基于联邦学习的流量审计方法、设备、存储介质与流程

1.本发明涉及但不限于大数据领域，尤其涉及一种基于联邦学习的流量审计方法、设备、存储介质。


背景技术：

2.联邦学习通常包括多个训练节点，在满足用户私隐保护、数据安全和法规要求的情况下，多个训练节点联合进行机器学习建模，得到了广泛的应用。而由于联邦学习算法的隐私性设计，监控节点很难确定训练过程是否符合通信安全的规范，训练节点很可能通过私下传递密钥的方式进行训练，数据安全得不到保证。为了对联邦学习的训练过程进行监控管理，需要在训练过程中对每个训练节点进行流量审计，传统的方式要求训练数据包的传递在可信的硬件环境中进行，训练节点和监控节点预先约定好相互信任的硬件环境，每个训练节点按照约定的硬件环境进行硬件配置，但是这样对硬件成本的要求较高。
3.因此，更常用的流量审计方法是进行数据比对，训练节点向监控节点发送原始数据包，监控节点再通过抓包的方式从训练节点之间交互的训练数据包中抓取审计数据，通过审计数据和原始数据包的比对确定是否符合通信安全的规范。但是需要监控节点频繁使用通信指令从训练节点获取数据，联邦学习具有数据量大的特点，通信开销较大，而且抽检的目标是训练节点主动发送，因此对于训练节点是可知的，很容易只针对被抽检的数据进行合规操作，而其他数据进行规避，可靠性得不到保障。


技术实现要素：

4.以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
5.本发明实施例提供了一种基于联邦学习的流量审计方法、设备、存储介质，能够在联邦学习模型的训练过程中，提高流量审计的可靠性，减少监控管理的资源开销。
6.第一方面，本发明实施例提供了一种基于联邦学习的流量审计方法，包括：
7.训练节点通过vrf函数的初始化算法生成私钥和公钥，将所述公钥发送至监控节点；
8.所述训练节点根据公共随机参数和所述私钥，通过所述vrf函数生成与原始数据包相对应的参考随机数和证明文件，其中，所述公共随机参数预先设定于所述训练节点和所述监控节点；
9.所述训练节点随机选取目标原始数据包，将所述目标原始数据包、与目标所述原始数据包所对应的所述参考随机数和所述证明文件发送至所述监控节点；
10.所述监控节点抓取所述训练节点发送的训练数据包；
11.所述监控节点根据所述公共随机参数、所述公钥和所述目标原始数据包所对应的所述证明文件，通过verifyvrf函数得到检验随机数；
12.当所述监控节点确定所述检验随机数与所述目标原始数据包所对应的所述参考
随机数相匹配，根据所述目标原始数据包的传输顺序从所述训练数据包中确定目标训练数据包，并将所述目标原始数据包和所述目标训练数据包进行数据对比，得到所述训练节点的流量审计结果。
13.在一些实施例中，所述监控节点抓取所述训练节点发送的训练数据包，包括：
14.所述训练节点将用于发送所述训练数据包的通信端口信息上报至所述监控节点；
15.所述监控节点根据所述通信端口信息确定目标监听端口，并从所述目标监听端口抓取所述训练数据包。
16.在一些实施例中，在所述监控节点抓取所述训练节点发送的训练数据包之前，所述方法还包括：
17.所述训练节点确定全部的所述原始数据包的传输变量的变量名，根据所述变量名得到变量名目录，其中，所述变量名目录中的所述变量名按照所对应的所述原始数据包的传输时间顺序排列；
18.所述训练节点将所述变量名目录发送至所述监控节点；
19.所述训练节点将所述变量名添加至所对应的训练数据包的标签信息，从而使所述监控节点抓取到的所述训练数据包携带有所述变量名。
20.在一些实施例中，所述监控节点根据所述目标原始数据包的传输顺序从所述训练数据包中确定目标训练数据包，包括：
21.所述监控节点确定所述目标训练数据包的目标传输顺序，根据所述目标传输顺序从所述变量名目录中确定对应的目标变量名；
22.所述监控节点根据所述目标传输顺序确定对应的备选原始数据包，确定所述备选原始数据包所对应的变量名与所述目标变量名是否匹配，若是，确定所述备选原始数据包为所述目标原始数据包，若否，确定所述流量审计结果为不符合规范。
23.在一些实施例中，所述训练节点随机选取目标原始数据包，将所述目标原始数据包、与目标所述原始数据包所对应的所述参考随机数和所述证明文件发送至所述监控节点，包括：
24.所述训练节点根据所述参考随机数和所述变量名目录确定待发送原始数据包，所述待发送原始数据包的传输顺序与所述参考随机数相匹配；
25.所述训练节点将待发送原始数据包、与所述待发送原始数据包所对应的所述参考随机数和所述证明文件发送至所述监控节点。
26.在一些实施例中，所述对所述目标原始数据包和所述目标训练数据包进行数据对比，得到所述训练节点的流量审计结果，包括：
27.所述监控节点根据预先建立的联邦学习密钥对所述目标训练数据包进行解密；
28.当所述监控节点进行解密得到的目标训练数据中包括所述联邦学习密钥，确定所述训练节点的流量审计结果为不符合规范。
29.在一些实施例中，在所述监控节点根据预先建立的联邦学习密钥对所述目标训练数据包进行解密之后，所述方法还包括：
30.当所述监控节点进行解密得到的目标训练数据与所述目标原始数据包中的数据不一致，确定所述训练节点的流量审计结果为不符合规范。
31.第二方面，本发明实施例还提供了一种基于联邦学习的流量审计装置，所述基于
联邦学习的流量审计装置包括训练节点单元和监控节点单元；
32.所述训练节点单元，用于通过vrf函数的初始化算法生成私钥和公钥，将所述公钥发送至监控节点单元；
33.所述训练节点单元，还用于根据公共随机参数和所述私钥，通过所述vrf函数生成与原始数据包相对应的参考随机数和证明文件，其中，所述公共随机参数预先设定于所述训练节点和所述监控节点单元；
34.所述训练节点单元，还用于随机选取目标原始数据包，将所述目标原始数据包、与目标所述原始数据包所对应的所述参考随机数和所述证明文件发送至所述监控节点单元；
35.所述监控节点单元，用于抓取所述训练节点发送的训练数据包；
36.所述监控节点单元，还用于根据所述公共随机参数、所述公钥和所述目标原始数据包所对应的所述证明文件，通过verifyvrf函数得到检验随机数；
37.所述监控节点单元，还用于当确定所述检验随机数与所述目标原始数据包所对应的所述参考随机数相匹配，根据所述目标原始数据包的传输顺序从所述训练数据包中确定目标训练数据包，并将所述目标原始数据包和所述目标训练数据包进行数据对比，得到所述训练节点单元的流量审计结果。
38.第三方面，本发明实施例还提供了一种电子设备，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计算机程序时实现如第一方面所述的基于联邦学习的流量审计方法。
39.第四方面，本发明实施例还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，所述计算机可执行指令用于执行如第一方面所述的基于联邦学习的流量审计方法。
40.本发明实施例包括：训练节点通过vrf函数的初始化算法生成私钥和公钥，将所述公钥发送至监控节点；所述训练节点根据公共随机参数和所述私钥，通过所述vrf函数生成与原始数据包相对应的参考随机数和证明文件，其中，所述公共随机参数预先设定于所述训练节点和所述监控节点；所述训练节点随机选取目标原始数据包，将所述目标原始数据包、与目标所述原始数据包所对应的所述参考随机数和所述证明文件发送至所述监控节点；所述监控节点抓取所述训练节点发送的训练数据包；所述监控节点根据所述公共随机参数、所述公钥和所述目标原始数据包所对应的所述证明文件，通过verifyvrf函数得到检验随机数；当所述监控节点确定所述检验随机数与所述目标原始数据包所对应的所述参考随机数相匹配，根据所述目标原始数据包的传输顺序从所述训练数据包中确定目标训练数据包，并将所述目标原始数据包和所述目标训练数据包进行数据对比，得到所述训练节点的流量审计结果。根据本发明实施例提供的方案，能够通过vrf函数和verifyvrf函数验证训练节点采用正确的规则生成随机数，再通过监控节点随机选取证明文件得到检验随机数，根据检验随机数选取相对应的原始数据包和训练数据包，由于随机方式是由监控节点确定的，并且训练数据包是以随机抓取的方式得到，因此训练节点并不能预先得知用于被抽检的数据，有效提高了流量审计的可靠性，而且只需要一次开销发送相关数据，有效减少了抽检的通信资源消耗。
41.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利
要求书以及附图中所特别指出的结构来实现和获得。
附图说明
42.附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
43.图1是本发明一个实施例提供的基于联邦学习的流量审计方法的流程图；
44.图2是本发明另一个实施例提供的确定监听端口的流程图；
45.图3是本发明另一个实施例提供的创建变量名目录的流程图；
46.图4是本发明另一个实施例提供的通过变量名目录检验合规性的流程图；
47.图5是本发明另一个实施例提供的从变量名目录随机选取原始数据的流程图；
48.图6是本发明另一个实施例提供的确定未私下携带密钥的流程图；
49.图7是本发明另一个实施例提供的比对数据的流程图；
50.图8是本发明另一个实施例提供的基于联邦学习的流量审计装置的结构图；
51.图9是本发明另一个实施例提供的电子设备的结构图。
具体实施方式
52.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
53.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
54.本发明提供了一种基于联邦学习的流量审计方法、装置、设备、存储介质，该方法包括训练节点通过vrf函数的初始化算法生成私钥和公钥，将所述公钥发送至监控节点；所述训练节点根据公共随机参数和所述私钥，通过所述vrf函数生成与原始数据包相对应的参考随机数和证明文件，其中，所述公共随机参数预先设定于所述训练节点和所述监控节点；所述训练节点随机选取目标原始数据包，将所述目标原始数据包、与目标所述原始数据包所对应的所述参考随机数和所述证明文件发送至所述监控节点；所述监控节点抓取所述训练节点发送的训练数据包；所述监控节点根据所述公共随机参数、所述公钥和所述目标原始数据包所对应的所述证明文件，通过verifyvrf函数得到检验随机数；当所述监控节点确定所述检验随机数与所述目标原始数据包所对应的所述参考随机数相匹配，根据所述目标原始数据包的传输顺序从所述训练数据包中确定目标训练数据包，并将所述目标原始数据包和所述目标训练数据包进行数据对比，得到所述训练节点的流量审计结果。根据本发明实施例提供的方案，能够通过vrf函数和verifyvrf函数验证训练节点采用正确的规则生成随机数，再通过监控节点随机选取证明文件得到检验随机数，根据检验随机数选取相对应的原始数据包和训练数据包，由于随机方式是由监控节点确定的，并且训练数据包是以随机抓取的方式得到，因此训练节点并不能预先得知用于被抽检的数据，有效提高了流量审计的可靠性，而且只需要一次开销发送相关数据，有效减少了抽检的通信资源消耗。
55.下面结合附图，对本发明实施例作进一步阐述。
56.如图1所示，图1是本发明一个实施例提供的一种基于联邦学习的流量审计方法的流程图，在该方法中，包括但不限于有以下步骤：
57.步骤s110，训练节点通过vrf函数的初始化算法生成私钥和公钥，将公钥发送至监控节点；
58.步骤s120，训练节点根据公共随机参数和私钥，通过vrf函数生成与原始数据包相对应的参考随机数和证明文件，其中，公共随机参数预先设定于训练节点和监控节点；
59.步骤s130，训练节点随机选取目标原始数据包，将目标原始数据包、与目标原始数据包所对应的参考随机数和证明文件发送至监控节点；
60.步骤s140，监控节点抓取训练节点发送的训练数据包，从训练数据包中选取目标训练数据包，并确定对应的目标原始数据包，其中，目标训练数据包和目标原始数据包的传输顺序相同；
61.步骤s150，监控节点根据公共随机参数、公钥和目标原始数据包所对应的证明文件，通过verifyvrf函数得到检验随机数；
62.步骤s160，当监控节点确定检验随机数与目标原始数据包所对应的参考随机数相匹配，根据目标原始数据包的传输顺序从训练数据包中确定目标训练数据包，并将目标原始数据包和目标训练数据包进行数据对比，得到训练节点的流量审计结果。
63.值得注意的是，由于目标原始数据包是训练节点随机选取的，监控节点可能接收到多个记录，为了提高随机性，监控节点可以再进一步随机抽取若干个目标原始数据包进行检验，由于原始数据包和训练数据包的顺序是相同的，因此在抽取得到目标原始数据包之后，可以利用传输顺序确定对应的目标训练数据包，再进行后续的解密比对操作，使得训练节点对监控节点的抽检过程不可知，有效提高可靠性。
64.需要说明的是，训练节点可以通过vrf函数的初始化算法生成私钥和公钥，即vrf模块中的setup(1
λ
)
→
(sk,pk)，其中，λ为输入安全参数，sk为私钥，pk为公钥，本领域技术人员有能力根据实际需求选取λ具体的数值，在此不多作赘述。私钥用于生成随机数，公钥用于验证生成的随机数，即私钥应用于vrf函数，公钥应用于verifyvrf函数。
65.值得注意的是，通过发送公钥至监控节点，使得监控节点能够通过随机数对训练节点是否符合通信安全规范进行初步验证，例如，训练节点应用vrf函数的表达式为vrf(s,sk)
→
(r,π)，其中，s为公共随机参数，r为参考随机数，π为证明文件，监控节点的验证过程可以描述为verifyvrf(s,π,pk)
→
b，b为检验随机数，若监控节点与训练节点应用相同的随机规则，则私钥sk和公钥pk归属于同一密钥对，此时可以得到b＝r，此时可以执行后续的数据对比以确定流量审计结果；否则，当通过上述表达式计算出的b与r数值不同，则可以确定训练节点修改了随机规则，此时可以确定训练节点不符合通信安全的规范。
66.需要说明的是，公共随机参数s可以从联邦学习模型中选取不同的参数，例如选取seed、role、t、或者loss，其中，seed为约定好的种子，role为训练节点自身的抉择，loss为当前的联邦学习模型迭代计算出的损失值，t为当前的联邦学习模型迭代的轮数，本领域技术人员有动机根据实际需求选取合适的参数，在此不多作限定。
67.需要说明的是，监控节点可以通过抓包软件获取训练数据，例如，在确定训练节点所对应的通信端口之后，对通过该通信端口发出的数据进行抓取，取代现有技术中训练节
点主动发送训练数据包至监控节点的方式，能够有效提高流量审计的可靠性。
68.需要说明的是，上述步骤中的步骤s110和步骤s130的数据发送可以是同时执行，以减少通信开销，节约资源，采用本实施例的技术方案，训练节点与监控节点之间只需要进行一次通信，并不需要额外的通信资源开销发送数据，只需要确保监控节点和训练节点采用相同的随机规则，则可以从抓取的数据中确定对应目标原始数据包，有效提高流量审计的可靠性。
69.需要说明的是，对于训练数据包的抓取，可以以联邦学习开始为触发信号，以联邦学习结束为停止信号，也可以在每完成一次流量审计之后确定联邦学习是否在继续进行，若是，则继续进行下一次的流量审计。
70.另外，参照图2，在一实施例中，图1所示实施例中的步骤s140还包括但不限于有以下步骤：
71.步骤s210，训练节点将用于发送训练数据包的通信端口信息上报至监控节点；
72.步骤s220，监控节点根据通信端口信息确定目标监听端口，并从目标监听端口抓取训练数据包。
73.值得注意的是，联邦学习通常涉及多个训练节点，因此每两个训练节点之间的通信端口并不相同，监控节点要确定目标监听端口，以确保能够从正确的端口获取当前训练节点的训练数据包。
74.值得注意的是，为了避免不同的训练节点通过通信端口私下传递密钥，监控节点在确定目标监听端口之后，屏蔽其他的通信端口，以确保数据的准确性和可靠性。
75.需要说明的是，在确定目标监听端口之后，可以通过抓取软件抓取所有通信的数据包，以确保通过随机数能够成功得到训练数据包。
76.另外，参照图3，在一实施例中，在执行图1所示实施例中的步骤s140之前，还包括但不限于有以下步骤：
77.步骤s310，训练节点确定全部的原始数据包的传输变量的变量名，根据变量名得到变量名目录，其中，变量名目录中的变量名按照所对应的原始数据包的传输时间顺序排列；
78.步骤s320，训练节点将变量名目录发送至监控节点；
79.步骤s330，训练节点将变量名添加至所对应的训练数据包的标签信息，从而使监控节点抓取到的训练数据包携带有变量名。
80.值得注意的是，由于联邦学习的数据量较大，因此训练数据包和原始数据包中都包含有大量的数据和变量，为了更容易辨认数据包，可以通过数据包中传输变量的变量名得到变量名目录，同时在数据包的标签中增加变量名。不同的传输变量通常具有不同的变量名，因此变量名重复的概率较小，因此，监控节点在抓取到训练数据包之后，能够通过标签信息中的变量名，结合变量名目录进行比对，从而提高检验效率。
81.需要说明是的，训练节点还需要在本地保存所有通信发送的传输变量的原始数据，例如未加密和未加任何随机掩码的数据，同时也要保存这次通信用到的随机掩码、同态加密解密密钥等信息，上述数据可以保存在变量名目录，本实施例对此不多作限定。
82.另外，参照图4，在一实施例中，图1所示实施例中的步骤s140还包括但不限于有以下步骤：
83.步骤s410，监控节点确定目标训练数据包的目标传输顺序，根据目标传输顺序从变量名目录中确定对应的目标变量名；
84.步骤s420，监控节点根据目标传输顺序确定对应的备选原始数据包，确定备选原始数据包所对应的变量名与目标变量名是否匹配，若是，确定备选原始数据包为目标原始数据包，若否，确定流量审计结果为不符合规范。
85.需要说明的是，由于训练数据的数据基础是原始数据，因此训练数据包和原始数据包位于相同传输顺序的变量是相同的，并且参考上述实施例所述，变量名目录是按照传输时间顺序编排的，因此，为了提高目标原始数据包的匹配效率，可以在确定目标训练数据包的目标传输顺序之后，从变量名目录中查询出相应顺序的目标变量名，通过与备选原始数据包的变量名进行匹配，若不相同，则可以确定训练节点没有按照传输顺序发送数据，或者发送的数据与原始数据不相同，不符合通信安全的规范；若相同，则可以确定训练节点正确发送数据，可以进行后续数据比对以确定流量审计结果。
86.另外，参照图5，在一实施例中，图1所示实施例中的步骤s130还包括但不限于有以下步骤：
87.步骤s510，训练节点根据参考随机数和变量名目录确定待发送原始数据包，待发送原始数据包的传输顺序与参考随机数相匹配；
88.步骤s520，训练节点将待发送原始数据包、与待发送原始数据包所对应的参考随机数和证明文件发送至监控节点。
89.需要说明的是，为了进一步提高流量审计抽检的随机性，训练节点可以根据参考随机数和变量名目录随机选取部分记录作为待发送原始数据包，例如得到一个参考随机数r
i
，根据r
i
从中随机选取待发送原始数据，其中，l
i
为变量名目录，t为当前联邦学习模型的迭代轮数。
90.另外，参照图6，在一实施例中，图1所示实施例中的步骤s160还包括但不限于有以下步骤：
91.步骤s610，监控节点根据预先建立的联邦学习密钥对目标训练数据包进行解密；
92.步骤s620，当监控节点进行解密得到的目标训练数据中包括联邦学习密钥，确定训练节点的流量审计结果为不符合规范。
93.值得注意的是，在各训练节点将公钥发送至监控节点之后，为了进行联邦学习，需要各训练节点和监控节点生成联邦学习密钥，例如常见的同态加密密钥，具体而言同态加密包含一对公私密钥(pk
h
,sk
h
)，可以用[
·
]表征用pk
h
进行加密后的同态加密，例如m为明文，[m]则为同态加密后的密文，这里我们采用了乘法同态的同态加密，即[m1+m2]＝[m1]+[m2]和[cm]＝c[m]，其中c为正整数。
[0094]
需要说明的是，根据联邦学习密钥，监控节点能够对目标训练数据包进行解密，具体的解密过程并非本实施例做出的改进，在此不多作赘述。通过解密，能够得到目标训练数据包中的目标训练数据，当目标训练数据中包括联邦学习密钥，则可以确定对应的训练节点私下传递密钥，因此，流量审计结果可以确定为该训练节点不符合通信安全的规范。
[0095]
需要说明的是，在解密过程中，若在加密过程中增加了随机掩码，还需要减去随机掩码，以确保数据恢复原有。
[0096]
另外，参照图7，在一实施例中，在执行完图6所示实施例中的步骤s610之后，还包
括但不限于有以下步骤：
[0097]
步骤s710，当监控节点进行解密得到的目标训练数据与目标原始数据包中的数据不一致，确定训练节点的流量审计结果为不符合规范。
[0098]
需要说明的是，采用本发明的随机抽取数据的方式，得到的目标训练数据和目标原始数据包中的数据应当是相同的数据，因此，可以直接通过数据对比确定流量审计结果，具体的对比方式在此不多作赘述。
[0099]
另外，参考图8，在一实施例中，还提供了一种基于联邦学习的流量审计装置，基于联邦学习的流量审计装置800包括训练节点单元810和监控节点单元820；
[0100]
训练节点单元810，用于通过vrf函数的初始化算法生成私钥和公钥，将公钥发送至监控节点单元820；
[0101]
训练节点单元810，还用于根据公共随机参数和私钥，通过vrf函数生成与原始数据包相对应的参考随机数和证明文件，其中，公共随机参数预先设定于训练节点和监控节点单元820；
[0102]
训练节点单元810，还用于随机选取目标原始数据包，将目标原始数据包、与目标原始数据包所对应的参考随机数和证明文件发送至监控节点单元820；
[0103]
监控节点单元820，用于抓取训练节点发送的训练数据包；
[0104]
监控节点单元820，还用于根据公共随机参数、公钥和目标原始数据包所对应的证明文件，通过verifyvrf函数得到检验随机数；
[0105]
监控节点单元820，还用于当确定检验随机数与目标原始数据包所对应的参考随机数相匹配，根据目标原始数据包的传输顺序从训练数据包中确定目标训练数据包，并将目标原始数据包和目标训练数据包进行数据对比，得到训练节点单元810的流量审计结果。
[0106]
另外，参照图9，本发明的一个实施例还提供了一种电子设备，该电子设备900包括：存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序。
[0107]
处理器920和存储器910可以通过总线或者其他方式连接。
[0108]
实现上述实施例的基于联邦学习的流量审计方法所需的非暂态软件程序以及指令存储在存储器910中，当被处理器920执行时，执行上述实施例中的基于联邦学习的流量审计方法，例如，执行以上描述的图1中的方法步骤s110至步骤s160、图2中的方法步骤s210至步骤s220、图3中的方法步骤s310至步骤s330、图4中的方法步骤s410至步骤s420、图5中的方法步骤s510至步骤s520、图6中的方法步骤s610至步骤s620、图7中的方法步骤s710。
[0109]
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
[0110]
此外，本发明的一个实施例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存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于联邦学习的流量审计方法，例如，执行以上描述的图1中的方法步骤s110至步骤s160、图2中的方法步骤s210至步骤s220、图3中的方法步骤s310至步骤s330、图4中的方法步骤s410至步骤s420、图5中的方法步骤s510至步骤s520、图6中的方法步骤s610至步骤s620、图7中的方法步骤s710。本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系
统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd
‑
rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0111]
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。