云资源的分配方法、装置、电子设备及程序产品与流程

1.本发明涉及计算机技术领域，尤其涉及云资源的分配方法、装置、电子设备及程序产品。


背景技术：

2.云服务平台通过分布式和虚拟化等技术，实现了异构资源的统一管理与动态分配，使得计算和存储等基础设施资源都能实现按需购买、集中运维。
3.但是相关技术中，云服务平台的资源分配受到规则限制，存在云资源分配不足，难以满足业务运行需求的技术问题。


技术实现要素：

4.本发明的主要目的在于提供一种云资源的分配方法、装置、电子设备及程序产品，旨在解决相关技术中云资源分配不足的技术问题。
5.为实现上述目的，本发明提供一种云资源的分配方法，包括：
6.获取云服务平台的资源伸缩规则与业务运行监控信息，其中，资源伸缩规则用于控制云服务平台的资源的分配；
7.根据业务运行监控信息，判断资源伸缩规则与云服务平台的运行业务是否匹配；
8.若不匹配，将业务运行监控信息输入规则预测模型，获得规则预测模型输出的资源伸缩规则预测结果；
9.根据资源伸缩规则预测结果，分配资源。
10.在一实施例中，根据资源伸缩规则预测结果，分配资源，包括：
11.根据资源伸缩规则预测结果，获得规则编排指令集；
12.根据规则编排指令集对资源伸缩规则进行更新，获得更新后的资源伸缩规则；
13.根据更新后的资源伸缩规则，分配资源；
14.其中，规则编排指令集包括以下指令的至少一种：
15.监控间隔、预设周期时长、扩容触发阈值、缩容触发阈值、扩容触发时长、缩容触发时长、资源扩容粒度以及资源缩容粒度。
16.在一实施例中，获取云服务平台的资源伸缩规则与业务运行监控信息，包括：
17.获取云服务平台在当前预设周期内的资源伸缩规则与业务运行监控信息。
18.在一实施例中，判断资源伸缩规则与业务运行监控信息是否匹配之后，方法还包括：
19.若匹配，则进入下一预设周期，并返回执行获取云服务平台在当前预设周期内的资源伸缩规则与业务运行监控信息。
20.在一实施例中，根据业务运行监控信息，判断资源伸缩规则与云服务平台的运行业务是否匹配，包括：
21.根据业务运行监控信息，获得云服务平台在当前预设周期内的资源平均配置不足
率和/或资源配置过量率；
22.判断当前预设周期内的资源平均配置不足率和/或资源配置过量率是否满足预设条件；
23.根据判断结果，确定所述资源伸缩规则与所述云服务平台的运行业务是否匹配。
24.在一实施例中，获取云服务平台的资源伸缩规则与业务运行监控信息之前，方法还包括：
25.获取云服务平台的历史业务运行监控信息和历史资源伸缩规则；
26.根据历史业务运行监控信息和历史资源伸缩规则，确定训练样本集；
27.将训练样本中的训练数据集输入gru神经网络模型中的机器学习库函数中确定训练函数；
28.将训练样本中的验证数据集输入gru神经网络模型中的机器学习库函数中对训练函数进行验证，根据验证结果输出规则预测模型。
29.在一实施例中，若不匹配，将业务运行监控信息输入规则预测模型，获得规则预测模型输出的资源伸缩规则预测结果之后，方法还包括：
30.将业务运行监控信息作为训练集训练规则预测模型，获得新的规则预测模型。
31.第二方面，本发明还提供了一种云资源的分配装置，包括：
32.信息获取模块，用于获取云服务平台的资源伸缩规则与业务运行监控信息；
33.匹配判断模块，用于根据业务运行监控信息，判断资源伸缩规则与云服务平台的运行业务是否匹配；
34.规则预测模块，用于若不匹配，将业务运行监控信息输入规则预测模型，获得规则预测模型输出的资源伸缩规则预测结果；
35.资源分配模块，根据资源伸缩规则预测结果，分配资源。
36.第三方面，本发明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，其中，处理器执行计算机程序时实现如上述的方法。
37.第四方面，本发明还提供了一种计算机程序产品，包括可运行的程序代码，处理器运行程序代码时实现如上述的方法。
38.本发明实施例提出的一种云资源的分配方法，通过判断资源伸缩规则与业务运行监控信息是否匹配，并在不匹配时，将业务运行监控信息输入规则预测模型，获得规则预测模型输出的资源伸缩规则预测结果，根据资源伸缩规则预测结果，调整云服务平台的资源的分配，从而使得云服务平台的资源伸缩规则及时适配相应业务特征，实现随业务需求动态分配资源，避免出现资源分配不足的情况，提高资源利用率。
附图说明
39.图1为本发明云资源的分配方法的推荐电子设备的结构示意图；
40.图2为本发明云资源的分配方法第一实施例的流程示意图；
41.图3为本发明云资源的分配方法第二实施例的流程示意图；
42.图4为本发明云资源的分配方法第三实施例的流程示意图；
43.图5为本发明云资源的分配装置的功能模块示意图。
44.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
45.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
46.相关技术中，云服务平台通过分布式和虚拟化等技术，实现了异构资源的统一管理与动态分配。使得计算和存储等基础设施资源都能实现按需购买、集中运维，具有节约成本、提高可用性和容错能力的优势，因此在医疗、教育、政府、商业等领域均有广泛应用。常见云资源的分配方法包括固定配置、定时分配和弹性伸缩(auto scaling)三种方式。
47.其中，固定配置即一次购买固定数量资源，后期如扩展需人工配置。这种方法保证了业务运行期间资源充足，但是在非峰值期间云资源大量浪费。而且一旦遇到峰值突然增加，仍然会因资源扩展不及时而造成业务影响。
48.定时调度在固定配置的基础上增加定时资源调度，而分配的实例数量也是预设且固定的。但是该方式仅适用于部分业务波动较为规律或峰值可预测情形，但是当业务峰值早于定时任务突然上升，就会因资源定时分配不及时造成一定的业务影响，即不具有动态适应能力。
49.弹性伸缩模式在定义规则组后可自动调整资源数量。具体而言，弹性伸缩即模式根据监控指标变化，通过伸缩策略自动调整其业务资源的服务。伸缩策略可根据业务需求自行定义，降低人为反复调整资源以应对业务变化和负载高峰的工作量，从而节约资源和人力运维成本。伸缩策略，即资源伸缩规则包括伸缩触发组、伸缩实例组和伸缩规则组等。其中伸缩触发组定义了各项监控指标、监控检查任务和定时任务等，该规则定义触发资源分配的条件和时机等因素；伸缩实例组定义了单次分配操作的资源类型和粒度等，实例即云服务平台内资源的泛指单位；伸缩规则组定义了达到触发组条件后的持续时间及冷却时间等规则。但是弹性伸缩模式依赖于资源伸缩规则配置，当预先配置的资源伸缩规则不能适配业务特征时，会造成资源分配不足且难以适配相应业务特征。
50.为此，本发明提供了一种云资源的分配方法，该方法通过监测云服务平台的业务运行监控信息，以在资源伸缩规则与业务运行监控信息不匹配时，将业务运行监控信息输入规则预测模型，获得规则预测模型输出的资源伸缩规则预测结果，从而调整云服务平台的资源的分配。
51.下面结合一些具体实施例进一步阐述本技术的发明构思。
52.参照图1，图1为本发明实施例方案涉及的云资源的分配方法的电子设备的结构示意图。
53.该电子设备包括：至少一个处理器301、存储器302以及存储在存储器上并可在处理器上运行的云资源的分配程序，云资源的分配程序配置为实现如下文方法实施例的云资源的分配方法的步骤。
54.处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processingunit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有gpu(graphics processing unit，图像
处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关云资源的分配操作，使得云资源的分配模型可以自主训练学习，提高效率和准确度。
55.存储器302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本技术中方法实施例提供的云资源的分配方法。
56.电子设备还包括有：通信接口303。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。
57.通信接口303可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
58.本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
59.基于上述电子设备但不限于上述电子设备，提出本发明一种云资源的分配方法第一实施例。参阅图2，图2为本发明云资源的分配方法第一实施例的流程示意图。
60.本实施例中，云资源的分配方法包括：
61.步骤s101、获取云服务平台的资源伸缩规则与业务运行监控信息，其中，资源伸缩规则用于控制云服务平台的资源扩容分配或者缩容分配。
62.资源伸缩规则包括伸缩触发组、伸缩实例组和伸缩规则组等。其中伸缩触发组定义了各项监控指标、监控检查任务和定时任务等，该规则定义触发资源分配的条件和时机等因素。伸缩实例组定义了单次分配操作的资源类型和粒度等，实例即云服务平台内资源的泛指单位；伸缩规则组定义了达到触发组条件后的持续时间及预设周期时长等规则。且每个资源伸缩规则对应有云服务平台的一种业务，例如邮件、即时通信、购物等。每项业务在云服务平台中可包括多个可用区。可用区之间物理隔离。每个可用区可包括至少一种资源。
63.业务运行监控信息可根据实例性质，选择cpu使用率或内存使用率作为监控指标，例如cpu密集型应用可以选择cpu使用率作为业务运行监控指标，存储密集型应用可选择内存和磁盘使用率作为业务运行监控指标。
64.在云服务平台运行时，可通过云服务平台组件，如包含的硬件物理资源、及平台管理软件等读取得到云服务平台的资源伸缩规则。并通过云服务平台的监控指标收集接口，实现云服务平台的业务运行监控数据的收集。
65.在一具体实施例中，由于云服务平台的同一业务在不同周期内的运行状态以及资源伸缩规则可能是不一致的，因此可获取云服务平台在当前预设周期内的资源伸缩规则与业务运行监控信息。
66.其中，预设周期可以是资源伸缩规则中的伸缩规则组中的配置的参数。
67.步骤s102、根据业务运行监控信息，判断资源伸缩规则与云服务平台的运行业务是否匹配。
68.业务运行监控信息可反映出过去一段时间内云服务平台的运行结果，从而可判断出资源伸缩规则与运行业务是否匹配。
69.步骤s103、若不匹配，将业务运行监控信息输入规则预测模型，获得规则预测模型输出的资源伸缩规则预测结果。
70.本步骤中，规则预测模型为gru(gate recurrent unit)循环神经网络模型通过训练样本集训练得到，训练样本集为该云服务平台的各个运行阶段的历史业务运行监控信息和每个阶段对应的用户手动配置的历史资源伸缩规则作为训练集进行训练得到。
71.因此，本实施例中，将业务运行监控信息输入到规则预测模型，规则预测模型可生成与业务运行监控信息相匹配的资源伸缩规则预测结果。相较于现有的资源伸缩规则，资源伸缩规则预测结果与业务运行监控信息反应的业务更加匹配。
72.规则预测模型可通过下述步骤得到：
73.(1)获取云服务平台的历史业务运行监控信息和历史资源伸缩规则。
74.(2)根据历史业务运行监控信息和历史资源伸缩规则，确定训练样本集。
75.(3)将训练样本中的训练数据集输入gru神经网络模型中的机器学习库函数中确定训练函数.
76.(4)将训练样本中的验证数据集输入gru神经网络模型中的机器学习库函数中对训练函数进行验证，根据验证结果输出规则预测模型。
77.具体而言，在获得历史业务运行监控信息和历史资源伸缩规则后，将获得的历史业务运行监控信息和历史资源伸缩规则输入gru神经网络模型中，以使gur神经网络模型根据历史业务运行监控信息和历史资源伸缩规则确定规则预测模型。
78.本发明实施例中，从云服务平台获取至少一组历史数据：历史业务运行监控信息和历史资源伸缩规则，根据每一组历史数据确定对应的训练样本，得到多组训练样本。其中，获取的一组历史数据是过去某个预设周期t0的历史业务运行监控信息，具体获取的历史数据可以是预先设置的，比如对于cpu密集型应用可以选择cpu使用率作为业务运行监控指标。可选用某7个预设周期t0、t1、t2、t3、t4、t5和t6的cpu使用率作为业务运行监控指标。同时在该7个预设周期内，若预先设置的资源伸缩规则难以匹配业务需求，导致分配不足时，此时用户均手动配置有资源伸缩规则以匹配当前预设周期t0、t1、t2、t3、t4、t5和t6的业务需求，将该用户手动配置的7组资源伸缩规则作为业务运行监控指标。将历史业务运行监控信息和历史资源伸缩规则转化为向量模式，确定为训练样本，即生成有7组训练模型。将该7组训练模型输入gru神经网络模型进行训练，得到预测规则模型。获取的历史数据越多，进行的训练次数越多，对应的输出的规则预测结果就更加的匹配准确。具体的，训练样本中包括训练数据集合和验证数据集，训练数据集中的数据与验证数据集中的数据是由用户预先标注的。
79.在本发明实施例中，将训练数据集合输入gru神经网络模型，gru神经网络模型根据输入的样本进行训练时，将训练数据集输入gru神经网络模型中的机器学习库函数中确定训练函数。
80.然后将训练样本中的验证数据集输入gru神经网络模型中的机器学习库函数中对
训练函数进行验证，以根据验证数据集对得到的训练函数中的权重举证进行反复验证调整，最终经过对比输出规则预测模型。
81.步骤s104、根据资源伸缩规则预测结果，分配资源。
82.在得到规则预测模型输出的资源伸缩规则预测结果后，即可对云服务平台中该业务对应的资源进行分配调度。分配可以是扩容分配或者缩容分配。以使分配调度后的资源可以满足此时该业务所需。
83.步骤s105、若匹配，则进入下一预设周期，并返回执行步骤s101。
84.若资源伸缩规则与业务运行监控信息相匹配，则表明无需更新资源伸缩规则，此时，可以业务正常运行。直到达到入下一预设周期触发执行步骤s102。
85.本实施例中，在云服务平台某项业务的资源伸缩规则不能匹配业务需求时，通过此时的历史业务运行监控信息和规则预测模型得到资源伸缩规则预测结果，从而完成对资源的调度，使得资源的调度可以匹配业务所需。相较于手动配置资源伸缩规则，本实施例可根据业务运行所需，及时动态自动调整资源伸缩规则，进而实现了云资源随业务变化而动态分配，保证业务可用性的前提下降低了资源购买成本、监控运维成本，同时得以提高资源利用率。
86.作为一个实施例中，在本发明云资源的分配方法第一实施例的基础，提出本发明云资源的分配方法第二实施例。参阅图3，图3为本发明云资源的分配方法第二实施例的流程示意图。
87.本实施例中，步骤s104包括：
88.步骤a10、根据资源伸缩规则预测结果，获得规则编排指令集；
89.其中，规则编排指令集包括以下指令的至少一种：
90.监控间隔、预设周期时长、扩容触发阈值、缩容触发阈值、扩容触发时长、缩容触发时长、资源扩容粒度以及资源缩容粒度。
91.规则编排指令集为云服务平台可以识别的指令。云服务平台可通过语义转化模块将资源伸缩规则预测结果转义为规则编排指令集。
92.在一具体实施例中，云服务平台可识别的操作指令集合，可定义为一个八元组：≤minterval
i
(t)，cdp
i
(t),u
‑
threshold
i
(t)，l
‑
threshold
i
(t),u
‑
bdura
i
(t)，l
‑
bdura
i
(t)，δigr(n)以及δdgr(n)。
93.其中：≤minterval
i
(t)为监控间隔，表示某项业务的监控指标i每两次业务运行监控信息采集之间的间隔时间；
94.cdp
i
(t)为预设周期时长，表示监控指标i前一次触发规则判断是否匹配到下一次触发需要等待的时间；
95.u
‑
threshold
i
(t)为扩容触发阈值，表示监控指标i触发扩展实例操作需达到的上限值，达到上达阈值后开始计时监控以判断是否扩展实例；
96.l
‑
threshold
i
(t)为缩容触发阈值，表示监控指标i触发收缩实例操作需达到的下限值，达到下达阈值后开始计时监控以判断是否收缩实例；
97.u
‑
bdura
i
(t)为扩容触发时长，表示监控指标i只有达到阈值并保持高于阈值状态超过该时间才能触发扩展实例动作；
98.l
‑
bdura
i
(t)为下达持续时间，表示监控指标i只有达到阈值并保持低于阈值状态
超过该时间才能触发收缩实例动作；
99.δigr(n)为资源扩容粒度，表示达到扩容触发阈值并保持该状态超过u
‑
bdura
i
(t)，一次性扩展该业务对应的r类资源的粒度；
100.δdgr(n)为资源缩容粒度，表示达到缩容触发阈值并保持该状态超过l
‑
bdura
i
(t)，一次性收缩该业务对应的r类资源的粒度。
101.步骤a20、根据规则编排指令集对资源伸缩规则进行更新，获得更新后的资源伸缩规则。
102.步骤a30、根据更新后的资源伸缩规则，分配所述资源。
103.具体而言，规则预测模型输出的为向量形式的资源伸缩规则预测结果，因此还需要将其转化为规则编排指令集。从而使得云服务平台根据规则编排指令集对资源伸缩规则进行更新，获得更新后的资源伸缩规则。云服务平台即可根据更新后的资源伸缩规则，分配资源。
104.本实施例中，云服务平台在得到规则预测模型输出的资源伸缩预测结果后，可对现有的资源伸缩规则进行更新，得到更新后的资源伸缩规则。更新后的资源伸缩规则将从监控阈值、触发时间和伸缩粒度等多项规则参数方面，提高弹性伸缩水平。通过减少资源过量和资源不足情况达到适配业务需求且降低成本的目标。
105.作为一种实施例，在本发明云资源的分配方法的上述实施例的基础上提出本发明云资源的分配方法的第三实施例。参阅图4，图4为本发明云资源的分配方法第三实施例的流程示意图。
106.本实施例中，步骤s102包括：
107.步骤b10、根据业务运行监控信息，获得云服务平台在当前预设周期内的资源平均配置不足率和/或资源配置过量率。
108.步骤b20、判断当前预设周期内的资源平均配置不足率和/或资源配置过量率是否满足预设条件。
109.步骤b30、根据判断结果，确定资源伸缩规则与云服务平台的运行业务是否匹配。
110.其中，资源平均配置不足率由p
u
(t)表示，p
u
(t)由公式计算得到。
111.其中p
u,x
(t
s
,t
e
)为第x个时间间隔、即t
s
到t
e
时段的资源配置不足量，对当前预设周期内所有时间段内的资源配置不足量求和并除以预设周期时长t，得出当前预设周期内的资源平均配置不足率。
112.资源配置过量率由p
o
(t)表示，由公式计算得出，其中p
o,x
(t
s
,t
e
)为第x个时间间隔、即t
s
到t
e
时段的资源配置剩余量，对当前预设周期内所有时间段内的资源配置剩余量求和并除以预设周期时长t，得出当前预设周期内的资源平均配置过量率。
113.用户可为资源平均配置不足率配置第一预设阈值，为资源配置过量率配置第二预设阈值。此时，预设条件可为：
114.资源平均配置不足率大于第一预设阈值；
115.资源配置过量率大于第二预设阈值；或者
116.资源平均配置不足率大于第一预设阈值且资源配置过量率大于第二预设阈值。
117.从而在判定结果为不满足预设条件时，确定资源伸缩规则与云服务平台的运行业务相匹配。在判定结果为满足预设条件时，确定资源伸缩规则与云服务平台的运行业务不匹配。
118.本实施例中，通过资源平均配置不足率和/或资源配置过量率可准确判断出云服务平台的资源是否与业务运行相匹配。
119.作为一种实施例，在本发明云资源的分配方法的上述实施例的基础上提出本发明云资源的分配方法的第四实施例。
120.本实施例中，步骤s104之后，方法还包括：
121.步骤s106、将业务运行监控信息作为训练集训练规则预测模型，获得新的规则预测模型。
122.本实施例中，在根据一段时间的业务运行监控信息输入规则预测模型后，进行预测得到适配业务需求的资源伸缩规则。并且该业务运行监控信息将重新作为训练集再次输入gru循环神经网络模型。从而使得规则预测模型可以不断训练学习，适应云服务平台的业务运行需求。使得规则预测模型预测得到的结果更加准确，预测出的资源伸缩规则预测结果与业务运行更加匹配。
123.此外，参阅图5，本发明还提供了一种云资源的分配装置，包括：
124.信息获取模块10，用于获取云服务平台的资源伸缩规则与业务运行监控信息；
125.匹配判断模块20，用于根据业务运行监控信息，判断资源伸缩规则与云服务平台的运行业务是否匹配；
126.规则预测模块30，用于若不匹配，将业务运行监控信息输入规则预测模型，获得规则预测模型输出的资源伸缩规则预测结果；
127.资源分配模块40，根据资源伸缩规则预测结果，分配资源。
128.本发明提供的云资源的分配装置的其他实施例和具体实施方式可参照上述实施例，此处不再赘述。
129.此外，本发明还提供了一种计算机程序产品，包括可执行的程序代码，程序代码在被处理器执行时实现如上文的云资源的分配方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本技术所涉及的计算机程序产品实施例中未披露的技术细节，请参照本技术方法实施例的描述。确定为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
130.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
131.另外需说明的是，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，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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
132.通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、只读存储器(rom，read
‑
onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等，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)执行本发明各个实施例的方法。
133.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。