检测性能拐点参数的方法以及装置与流程

1.本说明书实施例涉及计算机技术领域，特别涉及一种检测性能拐点参数的方法以及装置。


背景技术：

2.在计算机领域，很多场景都存在针对参数的调整需求，较为有效的参数设置可以优化任务运行性能，提升整体服务质量。随着任务功能的丰富，参数数量也越来越多，甚至可能高达成百上千维。目前，参数调整往往依赖经验丰富的工程师根据领域知识进行人工调整。
3.但高维参数对人工调整带来较大挑战，不仅可能导致调整效率低，也可能影响任务效果。


技术实现要素：

4.有鉴于此，本说明书实施例提供了一种检测性能拐点参数的方法。本说明书一个或者多个实施例同时涉及一种检测性能拐点参数的装置，一种计算设备，一种计算机可读存储介质以及一种计算机程序，以解决现有技术中存在的技术缺陷。
5.根据本说明书实施例的第一方面，提供了一种检测性能拐点参数的方法，包括：获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值；对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段；根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值。
6.可选地，所述对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段，包括：将所述若干个采样值作为待确定函数的输入，对应的性能评估值作为所述待确定函数的输出，计算所述参数在所述待确定函数的每个采样值处的导数近似值；将所述导数近似值以及预设段数输入基于机器学习的分类模型进行分段线性拟合，得到多个分段，其中，一个分段对应一个类别，所述类别的数量为所述预设段数。
7.可选地，所述计算所述参数在所述待确定函数的每个采样值处的导数近似值，包括：利用求导函数通过数值方法计算所述参数在所述待确定函数的每个采样值处的导数近似值。
8.可选地，所述基于机器学习的分类模型为基于决策树的回归模型。
9.可选地，所述根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值，包括：获取每个分段对应的预测导数值；在所述性能评估值越大性能越优的情况下，在预测导数值为正的分段中选取预测导数值绝对值最大的分段；根据选取的分段的截止点确定所述目标任务的性能拐点的参数值。
10.可选地，所述根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值，包括：获取每个分段对应的预测导数值；在所述性能评估值越小性能越优的情况下，在预测导数值为负的分段中选取预测导数值绝对值最大的分段；根据选取的分段的截止点确定所
述目标任务的性能拐点的参数值。
11.可选地，所述获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值，包括：获取目标任务的参数的若干个初始采样值以及所述初始采样值对应的性能评估值；对所述若干个初始采样值以及所述初始采样值对应的性能评估值进行分段线性拟合，得到多个初始分段；从所述多个初始分段中选取需要细粒度分析的分段；在选取的分段中，增加采样值以及对应的性能评估值。所述对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段，包括：对选取的分段的初始采样值和增加采样值以及对应的性能评估值，进行分段线性拟合，得到选取的分段的多个细化分段；根据所述多个细化分段的端点，确定所述目标任务的性能拐点的参数值。
12.根据本说明书实施例的第二方面，提供了一种检测性能拐点参数的装置，包括：获取模块，被配置为获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值。分段拟合模块，被配置为对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段。拐点确定模块，被配置为根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值。
13.根据本说明书实施例的第三方面，提供了一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现本说明书任意实施例所述检测性能拐点参数的方法的步骤。
14.根据本说明书实施例的第四方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本说明书任意实施例所述检测性能拐点参数的方法的步骤。
15.本说明书一个实施例实现了检测性能拐点参数的方法，由于该方法获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值，对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段，根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值，可见，该方法利用前期收集采样数据，对采样数据进行分段线性拟合，高效地学习分段内的线性特性，进而通过分段的端点确定性能拐点的参数值，避免人工调整参数带来的效率低下的问题，而且不存在一些自动搜索算法的搜索效率低的问题。
附图说明
16.图1是本说明书一个实施例提供的一种检测性能拐点参数的方法的流程图；
17.图2是本说明书一个实施例提供的分段拟合系统的系统架构示意图；
18.图3是本说明书一个实施例提供的一种检测性能拐点参数的装置的结构示意图；
19.图4是本说明书另一个实施例提供的一种检测性能拐点参数的装置的结构示意图；
20.图5是本说明书一个实施例提供的一种计算设备的结构框图。
具体实施方式
21.在下面的描述中阐述了很多具体细节以便于充分理解本说明书。但是本说明书能
够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本说明书内涵的情况下做类似推广，因此本说明书不受下面公开的具体实施的限制。
22.在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
23.应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
24.首先，对本说明书一个或多个实施例涉及的名词术语进行解释。
25.参数调优：通过系统参数进行调整，使系统在某基准程序上得分不断提高的过程。
26.任务参数，指任务中可以进行设置并对任务性能产生影响的配置项。例如，系统参数，是操作系统中可以进行动态设置并对应用性能产生影响的配置项，例如内核配置参数和应用配置参数等。
27.基准程序：也称benchmark，对调优应用性能进行估计并给出性能评估值的评估程序。
28.在本说明书中，提供了一种检测性能拐点参数的方法，本说明书同时涉及一种检测性能拐点参数的装置，一种计算设备，以及一种计算机可读存储介质，在下面的实施例中逐一进行详细说明。
29.参见图1，图1示出了根据本说明书一个实施例提供的一种检测性能拐点参数的方法的流程图，具体包括以下步骤。
30.步骤102：获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值。
31.其中，所述目标任务可以理解为运行于计算机之上的任意类型的任务。例如，所述目标任务可以为操作系统内核、编译器、数据库等任务。
32.其中，所述参数可以是目标任务的任一个或多个参数，每个参数可以对应在全部参数空间中无放回的均匀采样若干个采样值。其中，所述无放回的采样方式可以使若干个采样值均为不同的采样值。其中，所述性能评估值可以是具体应用场景下用于评估目标任务的性能的任意基准程序的评估结果。例如，所述性能评估值可以是数据库服务资源消耗的评估值、操作系统内核资源消耗的评估值、编译器的计算效率等等。
33.需要说明的是，在参数取值范围内有较为明显的线性特性的情况下，通过分段线性拟合可以达到比较好的预测效果，如果采样数据表明参数在较大范围内取值时，相应的性能评估值波动较大且没有明显的线性相关性，则应考虑减小取值范围。
34.例如，如图2所示的分段拟合系统202的系统架构示意图，假设某目标任务共有n个可调参数x＝{x1,x2,...,xn},各个参数xi(i＝1,...,n)有各自的取值范围。针对每个参数，在全部参数空间中无放回的均匀采样m个参数配置，则对于某个具体参数x，如参数空间201
所示的样本点，可以得到m个样本点x1,...,xm以及相应的性能评估值y1,...,ym。
35.步骤104：对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段。
36.其中，所述分段线性拟合的具体实施方式不限。例如，本说明书一个或多个实施例中，所述对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段，可以包括：将所述若干个采样值作为待确定函数的输入，对应的性能评估值作为所述待确定函数的输出，计算所述参数在所述待确定函数的每个采样值处的导数近似值；将所述导数近似值以及预设段数输入基于机器学习的分类模型进行分段线性拟合，得到多个分段，其中，一个分段对应一个类别，所述类别的数量为所述预设段数。其中，一个类别可以对应一个预测导数值，多个类别具有各自不同的预测导数值。通过分段线性拟合，可以将更接近一个预测导数值的样本点分类到对应类别的分段内，从而最终形成以预测导数值为斜率值的若干个分段。
37.其中，所述待确定函数可以理解为参数x和性能评估值间所具有的未知具体形式的函数关系，即y＝f(x)。其中，所述预设段数可以通过观察参数空间样本点的分布进行人工预估，也可以通过一些算法计算得到。例如，所述预设段数可以人工凭经验预先设置为2-3段。再例如，可以通过无监督学习对导数近似值进行聚类，自动识别分段段数。在预设段数时，应尽量保障每段有足够的样本点进行线性拟合。
38.其中，所述计算所述参数在所述待确定函数的每个采样值处的导数近似值的具体实施方式不限，可以采用任一种可行的算法实现。例如，一个或多个实施例中，所述计算所述参数在所述待确定函数的每个采样值处的导数近似值，包括：利用求导函数通过数值方法计算所述参数在所述待确定函数的每个采样值处的导数近似值。
39.例如，如图2所示的系统架构示意图，在分段拟合系统202中，可以首先利用求导函数grad通过数值方法获取x在m个取值处导数的近似值dx，即：其中i＝1,...,m。为保障求得的导数值尽可能准确，采样过程中x的m个取样点应该尽可能均匀分布。
40.其中，所述基于机器学习的分类模型例如可以为基于决策树的回归模型。由于决策树的回归模型在分段线性拟合的处理中，决策过程更接近人的思维，能够处理连续性和离散型数据，决策结果自然产生为不重合的数值分段，适合高维参数的目标任务性能拐点参数的检测，检测性能更好。
41.具体地，例如，可以如图2所示，将上述m个导数近似值dxi(i＝1,...,m)，m个参数取值xi(i＝1,...,m)，以及预设段数s(假设取值为3)作为输入提供给如图2所示的基于决策树的回归模型。回归模型处理后输出s个分段。令该模型的叶子结点数为s，训练该模型通过参数取值x预测导数值。由于使用了决策树模型构造回归模型，该模型的预测导数值dx
dt
将有s种取值，分别对应后续s段线性拟合的斜率值。
42.步骤106：根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值。
43.例如，经过步骤104的处理，获得s段分段，每个分段对应的起始点和截止点的x和y的原始数据，作为各个分段的备选的性能拐点。
44.通过上述一个或多个实施例可见，由于该方法获取目标任务的参数的若干个采样
值，以及所述若干个采样值各自对应的性能评估值，对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段，根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值，可见，该方法利用前期收集采样数据，对采样数据进行分段线性拟合，高效地学习分段内的线性特性，进而通过分段的端点确定性能拐点的参数值，避免人工调整参数带来的效率低下的问题，而且不存在一些自动搜索算法的搜索效率低的问题。
45.可以理解的是，经过分段线性拟合的处理获得的每个分段的斜率值即该分段对应类别的预测导数值。在分段的性能评估值呈现上升趋势的情况下，预测导数值为正，在分段的性能评估分值呈现下降趋势的情况下，预测导数值为负。因此，可以针对预测导数值的正负符号，确定性能评估分值在各段内是上升还是下降趋势。如果调优目标为增大性能评估分值(例如，提高吞吐性能)，则在预测导数值dx
dt
为正的分段中选取导数绝对值最大的分段，将该分段的截止点(如图2所示的分段示意图203中的截止点203a)作为推荐的性能拐点，从而确定该性能拐点的参数值。选取此点203a是因为此点对应较高的性能评估分值，并且随后继续增大x取值将降低性能评估分值。相应地，如果调优目标为降低性能评估分值(如，降低延迟)，则在预测导数值dx
dt
为负的分段中选取导数绝对值最大的分段，将该分段的截止点(如图2所示的分段示意图203中的截至点203b)作为推荐的性能拐点，从而确定该性能拐点的参数值。因此，本说明书一个或多个实施例中，可以根据性能评估分值在各段内是上升还是下降趋势，更加准确地确定性能拐点，具体地：
46.例如，所述根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值，可以包括：获取每个分段对应的预测导数值；在所述性能评估值越大性能越优的情况下，在预测导数值为正的分段中选取预测导数值绝对值最大的分段；根据选取的分段的截止点确定所述目标任务的性能拐点的参数值。
47.再例如，所述根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值，包括：获取每个分段对应的预测导数值；在所述性能评估值越小性能越优的情况下，在预测导数值为负的分段中选取预测导数值绝对值最大的分段；根据选取的分段的截止点确定所述目标任务的性能拐点的参数值。
48.在上述实施例中，采用分段线性拟合的方法，利用前期收集采样数据，通过算法自动识别各个分段的起止参数取值，并将参数取值按照不同模式筛选出最终拐点参数值，提高了检测精度。
49.在本说明书一个或多个实施例中，在初步确定各分段以及相应拐点值后，如需在某一个或多个具体分段内进行细粒度分析，则可以通过选取某分段，以相应的起始点和截止点确定取值范围，进一步增加采样数据，进行更细的分段识别。具体地，所述方法中，所述获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值，包括：获取目标任务的参数的若干个初始采样值以及所述初始采样值对应的性能评估值；对所述若干个初始采样值以及所述初始采样值对应的性能评估值进行分段线性拟合，得到多个初始分段；从所述多个初始分段中选取需要细粒度分析的分段；在选取的分段中，增加采样值以及对应的性能评估值。相应地，所述对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段，包括：对选取的分段的初始采样值和增加采样值以及对应的性能评估值，进行分段线性拟合，得到选取的分段的多个细化分段；根据所述多个细化分段的端点，确定所述目标任务的性能拐点的参数值。
50.结合上述实施例，通过线性模型快速高效地学习分段内的线性特性，进而利用斜率数值的物理意义确定关键拐点，并先识别较粗粒度的分段的性能拐点，再进一步基于迭代运算获取较细粒度的性能拐点，提高检测精度。
51.另外，根据本说明书实施例提供的方法确定的性能拐点还可以用在阈值法、滑动窗口法中，用于确定更细粒度分析的范围。
52.其中，所述阈值法,是预先设定性能评估分值变化幅度阈值，将变化幅度超过阈值的点作为拐点或分段起始。根据本说明书实施例提供的方法确定性能拐点后，可以根据该性能拐点，将该性能拐点附近的取值范围作为阈值法判断的对象。
53.其中，所述滑动窗口法，是通过调整窗口范围，保障窗口内性能评估分值变化规律的一致性，如保持线性或非线性变化。根据本说明书实施例提供的方法确定性能拐点后，可以根据该性能拐点调整窗口范围以进行更细粒度的分析。
54.与上述方法实施例相对应，本说明书还提供了检测性能拐点参数的装置实施例，图3示出了本说明书一个实施例提供的一种检测性能拐点参数的装置的结构示意图。如图3所示，该装置包括：
55.获取模块302，可以被配置为获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值。
56.分段拟合模块304，可以被配置为对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段。
57.拐点确定模块306，可以被配置为根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值。
58.由于该装置获取目标任务的参数的若干个采样值，以及所述若干个采样值各自对应的性能评估值，对所述若干个采样值以及对应的性能评估值进行分段线性拟合，得到多个分段，根据所述多个分段的端点，确定所述目标任务的性能拐点的参数值，可见，该方法利用前期收集采样数据，对采样数据进行分段线性拟合，高效地学习分段内的线性特性，进而通过分段的端点确定性能拐点的参数值，避免人工调整参数带来的效率低下的问题，而且不存在一些自动搜索算法的搜索效率低的问题。
59.图4示出了本说明书一个实施例提供的一种检测性能拐点参数的装置的结构示意图。如图4所示，所述分段拟合模块304可以包括：
60.导数计算子模块3042，可以被配置为将所述若干个采样值作为待确定函数的输入，对应的性能评估值作为所述待确定函数的输出，计算所述参数在所述待确定函数的每个采样值处的导数近似值。
61.分类计算子模块3044，可以被配置为将所述导数近似值以及预设段数输入基于机器学习的分类模型进行分段线性拟合，得到多个分段，其中，一个分段对应一个类别，所述类别的数量为所述预设段数。
62.通过分段线性拟合，可以将更接近一个预测导数值的样本点分类到对应类别的分段内，从而最终形成以预测导数值为斜率值的若干个分段。
63.其中，所述计算所述参数在所述待确定函数的每个采样值处的导数近似值的具体实施方式不限，可以采用任一种可行的算法实现。例如，一个或多个实施例中，所述导数计算子模块3042，可以被配置为利用求导函数通过数值方法计算所述参数在所述待确定函数
的每个采样值处的导数近似值。
64.其中，所述基于机器学习的分类模型例如可以为基于决策树的回归模型。。由于决策树的回归模型在分段线性拟合的处理中，决策过程更接近人的思维，能够处理连续性和离散型数据，适合高维参数的目标任务性能拐点参数的检测，检测性能更好。
65.本说明书一个或多个实施例中，可以根据性能评估分值在各段内是上升还是下降趋势，更加准确地确定性能拐点，例如，如图4所示，一个实施例中，所述拐点确定模块306，可以包括：
66.预测导数值获取子模块3062，可以被配置为获取每个分段对应的预测导数值。
67.上升分段确定子模块3064，可以被配置为在所述性能评估值越大性能越优的情况下，在预测导数值为正的分段中选取预测导数值绝对值最大的分段。
68.拐点确定子模块3066，可以被配置为根据选取的分段的截止点确定所述目标任务的性能拐点的参数值。
69.再例如，如图4所示，另一个实施例中，所述拐点确定模块306可以包括如上一实施例所述的预测导数值获取子模块3062以及拐点确定子模块3066，另外还可以包括：
70.下降分段确定子模块3068，可以被配置为在所述性能评估值越小性能越优的情况下，在预测导数值为负的分段中选取预测导数值绝对值最大的分段。
71.在上述实施例中，采用分段线性拟合的方法，利用前期收集采样数据，通过算法自动识别各个分段的起止参数取值，并将参数取值按照不同模式筛选出最终拐点参数值，提高了检测精度。
72.在本说明书一个或多个实施例中，在初步确定各分段以及相应拐点值后，可以在某一个或多个具体分段内进行细粒度分析。具体地，例如，如图4所示，所述获取模块302，可以包括：
73.初始获取子模块3022，可以被配置为获取目标任务的参数的若干个初始采样值以及所述初始采样值对应的性能评估值。
74.初始分段子模块3024，可以被配置为对所述若干个初始采样值以及所述初始采样值对应的性能评估值进行分段线性拟合，得到多个初始分段。
75.分段选取子模块3026，可以被配置为从所述多个初始分段中选取需要细粒度分析的分段。
76.采样增加子模块3028，可以被配置为在选取的分段中，增加采样值以及对应的性能评估值。
77.相应地，所述分段拟合模块304，可以被配置为对选取的分段的初始采样值和增加采样值以及对应的性能评估值，进行分段线性拟合，得到选取的分段的多个细化分段。所述拐点确定模块306，可以被配置为根据所述多个细化分段的端点，确定所述目标任务的性能拐点的参数值。
78.通过上述一个或多个实施例可见，由于该装置利用前期收集采样数据，对采样数据进行分段线性拟合，高效地学习分段内的线性特性，进而通过分段的端点确定性能拐点的参数值，避免人工调整参数带来的效率低下的问题，而且不存在一些自动搜索算法的搜索效率低的问题。
79.上述为本实施例的一种检测性能拐点参数的装置的示意性方案。需要说明的是，
该检测性能拐点参数的装置的技术方案与上述的检测性能拐点参数的方法的技术方案属于同一构思，检测性能拐点参数的装置的技术方案未详细描述的细节内容，均可以参见上述检测性能拐点参数的方法的技术方案的描述。
80.图5示出了根据本说明书一个实施例提供的一种计算设备500的结构框图。该计算设备500的部件包括但不限于存储器510和处理器520。处理器520与存储器510通过总线530相连接，数据库550用于保存数据。
81.计算设备500还包括接入设备540，接入设备540使得计算设备500能够经由一个或多个网络560通信。这些网络的示例包括公用交换电话网(pstn)、局域网(lan)、广域网(wan)、个域网(pan)或诸如因特网的通信网络的组合。接入设备540可以包括有线或无线的任何类型的网络接口(例如，网络接口卡(nic))中的一个或多个，诸如ieee802.11无线局域网(wlan)无线接口、全球微波互联接入(wi-max)接口、以太网接口、通用串行总线(usb)接口、蜂窝网络接口、蓝牙接口、近场通信(nfc)接口，等等。
82.在本说明书的一个实施例中，计算设备500的上述部件以及图5中未示出的其他部件也可以彼此相连接，例如通过总线。应当理解，图5所示的计算设备结构框图仅仅是出于示例的目的，而不是对本说明书范围的限制。本领域技术人员可以根据需要，增添或替换其他部件。
83.计算设备500可以是任何类型的静止或移动计算设备，包括移动计算机或移动计算设备(例如，平板计算机、个人数字助理、膝上型计算机、笔记本计算机、上网本等)、移动电话(例如，智能手机)、可佩戴的计算设备(例如，智能手表、智能眼镜等)或其他类型的移动设备，或者诸如台式计算机或pc的静止计算设备。计算设备500还可以是移动式或静止式的服务器。
84.其中，处理器520用于执行如下计算机可执行指令，该计算机可执行指令被处理器执行时实现上述检测性能拐点参数的方法的步骤。
85.上述为本实施例的一种计算设备的示意性方案。需要说明的是，该计算设备的技术方案与上述的检测性能拐点参数的方法的技术方案属于同一构思，计算设备的技术方案未详细描述的细节内容，均可以参见上述检测性能拐点参数的方法的技术方案的描述。
86.本说明书一实施例还提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述检测性能拐点参数的方法的步骤。
87.上述为本实施例的一种计算机可读存储介质的示意性方案。需要说明的是，该存储介质的技术方案与上述的检测性能拐点参数的方法的技术方案属于同一构思，存储介质的技术方案未详细描述的细节内容，均可以参见上述检测性能拐点参数的方法的技术方案的描述。
88.本说明书一实施例还提供一种计算机程序，其中，当所述计算机程序在计算机中执行时，令计算机执行上述检测性能拐点参数的方法的步骤。
89.上述为本实施例的一种计算机程序的示意性方案。需要说明的是，该计算机程序的技术方案与上述的检测性能拐点参数的方法的技术方案属于同一构思，计算机程序的技术方案未详细描述的细节内容，均可以参见上述检测性能拐点参数的方法的技术方案的描述。
90.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围
内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
91.所述计算机指令包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
92.需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本说明书实施例并不受所描述的动作顺序的限制，因为依据本说明书实施例，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本说明书实施例所必须的。
93.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
94.以上公开的本说明书优选实施例只是用于帮助阐述本说明书。可选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书实施例的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本说明书实施例的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本说明书。本说明书仅受权利要求书及其全部范围和等效物的限制。