为本技术一个实施例的监控数据的告警装置的示意性结构图。如图5所示，装置500可以包括采集模块501、预测模块502和处理模块503。可选的，装置500还可以包括输出模块504。
[0110]
装置500可以用于实现图3所示的方法。
[0111]
图6为本技术一个实施例提供的装置的结构示意图。图6所示的装置600可以用于执行前述任意一个实施例所述的方法。
[0112]
如图6所示，本实施例的装置600包括：存储器601、处理器602、通信接口603以及总线604。其中，存储器601、处理器602、通信接口603通过总线604实现彼此之间的通信连接。
[0113]
存储器601可以是只读存储器(read only memory，rom)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，ram)。存储器601可以存储程序，当存储器601中存储的程序被处理器602执行时，处理器602可以用于执行图1至图3所示的方法的各个步骤。
[0114]
处理器602可以采用通用的中央处理器(central processing unit，cpu)，微处理器，应用专用集成电路(application specific integrated circuit，asic)，或者一个或多个集成电路，用于执行相关程序，以实现本技术方法实施例的业务维度预测模型的训练方法和监控数据的告警方法。
[0115]
处理器602还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本技术各个实施例的方法的各个步骤可以通过处理器602中的硬件的集成逻辑电路或者软件形式的指令完成。
[0116]
上述处理器602还可以是通用处理器、数字信号处理器(digital signal processing，dsp)、专用集成电路(asic)、现成可编程门阵列(field programmable gate array，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。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。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。
[0117]
结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601，处理器602读取存储器601中的信息，结合其硬件完成本技术实施例中各个方法所需执行的功能，例如，可以执行图1至图3所示实施例的各个步骤/功能。
[0118]
通信接口603可以使用但不限于收发器一类的收发装置，来实现装置600与其他设备或通信网络之间的通信。
[0119]
总线604可以包括在装置600各个部件(例如，存储器601、处理器602、通信接口603)之间传送信息的通路。
[0120]
应理解，本技术实施例所示的装置600可以是电子设备，或者，也可以是配置于电子设备中的芯片。
[0121]
应理解，本技术实施例中的处理器可以为中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，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。
[0122]
还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，ram)可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。
[0123]
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质。半导体介质可以是固态硬盘。
[0124]
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a,b可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
[0125]
本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至
少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
[0126]
应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0127]
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技术的范围。
[0128]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置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。
[0129]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0130]
所述作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，作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。
[0131]
另外，在本技术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。
[0132]
所述功能如果以软件功能单元的形式实现并作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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0133]
以上所述，仅为本技术的具体实施方式，但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，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。