数据融合方法、装置及计算机可读存储介质与流程

1.本公开涉及计算机技术领域，特别涉及一种数据融合方法、装置及计算机可读存储介质。


背景技术：

2.随着大数据挖掘技术的不断发展，对于知识的挖掘和应用取得了很大的进步。例如，知识图谱的出现，带动了一些新兴领域的研究和发展。


技术实现要素：

3.构建知识图谱是一个迭代更新的过程，根据知识构建的逻辑不同，具体的构建思路和顺序也存在差异，但通常是由实体表示、实体获取、实体融合、实体验证、实体更新(也称为知识表示、知识获取、知识融合、知识验证、知识更新)这几个阶段进行迭代以完成知识图谱的构建。
4.在网络安全领域，网络安全知识图谱具有非常广泛的应用场景和应用前景。对于多来源的网络安全事件知识，构建准确的网络安全知识图谱的主要关键步骤是知识融合，即实体融合。
5.在相关技术中，针对多来源的网络安全事件的知识，采用单一标准识别等价实体，识别维度单一，而由于实体的表示方式和实体命名方式的多样性，单一的识别维度不能确保来自不同知识库的实体是否是等价实体，从而导致识别出的等价实体不准确、构建的网络安全知识图谱不准确。
6.为此，本公开提供一种能够提高等价实体的识别准确性的数据融合方法。在本公开的实施例中，根据与第一实体具有关联关系的多个候选实体与第一实体的等价标签确定与第一实体等价的目标实体，从而使得确定的目标实体更准确，将等价的目标实体和第一实体进行融合，可以使得数据融合得更准确，从而使得构建的知识图谱更加准确。
附图说明
7.下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
8.显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
9.图1示出根据本公开的一些实施例的数据融合方法的流程示意图。
10.图2示出根据本公开的一些实施例获取经过训练的安全特征预测模型
11.图3示出根据本公开的一些实施例的通过多次模型预测确定第二关联参数的示意图。
12.图4a示出根据本公开的一些实施例的数据融合装置的示意图。
13.图4b示出根据本公开的一些实施例的候选实体集合确定模块的示意图。
14.图4c示出根据本公开的一些实施例的第一关联参数确定模块的示意图。
15.图5示出根据本公开的另一些实施例的数据融合装置的示意图。
具体实施方式
16.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
17.现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分和数值应被解释为仅仅是示例性的，而不是作为限制。
18.本公开中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。
19.本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
20.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
21.本公开的“第一”、“第二”等描述，如果没有特别指出，是用来表示不同的对象，并不用来表示大小或时序等含义。
22.网络安全知识库中，对于描述同一个事物(例如用实体表示事物)，例如对于同一个网络安全事件，不同的漏洞知识库或病毒知识库对同一个实体的命名方法或者描述方法不同。例如，虽然几个不同安全厂商报出的某一安全事件名称是不同的，但是实体本质是等价的，是对同一个实体的不同表示或描述。因此，很难判断不同知识库中的实体是否指向同一个真实世界的实体。正是多来源的知识库中的实体描述与实体命名的多样性造成了知识库中的实体冲突或实体描述不统一的问题，严重影响了网络安全知识库的数据质量。为了构建准确的网络安全知识图谱，就需要通过实体融合技术识别等价的实体并将其进行融合。
23.一些相关技术中，采用单一标准识别等价实体。例如，基于字符串相似度的实体融合方法，每一个实体都具有自己的标签(label)特征信息和简述(abstract)特征信息。通过计算不同实体之间的标签特征信息和简述特征信息的字符串相似度，并设定一个相似度阈值，来判断两个实体是否等价。又例如，基于语义相似度的实体融合方法，当很多等价实体的标签特征信息与简述特征信息在字面上有较大差别，并不能直接计算字符串相似度来判断实体的相似性，但可以直接计算两个实体对应的两段文本的语义相似度，并设定一个相似度阈值，来判断两个实体是否等价。再例如，基于上下文相似度的实体融合方法，基于上下文的相似度方法通过计算实体或实体的属性的上下文相似度来判断实体是否等价，例如可以将实体的所有属性、属性值、以及与该实体有直连边的其他所有实体作为该实体的上
下文，接着利用字符串相似度或语义相似度的计算方法，并设定一个阈值，来判断两个相关的实体是否等价。
24.采用单一标准识别等价实体，识别维度单一，而由于实体的表示方式和实体命名方式的多样性，单一的识别维度不能确保来自不同知识库的实体是否是等价实体，从而导致识别出的等价实体不准确、构建的网络安全知识图谱不准确。
25.为解决上述问题，本公开提供一种能够提高等价实体的识别准确性的数据融合方法，详细介绍如下。
26.图1示出根据本公开的一些实施例的数据融合方法的流程示意图。该方法例如可以由数据融合装置执行。
27.如图1所示，该实施例的方法包括步骤110-150。
28.在步骤110，根据第一实体的属性特征和安全特征，确定第一实体的候选实体集合。其中，候选实体集合包括m个与第一实体具有关联关系的候选实体，m为大于等于1的正整数。
29.第一实体的属性特征例如可以包括知识来源、知识类别、知识热度等中的一项或多项，此处不限于所举示例。第一实体的安全特征例如可以包括安全等级标签，此处不限于所举示例。
30.利用多个维度的属性特征可以多维度地评估两个实体的等价程度，从而使得确定的目标实体更准确，将等价的实体进行融合，可以使得数据融合得更准确。
31.接下来参照图2描述如何获取经过训练的安全特征预测模型。例如，可以通过如下步骤得到经过训练的安全特征预测模型。
32.在步骤210，利用包括具有属性特征和安全特征的至少一个安全特征训练实体的安全特征训练数据集和安全特征预测模型，得到安全特征预测结果。
33.安全特征预测模型例如可以是分类机器学习模型。
34.在步骤220，利用根据安全特征预测结果确定的安全特征损失函数对安全特征预测模型进行训练，得到训练后的安全特征预测模型。
35.在一些实施例中，第一实体的安全特征，例如可以基于第一实体的属性特征，利用经过训练的安全特征预测模型进行确定；或者，例如也可以通过人工标注进行确定。
36.在一些实施例中，确定第一实体的候选实体集合包括如下步骤：首先，根据第一实体的属性特征和安全特征计算第一实体的哈希值，根据至少一个第二实体的属性特征和安全特征计算相应的第二实体的哈希值，其中第二实体是与第一实体不同的实体；针对每个第二实体：基于计算出的第一实体的哈希值和第二实体的哈希值，计算第二实体与第一实体的距离信息，在距离信息满足预设条件的情况下，将第二实体确定为候选实体；将至少一个候选实体组合成候选实体集合。其中，距离信息例如可以包括汉明距离、欧式距离、jaccard距离、余弦距离中的任一种。
37.例如，计算第一实体的哈希值和网络安全知识库中的其他每个第二实体的哈希值之间的汉明距离值，作为判定两个实体之间的相似性，然后按照汉明距离值进行升序排序，选取排序位于前m位的第二实体作为候选实体集合中的元素，因此，候选实体集合c例如可以表示为c＝[c1，c2，c3，...，ci，...，cm]，其中，m为候选实体的个数，ci表示第i个候选实体。
[0038]
在步骤120，针对候选实体集合中的每个候选实体，根据第一实体与候选实体的相
似度信息，确定表示第一实体与候选实体的等价程度的第一关联参数。
[0039]
在一些实施例中，基于第一实体的属性特征和安全特征以及候选实体的属性特征和安全特征，计算第一实体与候选实体之间的至少一个相似度信息；对至少一个相似度信息进行均匀化处理；将均匀化处理后的相似度信息确定为表示第一实体与候选实体的等价程度的第一关联参数。
[0040]
相似度信息例如可以包括字符串相似度信息、语义相似度信息和上下文相似度信息中的至少一种。字符串相似度信息的计算方法例如包括字符串编辑距离、杰卡德jaccard距离、以及基于词频-逆文本频率指数(term frequency-inverse document frequency，tf-idf)的余弦距离等中的任一种，此处不限于所举示例。语义相似度信息的计算方法例如包括基于隐含狄利克雷分布(latent dirichlet allocation，lda)模型的语义相似度计算、基于词向量word2vec模型的语义相似度计算、基于文本向量doc2vec模型的语义相似度计算以及基于同义词字典的语义相似度计算等中的任一种，此处不限于所举示例。
[0041]
例如，计算第一实体与候选实体集合c＝[c1，c2，c3，...，cm]中的每一个候选实体之间的字符串相似度、语义相似度、上下文相似度，其中例如可以通过对第一实体与候选实体集合c中每个候选实体的向量值，分别计算jaccard相似系数以得到字符串相似度，计算欧式距离以得到语义相似度，计算文本的余弦值以得到上下文相似度。对字符串相似度、语义相似度、上下文相似度分别进行平滑处理和归一化处理等预处理，对预处理之后的字符串相似度、语义相似度、上下文相似度进行均匀化处理(例如求取字符串相似度、语义相似度、上下文相似度的平均值)，将均匀化处理后的相似度信息确定为表示第一实体与候选实体的等价程度的第一关联参数。其中，均匀化处理例如可以包括计算算数平均数、几何平均数或调和平均数中的任一种。
[0042]
利用多个相似度去确定表示第一实体与候选实体的等价程度的第一关联参数，可以多维度地评估两个实体的等价程度，从而使得确定的目标实体更准确，将等价的实体进行融合，可以使得数据融合得更准确。
[0043]
在步骤130，基于第一实体的属性特征和安全特征、第一实体的候选实体集合中的m个候选实体的属性特征和安全特征以及所确定的m个第一关联参数，通过多次模型预测得到m个第二关联参数，每个第二关联参数表示第一实体与候选实体集合中一个相应的候选实体的结果等价程度。
[0044]
在一些实施例中，包括对分类预测模型和投票模型进行训练的步骤。对n个分类预测模型和投票模型进行训练的过程用伪代码表示如下：
[0045]
输入：
[0046]
训练数据集d＝{(xj，y
ij
)，j＝1，2，...，k，i＝1，2，...，m}，以及n个分类预测模型，其中xj表示第j个第一实体，y
ij
表示第j个第一实体与其对应的第i个候选实体的第一关联参数，n为大于等于1的正整数；
[0047]
输出：
[0048]
训练数据集d的分类结果；
[0049]
(1)第一层的n个分类预测模型mⅳ；
[0050]
from n＝1t0 n
[0051]
将训练数据集分成k个大小基本相等的子集d1，d2，...，dk，d-k
＝d-dk，定义dk和d-k
分别为k折交叉验证中的第k折测试集与训练集，k为大于等于2的正整数；
[0052]
对训练集d-k
用第k个分类预测模型训练得到分类预测模型mk，k＝1，2，...，k。对于k折交叉验证中的第k折测试集dk中的每一个样本xi(即第一实体)，分类预测模型mk对其分类预测结果表示为z
ki
，基于训练集d-k
训练n个分类预测模型mn，得到中间结果，表示为：
[0053]dnew
＝{(z
111
，z
112
，...，z
ijn
，...，z
mkn
)，n＝1，2，...，n}；
[0054]
其中z
ijn
表示将第j个第一实体与其对应的第i个候选实体输入第n个分类预测模型得到的分类预测结果；
[0055]
end
[0056]
(2)在完成交叉验证过程后，将每个分类预测模型的各自分类预测结果得到的中间结果d
new
，输入第二层的投票模型m
sec ond
进行训练，其中投票模型例如可以是随机森林模型；
[0057]
(3)使用测试集dk分类，评价分类结果。
[0058]
通过上述步骤得到经过训练的分类预测模型和经过训练的投票模型之后，利用经过训练的分类预测模型和经过训练的投票模型得到第二关联参数。具体步骤描述如下。
[0059]
将第一实体的属性特征和安全特征、第一实体的候选实体集合中的m个候选实体的属性特征和安全特征以及所确定的m个第一关联参数，输入n个经过训练的分类预测模型中进行预测，以得到m个候选实体对应的m
×
n个分类预测结果，n为大于等于1的正整数；将所述分类预测结果，输入经过训练的投票预测模型中进行预测，以得到表示第一实体与m个候选实体的结果等价程度的m个第二关联参数。
[0060]
其中，分类预测模型例如可以包括支持向量机(svm)模型、k-近邻(k-nn)模型、梯度提升决策树(gbdt)模型中的一种或多种，此处不限于所举示例，能进行分类的机器学习模型均可以。
[0061]
下面通过一个具体的实施例描述步骤130。
[0062]
例如，基于第一实体的属性特征和安全特征、第一实体的候选实体集合中的m个候选实体的属性特征和安全特征以及所确定的m个第一关联参数，构造用于输入模型的数据集d，数据集d中的其中一条数据例如可以表示为＜第一实体，候选实体1：para1，候选实体2：para2，...，候选实体i：parai，...，候选实体m，param＞，其中parai表示第i个候选实体与第一实体的第一关联参数，parai的取值为1或0，取值为1时表示候选实体i与第一实体等价。假设有k个第一实体，数据集d表示为d＝{(xj，y
ij
)，j＝1，2，...，k，i＝1，2，...，m}，其中xj表示第j个第一实体，y
ij
表示第j个第一实体与其对应的第i个候选实体的第一关联参数，将数据集d输入n个分类预测模型中进行预测，将n个分类预测结果，输入投票预测模型中进行预测，以得到m个第二关联参数。
[0063]
如图3所示，图3示出根据本公开的一些实施例的通过多次模型预测确定第二关联参数的示意图。基于stacking集成学习的等价评估模型。将支持向量机(svm)、k-近邻(k-nn)、梯度提升决策树(gbdt)3种分类预测模型作为第一层的分类器进行组合学习，进而采用投票模型(例如随机森林模型)作为第二层的分类器提升分类效果。
[0064]
将多个分类预测模型得到多个分类预测结果，并通过投票预测模型得到最终的第二关联参数，可以多维度地评估两个实体的等价程度，使得第一实体与候选实体是否等价的预测结果更准确，从而使得确定的目标实体更准确，将等价的实体进行融合，可以使得数
据融合(即实体消歧)得更准确。
[0065]
返回图1，继续执行步骤140。
[0066]
在步骤140，选择第二关联参数满足预设条件的候选实体作为第一实体的目标实体。
[0067]
例如，选择第二关联参数大于预设阈值对应的候选实体作为第一实体的目标实体，或者，对第二关联参数按照升序进行排序，选择排序位于预设位数(例如第一位)的候选实体作为第一实体的目标实体。
[0068]
在步骤150，将第一实体与目标实体进行融合。
[0069]
将第一实体与其等价的目标实体进行融合，已完成数据融合，使得数据融合更准确。
[0070]
上述实施例中，利用包括多个属性特征的第一实体和候选实体，以及通过选择与第一实体具有关联关系的多个候选实体，将多个分类预测模型得到多个分类预测结果，确定与第一实体等价的目标实体，可以多维度地评估两个实体的等价程度，从而使得确定的目标实体更准确，将等价的目标实体和第一实体进行融合，可以使得数据融合得更准确，从而使得构建的知识图谱更加准确。
[0071]
图4a示出根据本公开的一些实施例的数据融合装置的示意图。
[0072]
如图4a所示，该实施例的数据融合装置400包括：候选实体集合确定模块410，第一关联参数确定模块420，第二关联参数确定模块430，目标实体确定模块440，以及融合模块450。
[0073]
候选实体集合确定模块410，被配置为根据第一实体的属性特征和安全特征，确定第一实体的候选实体集合，其中，候选实体集合包括m个与第一实体具有关联关系的候选实体，m为大于等于1的正整数。
[0074]
在一些实施例中，如图4b所示，候选实体集合确定模块410包括：哈希值计算模块411，候选实体确定模块412，以及组合模块413。其中哈希值计算模块411被配置为分别计算第一实体的哈希值和至少一个第二实体的哈希值，其中第二实体是与第一实体不同的实体；候选实体确定模块412，针对每个第二实体：基于计算出的第一实体的哈希值和第二实体的哈希值，计算第二实体与第一实体的距离信息，在距离信息满足预设条件的情况下，将第二实体确定为候选实体；组合模块413被配置为将至少一个候选实体组合成候选实体集合。其中，距离信息例如可以包括汉明距离、欧式距离、jaccard距离、余弦距离中的任一种。
[0075]
第一实体的属性特征例如可以包括知识来源、知识类别、知识热度等中的一项或多项，此处不限于所举示例。第一实体的安全特征例如可以包括安全等级标签。
[0076]
在一些实施例中，例如可以基于第一实体的属性特征，利用经过训练的安全特征预测模型，确定第一实体的安全特征。其中，可以通过如下步骤得到经过训练的安全特征预测模型，首先利用包括具有属性特征和安全特征的至少一个安全特征训练实体的安全特征训练数据集和安全特征预测模型，得到安全特征预测结果；利用根据安全特征预测结果确定的安全特征损失函数对安全特征预测模型进行训练，得到训练后的安全特征预测模型。
[0077]
在另一些实施例中，例如也可以通过人工标注第一实体的安全特征。
[0078]
第一关联参数确定模块420，被配置为针对候选实体集合中的每个候选实体，根据第一实体与候选实体的相似度信息，确定表示第一实体与候选实体的等价程度的第一关联
参数。
[0079]
在一些实施例中，如图4c所示，第一关联参数确定模块420包括相似度信息计算模块421，均匀化模块422，以及确定模块423。其中相似度信息计算模块421被配置为基于第一实体的属性特征和安全特征以及候选实体的属性特征和安全特征，计算第一实体与候选实体之间的至少一个相似度信息；均匀化模块422被配置为对至少一个相似度信息进行均匀化处理；确定模块423被配置为将均匀化处理后的相似度信息确定为表示第一实体与候选实体的等价程度的第一关联参数。其中，相似度信息包括字符串相似度信息、语义相似度信息和上下文相似度信息中的至少一种。字符串相似度信息的计算方法例如包括字符串编辑距离、jaccard距离、以及基于词频-逆文本频率指数(term frequency-inverse document frequency，tf-idf)的余弦距离等中的任一种，此处不限于所举示例。语义相似度信息的计算方法例如包括隐含狄利克雷分布(latent dirichlet allocation，lda)模型、word2vec模型、doc2vec模型、基于同义词字典的语义相似度计算等中的任一种，此处不限于所举示例。其中，均匀化处理例如可以包括计算算数平均数、几何平均数或调和平均数中的任一种。
[0080]
例如，计算第一实体与候选实体集合c＝[c1，c2，c3，...，cm]中的每一个候选实体之间的字符串相似度、语义相似度、上下文相似度，其中例如可以通过对第一实体与候选实体集合c中每个候选实体的向量值，分别计算jaccard相似系数以得到字符串相似度，计算欧式距离以得到语义相似度，计算文本的余弦值以得到上下文相似度。对字符串相似度、语义相似度、上下文相似度分别进行平滑处理和归一化处理等预处理，对预处理之后的字符串相似度、语义相似度、上下文相似度进行均匀化处理(例如求取字符串相似度、语义相似度、上下文相似度的平均值)，将均匀化处理后的相似度信息确定为表示第一实体与候选实体的等价程度的第一关联参数。
[0081]
第二关联参数确定模块430，被配置为基于第一实体的属性特征和安全特征、第一实体的候选实体集合中的m个候选实体的属性特征和安全特征以及所确定的m个第一关联参数，通过多次模型预测得到m个第二关联参数，每个第二关联参数表示第一实体与候选实体集合中一个相应的候选实体的结果等价程度。
[0082]
将第一实体的属性特征和安全特征、第一实体的候选实体集合中的m个候选实体的属性特征和安全特征以及所确定的m个第一关联参数，输入n个分类预测模型中进行预测，以得到与第一实体对应的m个候选实体中的、每个候选实体的n个分类预测结果，n为大于等于1的正整数；将与第一实体对应的m个候选实体中的、每个候选实体的n个分类预测结果，输入投票预测模型中进行预测，以得到表示第一实体与m个候选实体的结果等价程度的m个第二关联参数。
[0083]
其中，分类预测模型例如可以包括支持向量机(svm)模型、k-近邻(k-nn)模型、梯度提升决策树(gbdt)模型中的一种或多种，此处不限于所举示例，能进行分类的机器学习模型均可以。
[0084]
例如，基于第一实体的属性特征和安全特征、第一实体的候选实体集合中的m个候选实体的属性特征和安全特征以及所确定的m个第一关联参数，构造用于输入模型的数据集d，数据集d中的其中一条数据例如可以表示为《第一实体，候选实体1：para1，候选实体2：para2，...，候选实体i：parai，...，候选实体m，param》，其中parai表示第i个候选实体与第
一实体的第一关联参数，parai的取值为1或0，取值为1时表示候选实体i与第一实体等价。假设有k个第一实体，数据集d表示为d＝{(xj，y
ij
)，j＝1，2，...，k，i＝1，2，...，m}，其中xj表示第j个第一实体，y
ij
表示第j个第一实体与其对应的第i个候选实体的第一关联参数，将数据集d输入n个分类预测模型中进行预测，将n个分类预测结果，输入投票预测模型中进行预测，以得到m个第二关联参数。
[0085]
将n个分类预测模型确定的分类预测结果输入投票预测模型，可以使得第一实体与候选实体是否等价的预测结果更准确，从而使得后续确定的目标实体更准确，数据融合更准确。
[0086]
目标实体确定模块440，被配置为选择第二关联参数满足预设条件的候选实体作为第一实体的目标实体。
[0087]
例如，选择第二关联参数大于预设阈值对应的候选实体作为第一实体的目标实体，或者，对第二关联参数按照升序进行排序，选择排序位于预设位数(例如第一位)的候选实体作为第一实体的目标实体。
[0088]
融合模块450，被配置为将第一实体与目标实体进行融合。
[0089]
将第一实体与其等价的目标实体进行融合，已完成数据融合，使得数据融合更准确。
[0090]
上述实施例中，利用包括多个属性特征的第一实体和候选实体，以及通过选择与第一实体具有关联关系的多个候选实体，将多个分类预测模型得到多个分类预测结果，确定与第一实体等价的目标实体，可以多维度地评估两个实体的等价程度，从而使得确定的目标实体更准确，将等价的目标实体和第一实体进行融合，可以使得数据融合得更准确，从而使得构建的知识图谱更加准确。
[0091]
图5示出根据本公开的另一些实施例的数据融合装置的示意图。
[0092]
如图5所示，该实施例的数据融合装置500包括：存储器510以及耦接至该存储器510的处理器520，处理器520被配置为基于存储在存储器510中的指令，执行本公开任意一些实施例中的数据融合方法。例如，根据第一实体的属性特征和安全特征，确定第一实体的候选实体集合，其中，候选实体集合包括m个与第一实体具有关联关系的候选实体，m为大于等于1的正整数；针对候选实体集合中的每个候选实体，根据第一实体与候选实体的相似度信息，确定表示第一实体与候选实体的等价程度的第一关联参数；基于第一实体的属性特征和安全特征、第一实体的候选实体集合中的m个候选实体的属性特征和安全特征以及所确定的m个第一关联参数，通过多次模型预测得到m个第二关联参数，每个第二关联参数表示第一实体与候选实体集合中一个相应的候选实体的结果等价程度；选择第二关联参数满足预设条件的候选实体作为第一实体的目标实体；将第一实体与目标实体进行融合。
[0093]
其中，存储器510例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。
[0094]
数据融合装置500还可以包括输入输出接口530、网络接口540、存储接口550等。这些接口530，540，550以及存储器510和处理器520之间例如可以通过总线560连接。其中，输入输出接口530为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口540为各种联网设备提供连接接口。存储接口550为sd卡、u盘等外置存储设备提供连接接口。
[0095]
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程
序产品。因此，本公开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，本公开可采用在一个或多个其中包含有计算机程序代码的计算机非瞬时性可读存储介质(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。
[0096]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为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。
[0097]
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。
[0098]
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。
[0099]
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。