一种业务影响识别方法及装置与流程

1.本发明涉及业务数据处理技术领域，具体涉及一种业务影响识别方法及装置。


背景技术：

2.业务在持久运行过程中难免受到基础设施和操作系统异常等因素影响，使得业务服务被迫中断，现有的业务影响识别方法通过人力将需要识别的目标业务运行指标值与同期数据进行比较，从而识别业务影响程度。
3.但是，上述方法效率太低，且同期相关数据不易获取，识别准确率也有待提高。


技术实现要素：

4.针对现有技术中的问题，本发明实施例提供一种业务影响识别方法及装置，能够至少部分地解决现有技术中存在的问题。
5.一方面，本发明提出一种业务影响识别方法，包括：
6.获取目标业务运行指标值；
7.基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
8.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
9.其中，所述预设业务影响识别模型为包含所述限值模型和专家库模型的融合模型；相应的，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
10.基于所述融合模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；所述融合模型预先根据所述专家库模型中的专家规则对所述限值模型的限值进行调整。
11.其中，所述根据所述专家库模型中的专家规则对所述限值模型的限值进行调整，包括：
12.确定影响业务的预设目标日期，以及影响业务的影响方向；所述影响方向包括使得业务量增加的影响方向或使得业务量减少的影响方向；
13.在与所述预设目标日期对应的本年度目标日期，根据所述影响方向对所述限值进行相应的调整。
14.其中，所述预设业务影响识别模型为将各时段分别对应的业务运行指标的上限限值相连，以及将各时段分别对应的业务运行指标的下限限值相连，得到的基线限值模型；相应的，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
15.若所述目标业务运行指标值位于所述基线限值模型的上限限值和下限限值之间，
则确定所述业务影响识别结果为正常。
16.其中，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
17.若所述目标业务运行指标值大于所述上限限值，或者小于所述下限限值，则确定所述业务影响识别结果为异常。
18.其中，在所述获取目标业务运行指标值的步骤之前，所述业务影响识别方法还包括：
19.将距离当前时刻大于预设时长的历史业务运行指标数据的存储时间粒度调长，并存储调长存储时间粒度的历史业务运行指标数据的最大值和最小值。
20.其中，所述业务影响识别方法还包括：
21.在获取所述目标业务运行指标值的同时，将所述目标业务运行指标值作为所述历史业务运行指标数据，并进行存储。
22.一方面，本发明提出一种业务影响识别装置，包括：
23.获取单元，用于获取目标业务运行指标值；
24.识别单元，用于基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
25.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
26.再一方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
27.所述处理器和所述存储器通过所述总线完成相互间的通信；
28.所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
29.获取目标业务运行指标值；
30.基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
31.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
32.本发明实施例提供一种非暂态计算机可读存储介质，包括：
33.所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
34.获取目标业务运行指标值；
35.基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
36.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
37.本发明实施例提供的业务影响识别方法及装置，获取目标业务运行指标值；基于
预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定，通过模型识别替代人力工作，提高业务影响识别效率，也省去了获取同期相关数据的过程，此外，还能够提高业务影响识别准确率。
附图说明
38.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
39.图1是本发明一实施例提供的业务影响识别方法的流程示意图。
40.图2是本发明另一实施例提供的确定上限限值和下限限值的说明示意图。
41.图3是本发明另一实施例提供的业务影响识别方法的流程示意图。
42.图4是本发明一实施例提供的业务影响识别装置的结构示意图。
43.图5为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
44.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互任意组合。
45.图1是本发明一实施例提供的业务影响识别方法的流程示意图，如图1所示，本发明实施例提供的业务影响识别方法，包括：
46.步骤s1：获取目标业务运行指标值。
47.步骤s2：基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
48.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
49.在上述步骤s1中，装置获取目标业务运行指标值。装置可以是执行该方法的计算机设备，例如可以包括服务器和客户端等。目标业务运行指标值可以理解为待识别的业务运行指标值，包括每个时间粒度周期的交易量等，例如每分钟交易量为5000笔。
50.在上述步骤s2中，装置基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
51.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。限值模型的限值包括上限限值和下限限值。各时段的时间粒度周期可以根据实际情况自主设置，可选为每分钟。
52.举例说明如下：以上午9:00～9:01对应的时段为例，基于该时段的历史业务运行指标数据可以为从当天算起之前的1年或几年的上午9:00～9:01对应的历史业务运行指标数据。
53.根据历史上同一时段的历史业务运行指标数据，预测当天该时段的业务运行指标值出现在某一数值区间的概率。
54.如图2所示，图2的横坐标为交易关键指标值(对应历史业务运行指标数据，比如每个时段的交易量)、纵坐标为该值出现的概率。
55.就如何预测当天一个时段的交易关键指标值的上限限值和下限限值进行说明如下：
56.对该时段交易关键指标值过去1年的历史数据进行研究，计算出算术平均值以及标准差，发明人发现，交易关键指标值出现的概率的分布特征曲线呈正态分布，平均值以及标准差分别决定了该正态分布曲线的具体位置和曲线的形态。
57.在平均值m对称的两侧，有两个点l和h，交易关键指标值出现在l和h之间的预设数值区间的概率为99.9％，通过反函数求解，可得出l和h点的具体值，l点即为上述下限限值，h点即为上述上限限值。结合图2解释说明如下：
58.l0到坐标原点之间的预设数值区间为0到无穷大，其对应的概率为100％。
59.l0到l1之间的预设数值区间为l到m，其对应的概率为99.9％。
60.l0到l2之间的预设数值区间为l到m(图2未示出)，其对应的概率为90％。
61.可以理解的是，概率值越小，对应的上限限值h越小，对应的下限限值l越大；概率值越大，对应的上限限值h越大，对应的下限限值l越小。
62.因此，根据概率值即可以计算出上限限值和下限限值。
63.把预测的一天中所有时段的上限限值和下限限值分别连接起来，从而形成该交易关键指标值一天的基线限值模型，该基线限值模型包括包含上限限值的上限基线和包含下限限值的下限基线。
64.可以根据执行方法的计算机的计算能力和容量，对历史数据期限和要求概率精度进行调节。
65.所述预设业务影响识别模型为包含所述限值模型和专家库模型的融合模型；相应的，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
66.基于所述融合模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；所述融合模型预先根据所述专家库模型中的专家规则对所述限值模型的限值进行调整。
67.所述根据所述专家库模型中的专家规则对所述限值模型的限值进行调整，包括：
68.确定影响业务的预设目标日期，以及影响业务的影响方向；所述影响方向包括使得业务量增加的影响方向或使得业务量减少的影响方向；
69.在与所述预设目标日期对应的本年度目标日期，根据所述影响方向对所述限值进行相应的调整。举例说明如下：
70.预设目标日期可以为业务促销时期，如双十一期间所有快捷类支付交易，再如某个时间点纪念币预约，那么这期间对应的上限限值进行调大至最大阈值，可以直接调整为
系统能承担的极限限流值。
71.预设目标日期可以为特殊场景，如春节前夕，此期间存取款和转账交易大幅增长等，那么可以将这期间对应的上限限值调大至最大阈值的80％。专家规则可以实践中不断调整和完善，以弥补仅依赖历史数据学习的局限性。
72.所述预设业务影响识别模型为将各时段分别对应的业务运行指标的上限限值相连，以及将各时段分别对应的业务运行指标的下限限值相连，得到的基线限值模型；即把预测的一天中所有时段的上限限值和下限限值分别连接起来，从而形成该交易关键指标值一天的基线限值模型，该基线限值模型包括包含上限限值的上限基线和包含下限限值的下限基线。
73.相应的，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
74.若所述目标业务运行指标值位于所述基线限值模型的上限限值和下限限值之间，则确定所述业务影响识别结果为正常。业务影响识别结果为正常，可以理解为目标业务运行指标值对业务影响程度可控范围之内，无需特别关注，如果业务影响识别结果为正常，可以不作任何处理。
75.所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
76.若所述目标业务运行指标值大于所述上限限值，或者小于所述下限限值，则确定所述业务影响识别结果为异常。业务影响识别结果为异常，可以理解为目标业务运行指标值对业务影响程度超过可控范围之内，需要特别关注，如果业务影响识别结果为异常，可以生成报警消息。
77.本发明实施例提供的业务影响识别方法，获取目标业务运行指标值；基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定，通过模型识别替代人力工作，提高业务影响识别效率，也省去了获取同期相关数据的过程，此外，还能够提高业务影响识别准确率。
78.进一步地，所述预设业务影响识别模型为包含所述限值模型和专家库模型的融合模型；相应的，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
79.基于所述融合模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；所述融合模型预先根据所述专家库模型中的专家规则对所述限值模型的限值进行调整。可参照上述说明不再赘述。
80.本发明实施例提供的业务影响识别方法，基于融合模型对目标业务运行指标值进行识别，进一步能够提高业务影响识别准确率。
81.进一步地，所述根据所述专家库模型中的专家规则对所述限值模型的限值进行调整，包括：
82.确定影响业务的预设目标日期，以及影响业务的影响方向；所述影响方向包括使得业务量增加的影响方向或使得业务量减少的影响方向；可参照上述说明不再赘述。
83.在与所述预设目标日期对应的本年度目标日期，根据所述影响方向对所述限值进行相应的调整。可参照上述说明不再赘述。
84.本发明实施例提供的业务影响识别方法，在对应时期根据影响方向对限值进行相应的调整，进一步能够提高业务影响识别准确率。
85.进一步地，所述预设业务影响识别模型为将各时段分别对应的业务运行指标的上限限值相连，以及将各时段分别对应的业务运行指标的下限限值相连，得到的基线限值模型；相应的，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
86.若所述目标业务运行指标值位于所述基线限值模型的上限限值和下限限值之间，则确定所述业务影响识别结果为正常。可参照上述说明不再赘述。
87.本发明实施例提供的业务影响识别方法，能够准确确定正常的业务影响识别结果。
88.进一步地，所述基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果，包括：
89.若所述目标业务运行指标值大于所述上限限值，或者小于所述下限限值，则确定所述业务影响识别结果为异常。可参照上述说明不再赘述。
90.本发明实施例提供的业务影响识别方法，能够准确确定异常的业务影响识别结果。
91.进一步地，在所述获取目标业务运行指标值的步骤之前，所述业务影响识别方法还包括：
92.将距离当前时刻大于预设时长的历史业务运行指标数据的存储时间粒度调长，并存储调长存储时间粒度的历史业务运行指标数据的最大值和最小值。预设时长可以根据实际情况自主设置，可选为1年。举例说明如下：
93.如果1年前的历史业务运行指标数据的存储时间粒度为每分钟，即存储每分钟历史业务运行指标数据的最大值和最小值。
94.调长后的存储时间粒度可以为1小时，并存储每小时历史业务运行指标数据的最大值和最小值。
95.本发明实施例提供的业务影响识别方法，既保证了训练模型的数据时效性，又大幅减少了数据存储量。
96.进一步地，所述业务影响识别方法还包括：
97.在获取所述目标业务运行指标值的同时，将所述目标业务运行指标值作为所述历史业务运行指标数据，并进行存储。即实时更新存储的历史业务运行指标数据。
98.本发明实施例提供的业务影响识别方法，能够及时更新存储的历史业务运行指标数据。
99.如图3所示，对本发明实施例的方法说明如下，包括基于模型进行业务影响识别的相关步骤：
100.步骤1：采集应用系统上送的交易监控数据，可以包括每个时段的交易量等数据。
101.步骤2(图3未示出)：确定待识别的目标业务运行指标值。
102.步骤3：根据智能基线计算出得到的模型，对目标业务运行指标值进行识别，得到
业务影响识别结果。
103.步骤4：展示业务影响识别结果，对于运行异常的指标可根据需要发送监控报警或者通过短信通知相关人员。
104.还包括基于模型训练的相关步骤：
105.步骤1：根据实时数据更新存储的历史数据。
106.步骤2：根据业务指标的历史数据，确定某一时段该业务指标的智能基线上限和下限，并通过专家规则配置修正智能基线上限和下限。
107.基于模块化实现本发明实施例的方法，包括实时数据采集模块、历史数据存储模块、专家规则配置模块、智能基线计算模块、业务影响识别模块和结果展示报送模块；其中：
108.实时数据采集模块：从各业务系统实时采集交易率、交易响应时间、业务成功率和系统成功率等数据。
109.历史数据存储模块：把实时数据采集模块采集的数据进行存储，对于近1年的交易率、交易响应时间、业务成功率、系统成功率数据全量明细进行存储。对于超过1年的数据把时间周期粒度放宽，每个周期保留最大最小值，从而减少数据存储量。
110.专家规则配置模块：提供各类专家库模型，供技术支持人员进行配置，对系统自动算出的基线进行调整。具体内容可参照上述说明，不再赘述。
111.智能基线计算模块：上限和下限说明可参照上述说明，不再赘述。把预测的一天中所有时段的数值区间值上限和下限分别连接起来，从而形成该关键指标值一天的智能基线上限和下限两条基线。根据系统的计算能力和容量，可对历史数据期限和要求的概率精度进行调节。
112.业务影响识别模块：根据业务指标的实时数据与对应的智能基线上限和下限进行比较，当超出上限或下限则判断为该业务指标运行异常。
113.结果展示报送模块：展示业务指标的运行情况，可在前台界面实时观察某一指标的当前值、以及智能基线上限和下限。对于异常的指标，在对应的时间轴上标红警示，同时，可根据需要发送监控报警或者通过短信通知相关人员。
114.需要说明的是，本发明实施例提供的业务影响识别方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对业务影响识别方法的应用领域不做限定。
115.图4是本发明一实施例提供的业务影响识别装置的结构示意图，如图4所示，本发明实施例提供的业务影响识别装置，包括获取单元401和识别单元402，其中：
116.获取单元401用于获取目标业务运行指标值；识别单元402用于基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
117.具体的，装置中的获取单元401用于获取目标业务运行指标值；识别单元402用于基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分
布特征曲线中的预设数值区间对应的概率值确定。
118.本发明实施例提供的业务影响识别装置，获取目标业务运行指标值；基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定，通过模型识别替代人力工作，提高业务影响识别效率，也省去了获取同期相关数据的过程，此外，还能够提高业务影响识别准确率。
119.进一步地，所述预设业务影响识别模型为包含所述限值模型和专家库模型的融合模型；相应的，所述识别单元402还用于：
120.基于所述融合模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；所述融合模型预先根据所述专家库模型中的专家规则对所述限值模型的限值进行调整。
121.本发明实施例提供的业务影响识别装置，基于融合模型对目标业务运行指标值进行识别，进一步能够提高业务影响识别准确率。
122.进一步地，所述业务影响识别装置具体用于：
123.确定影响业务的预设目标日期，以及影响业务的影响方向；所述影响方向包括使得业务量增加的影响方向或使得业务量减少的影响方向；
124.在与所述预设目标日期对应的本年度目标日期，根据所述影响方向对所述限值进行相应的调整。
125.本发明实施例提供的业务影响识别装置，在对应时期根据影响方向对限值进行相应的调整，进一步能够提高业务影响识别准确率。
126.进一步地，所述预设业务影响识别模型为将各时段分别对应的业务运行指标的上限限值相连，以及将各时段分别对应的业务运行指标的下限限值相连，得到的基线限值模型；相应的，所述识别单元402还具体用于：
127.若所述目标业务运行指标值位于所述基线限值模型的上限限值和下限限值之间，则确定所述业务影响识别结果为正常。
128.本发明实施例提供的业务影响识别装置，能够准确确定正常的业务影响识别结果。
129.进一步地，所述识别单元402还具体用于：
130.若所述目标业务运行指标值大于所述上限限值，或者小于所述下限限值，则确定所述业务影响识别结果为异常。
131.本发明实施例提供的业务影响识别装置，能够准确确定异常的业务影响识别结果。
132.进一步地，所述业务影响识别装置还用于：
133.将距离当前时刻大于预设时长的历史业务运行指标数据的存储时间粒度调长，并存储调长存储时间粒度的历史业务运行指标数据的最大值和最小值。
134.本发明实施例提供的业务影响识别装置，既保证了训练模型的数据时效性，又大幅减少了数据存储量。
135.进一步地，所述业务影响识别装置还用于：
136.在获取所述目标业务运行指标值的同时，将所述目标业务运行指标值作为所述历史业务运行指标数据，并进行存储。
137.本发明实施例提供的业务影响识别装置，能够及时更新存储的历史业务运行指标数据。
138.本发明实施例提供业务影响识别装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
139.图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，所述电子设备包括：处理器(processor)501、存储器(memory)502和总线503；
140.其中，所述处理器501、存储器502通过总线503完成相互间的通信；
141.所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
142.获取目标业务运行指标值；
143.基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
144.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
145.本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
146.获取目标业务运行指标值；
147.基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
148.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
149.本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述各方法实施例所提供的方法，例如包括：
150.获取目标业务运行指标值；
151.基于预设业务影响识别模型对所述目标业务运行指标值进行识别，得到业务影响识别结果；
152.其中，所述预设业务影响识别模型为与各时段分别对应的业务运行指标的限值模型；所述限值模型的限值基于同一时段的历史业务运行指标数据的分布特征曲线，以及在所述分布特征曲线中的预设数值区间对应的概率值确定。
153.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(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。
154.本发明是参照根据本发明实施例的方法、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。
155.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。
156.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。
157.在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
158.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。