实例使用状态的识别方法及设备与流程

1.本技术涉及计算机技术领域，尤其涉及一种实例使用状态的识别方法及设备。


背景技术：

2.实例为具体的云服务器(cloud virtual machine，简称，cvm)，是包含cpu、内存、操作系统、网络、磁盘等最基础的计算组件，是云服务厂商提供云服务的基本单元，每个服务器内可以运行多个实例。云服务厂商为了精细化管理众多实例，需要对实例的使用状态进行识别。
3.通常情况下，在对实例的使用状态进行识别时，对于同一类型同一规格的实例，采用固定的阈值进行使用状态识别。当某一性能指标的运行数据大于或者等于设定的阈值，则将该实例的使用状态设定为高负载状态，某一性能指标的运行数据小于设定的阈值，则将该实例的使用状态设定为空闲状态。
4.然而，通常实例的各性能指标的运行数据的数量级达到百万级别，需要逐一将运行数据与设定阈值比较，数据计算量大，计算耗时，并且需要人工设置合适的阈值，若阈值设置不当，容易导致识别结果错误。


技术实现要素：

5.本技术提供一种实例使用状态的识别方法及设备，用以解决现有技术无法准确识别实例使用状态的技术问题。
6.本技术一实施例提供一种实例使用状态的识别方法，包括：
7.获取目标实例在一个识别周期内的至少一个性能指标的运行数据；
8.针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得各性能指标的特征数据；
9.对性能指标的特征数据进行计算获得目标实例的性能指数；
10.根据目标实例的性能指数获得目标实例的使用状态。
11.在一实施例中，每个识别周期包括多个时间区间；针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得各性能指标的特征数据，具体包括以下至少一项：
12.针对每个性能指标，对每个时间区间内的运行数据进行统计分析，获得性能指标在每个时间区间内的统计结果；
13.针对每个性能指标，利用机器学习算法对每个时间区间内的运行数据进行特征提取，获得性能指标在每个时间区间内的时序特征数据；
14.针对每个性能指标，利用机器学习算法对一个识别周期内的运行数据进行画像分析，获得目标实例的画像数据。
15.在一实施例中，对性能指标的特征数据进行计算获得目标实例的性能指数，具体包括：
16.利用机器学习算法对每个性能指标的特征数据进行处理，获得每个性能指标的权
重；
17.根据每个性能指标的权重和每个性能指标的特征数据计算获得目标实例的性能指数。
18.在一实施例中，利用机器学习算法对每个性能指标的特征数据进行处理，获得每个性能指标的权重，具体包括：
19.利用机器学习算法对性能指标在每个时间区间内的统计结果、性能指标在每个时间区间内的时序特征数据、目标实例的画像数据以及每个性能指标的预设初始权重进行处理，获得每个性能指标的权重。
20.在一实施例中，根据每个性能指标的权重和每个性能指标的特征数据计算获得目标实例的性能指数，具体包括：
21.针对每个时间区间，对每个性能指标的统计结果、时序特征数据以及画像数据进行归一化处理；对归一化处理后的统计结果、时序特征数据以及画像数据进行相加，获得在每个时间区间内每个性能指标的指标数据；
22.利用每个性能指标的权重对每个时间区间内每个性能指标的指标数据进行加权求和处理，获得每个时间区间内的目标实例的性能指数；
23.对每个时间区间内的目标实例的性能指数和预设时间权重进行加权求和，获得识别周期内的目标实例的性能指数。
24.在上述技术方案中，通过对不同时间区间的性能指数进行特征提取，获得每个性能指标的特征数据，再对各个性能指标的特征数据进行加权求和，获得各个时间区间内的目标实例的性能指数，再对各个时间区间内的目标实例的性能指数进行加权求和，所获得的目标实例的性能指数可以准确反应目标实例的运行数据的特点。
25.在一实施例中，根据目标实例的性能指数获得目标实例的使用状态，具体包括：
26.当目标实例的性能指数小于第一阈值时，确定目标实例处于空闲状态；
27.当目标实例的性能指数大于或等于第一阈值，且小于第二阈值时，确定目标实例处于低负载状态；
28.当目标实例的性能指数大于或等于第二阈值，且小于第三阈值时，确定目标实例处于正常负载状态；
29.当目标实例的性能指数大于或等于第三阈值，确定目标实例处于高负载状态。
30.在一实施例中，方法还包括：
31.获取目标实例在上一个识别周期内的至少一个性能指标的运行数据和在上一个识别周期内的目标实例的性能指数；
32.使用机器学习算法对在上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数进行处理，获得第一阈值、第二阈值以及第三阈值。
33.在上述技术方案中，通过利用机器学习算法对在上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数进行数据挖掘，获得第一阈值、第二阈值以及第三阈值，无需人工设置阈值，且阈值也能适应运行数据的变化，可以提高识别结果的准确性。
34.在一实施例中，获取目标实例在一个识别周期内的至少一个性能指标的运行数据，具体包括：
35.获取监控点采集到的在一个识别周期内的至少一个性能指标原始运行数据；
36.对一个识别周期内的至少一个性能指标原始运行数据进行数据聚合、缺失值填充以及异常值清洗处理，获得目标实例在一个识别周期内的至少一个性能指标的运行数据。
37.本技术另一实施例提供一种识别设备，包括：处理器，以及与处理器通信连接的存储器；
38.存储器存储计算机执行指令；
39.处理器执行存储器存储的计算机执行指令，以实现上述实施例提供的实例使用状态的识别方法。
40.本技术另一实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述实施例提供的实例使用状态的识别方法。
41.本技术另一实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例提供的实例使用状态的识别方法。
42.本技术实施例提供的实例使用状态的识别方法及设备，通过对一个识别周期内的至少一个性能指标的运行数据进行特征提取获得各性能指标的特征数据，再对性能指标的特征数据进行计算获得目标实例的性能指数，实现将百万级大小的运行数据转换为目标实例的性能指数，降低数据计算量，再根据目标实例的性能指数获得目标实例的使用状态，因性能指数从时间维度和类型维度综合考虑了实例更全面的运行数据，增加状态识别结果的可靠性，个别运行数据的波动不会对性能指数产生较大干扰，从而能避免误报的产生。
附图说明
43.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
44.图1为本技术一实施例提供的实例使用状态的识别系统；
45.图2为本技术另一实施例提供的实例使用状态的识别方法；
46.图3为本技术又一实施例提供的实例使用状态的识别方法；
47.图4为本技术再一实施例提供的实例使用状态的识别装置；
48.图5为本技术另一实施例提供的实例使用状态的识别设备。
49.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
50.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
51.实例是云服务厂商提供云服务的基本单元，可根据配置的不同将实例分为通用型实例、计算型实例以及内存型实例等。云服务厂商拥有上百万台服务器，每个服务器内也运
行有多个实例，因此，云服务厂商用于提供服务的实例个数达数百万级别。若云服务厂商要对该量级的实例进行精细化管理，其基础是具备对每个实例的使用状态的感知。对用户而言，掌握其购买实例的使用状态不仅有利于提升服务稳定性，降低业务风险，同时也是降低成本、增加效益的前提要求。因此，如何做到对百万级别实例使用状态的识别，是本技术致力于解决的问题。
52.在对实例的使用状态进行识别时，对于同一类型同一规格的实例，采用固定的阈值进行使用状态识别。当某一性能指标的运行数据大于或者等于设定的阈值，则将该实例的使用状态设定为高负载状态，某一性能指标的运行数据小于设定的阈值，则将该实例的使用状态设定为空闲状态。
53.然而，实例存在较多的类型和规格，每种类型和每种规格的实例均有不同的性能指标，则针对每种类型和每种规格的实例需要存储相应地运行数据，导致数据存储成本高。还需要依靠专家经验，对每一类型每一规格实例的每个性能指标划定不同的阈值，而且因实例部署服务的多样性，导致实例的运行数据波动的不确定性，通过专家经验设置阈值容易出现错误估计实例的使用状态。
54.本技术提供一种实例使用状态的识别方法及设备，通过将同一规格同一类型的实例的各性能指标的运行数据进行处理获得该实例的性能指数，根据实例的性能指数识别每个实例的使用状态，可以实现对实例的使用状态的准确识别。
55.如图1所示，本技术一实施例提供一种实例使用状态的识别系统，该识别系统包括识别设备100和多个服务器200，每个服务器200上运行有多个实例，并在每个服务器200上布置有监控点。由监控点采集各实例的各性能指标的运行数据，识别设备100通过执行计算机指令，实施如下实施例中的识别方法，对各性能指标的运行数据进行处理确定实例的使用状态。
56.如图2所示，本技术一实施例提供一种实例使用状态的识别方法，该识别方法运行于识别设备上，该识别方法具体包括如下步骤：
57.s101、获取目标实例在一个识别周期内的至少一个性能指标的运行数据。
58.在该步骤中，不同类型不同规格的实例有不同性能指标，通过设置监控程序，监控服务器上运行的目标实例的各性能指标的运行数据。例如：目标实例的各性能指标包括cpu、内存、网络以及磁盘中任意一种或多种组合。
59.当目标实例的性能指标包括cpu、内存、网络以及磁盘时，目标实例的各性能指标的运行数据包括当前空闲cpu百分比、当前内核空间占用cpu的百分比、当前用户空间占用cpu百分比、已用内存量、用户实际使用的内存、磁盘每秒读取的字节数、磁盘每秒写入的字节数、公网入流量平均速率、公网出流量平均速率、私网入流量平均速率以及私网出流量平均速率。
60.s102、针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得性能指标的特征数据。
61.在该步骤中，针对每个性能指标，使用统计分析技术和/或机器学习算法对一个识别周期内的该性能指标的运行数据进行特征提取获得该性能指标的特征数据。
62.s103、对性能指标的特征数据进行计算获得目标实例的性能指数。
63.在该步骤中，在对性能指标的特征数据进行计算时，可以使用加权求和，还可以使
用其他计算方式进行处理。
64.在使用加权求和方式进行处理时，每个性能指标的特征数据能够反映该性能指标的运行数据的特征，通过配置方式配置权重设置条件。例如：权重设置条件具体为，当特征数据呈现某一趋势时，其权重值较大。当特征数据呈现另一趋势时，其权重值较小。
65.利用权重设置条件对机器学习算法进行训练，使用训练后的机器学习算法对每个性能指标的特征数据进行数据挖掘处理获得每个性能指标的权重。使用每个性能指标的权重对性能指标的特征数据进行加权求和获得目标实例的性能指数。
66.s104、根据目标实例的性能指数获得目标实例的使用状态。
67.在该步骤中，设置各个状态条件，例如：低负载条件、空闲状态条件、正常负载条件以及高负载条件。
68.当目标实例的性能指数满足空闲状态条件时，确定目标实例的使用状态为空闲状态。当目标实例的性能指数满足低负载条件时，确定目标实例的使用状态为低负载状态。当目标实例的性能指数满足正常负载条件时，确定目标实例的使用状态为正常负载状态。当目标实例的性能指数满足高负载条件时，确定目标实例的使用状态为高负载状态。
69.在上述技术方案中，将繁多的运行数据内包含的信息提炼为一个性能指数，无需逐一与阈值进行比较，仅基于一个性能指数确定目标实例的使用状态，可以减少数据处理量。且因性能指数综合考虑了实例更全面的运行数据，增加状态识别结果的可靠性，个别运行数据的波动不会对性能指数产生较大干扰，从而能避免误报的产生。
70.如图3所示，本技术另一实施例提供一种实例使用状态的识别方法，该识别方法运行于识别设备上，该识别方法具体包括如下步骤：
71.s201、获取目标实例在一个识别周期内的至少一个性能指标的运行数据。
72.在该步骤中，每个识别周期包括多个时间区间，例如，一个识别周期为一个星期，一个星期包括7天，则可以将一个星期分为7个时间区间。
73.获取监控点采集到的在一个识别周期内的性能指标的原始运行数据，例如：从数据库拉取cpu、内存、磁盘以及网络等性能指标的运行数据。
74.对一个识别周期内的性能指标原始运行数据进行数据聚合、缺失值填充以及异常值清洗处理，获得目标实例在一个识别周期内各性能指标的运行数据。例如：采集一个星期的原始运行数据，并对原始运行数据进行数据聚合、缺失值填充以及异常值清洗等数据预处理。
75.在进行数据聚合时，当监控点存储的运行数据为5min尺度时，需要将其聚合为每小时或者每天尺度的数据。当监控点存在故障时，数据可能出现缺失情况，此时需要采用前向填充的方法对缺失值进行填充，以方便后续算法计算。当监控点出现采集异常时，所采集到的数据可能会出现异常大的数据，此时需要利用假设检验方法将这些异常值准确识别并做清洗处理，以避免后续对算法产生干扰。
76.s202、针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得性能指标的特征数据。
77.在该步骤中，在对运行数据进行特征提取时，可以对每个时间区间内的运行数据进行特征提取，获得每个时间区间内的性能指标的特征数据。
78.在一实施例中，性能指标的特征数据包括以下至少一项：统计结果、时序特征数据
以及画像数据。
79.在一实施例中，针对每个性能指标，对每个时间区间内的运行数据进行统计分析，获得性能指标在每个时间区间内的统计结果。
80.在一实施例中，针对每个性能指标，利用机器学习算法对每个时间区间内的运行数据进行特征提取，获得性能指标在每个时间区间内的时序特征数据。
81.在一实施例中，针对每个性能指标，利用机器学习算法对一个识别周期内的运行数据进行画像分析，获得目标实例的画像数据。
82.在上述技术方案中，通过对机器学习算法进行训练，以使机器学习算法可以进行相应的数据挖掘，获得时序特征数据或者画像数据。机器学习算法包括监督学习、无监督学习和强化学习等。
83.例如：某目标实例各性能指标的运行数据包括cpu使用量、内存使用量、入口网络速率以及出口网络速率。
84.先对目标实例的cpu使用量、内存使用量、入口网络速率以及出口网络速率进行统计分析，获得cpu的统计结果、内存的统计结果、入口网络速率的统计结果以及出口网络速率的统计结果。统计分析过程包括计算最小值、计算平均值、计算最大值、计算25％、75％以及95％的统计分布等。
85.利用机器学习算法对目标实例的cpu使用量、内存使用量、入口网络速率以及出口网络速率进行性能指标画像，深度挖掘后得到该目标实例在识别周期内的画像数据。画像数据为计算密集型实例、存储密集型实例或者读写密集型实例等。当性能指标的特征数据包括画像数据时，每个性能指标的画像数据继承目标实例的画像数据。
86.利用机器学习算法通过对目标实例的运行数据进行特征提取，计算实例的运行数据在每个时间区间内变化情况。例如，在某一个时间区间内，cpu的高水位运行占比为20％，cpu的低水位运行占比为30％，cpu的空闲运行占比为50％。在某一个时间区间内，内存的高水位运行占比为15％，内存的低水位运行占比为45％，内存的空闲运行占比为40％。
87.s203、利用机器学习算法对每个性能指标的特征数据进行处理，获得每个性能指标的权重。
88.在该步骤中，利用机器学习算法对性能指标在每个时间区间内的统计结果、性能指标在每个时间区间内的时序特征数据、目标实例的画像数据以及每个性能指标的预设初始权重进行处理，获得每个性能指标的权重。
89.其中，每个性能指标的预设初始权重是利用熵权法对每个性能指标的历史特征数据进行处理获得的，每个性能指标的历史特征数据是对历史识别周期内的运行数据进行特征提取获得的，使用每个性能指标的历史特征数据和预设初始权重对机器学习算法训练，并使用训练后的机器学习算法对每个性能指标的特征数据进行处理，获得每个性能指标的权重。
90.s204、根据每个性能指标的权重和性能指标的特征数据计算获得目标实例的性能指数。
91.在该步骤中，每个性能指标的统计结果、时序特征数据以及画像数据处于不同数据维度，在获得目标实例的性能指数时，需要先对每个性能指标的统计结果、时序特征数据以及画像数据进行归一化处理，将数据统一到同一纬度。例如：均统一到0～100的数据范
围。
92.在一实施例中，针对每个时间区间，对每个性能指标的统计结果、时序特征数据以及画像数据进行归一化处理。对归一化处理后的统计结果、时序特征数据以及画像数据进行相加，获得在每个时间区间内每个性能指标的指标数据。
93.在获得每个时间区间内每个性能指标的指标数据后，利用每个性能指标的权重对每个时间区间内每个性能指标的指标数据进行加权求和处理，获得每个时间区间内的目标实例的性能指数。
94.例如：表示时间区间t内的第i个性能指标的指标数据，根据如下公式计算获得时间区间t内的实例的性能指数：
[0095][0096]
其中，n表示性能指标总数，p
t
表示时间区间t内的目标实例的性能指数，αi表示第i个性能指标的权重。
[0097]
在获得每个时间区间内的目标实例的性能指数之后，对每个时间区间内的目标实例的性能指数和预设时间权重进行加权求和，获得识别周期内的目标实例的性能指数。
[0098]
例如：根据如下公式计算获得识别周期内的目标实例的性能指数：
[0099][0100]
其中，β
t
表示第t个时间区间的权重，t表示总时间区间的个数，pz表示识别周期内的目标实例的性能指数。
[0101]
其中，预设时间权重是预先设置的，且时间区间所对应时间越晚，则时间区间的权重越大。
[0102]
s205、获取目标实例在上一个识别周期内的至少一个性能指标的运行数据和在上一个识别周期内的目标实例的性能指数。
[0103]
在该步骤中，在获得在上一个识别周期内的运行数据后，利用步骤s202至s204的步骤对上一个识别周期内的运行数据进行处理，获得目标实例在上一个识别周期内的目标实例的性能指数。
[0104]
s206、利用机器学习算法对在上一个识别周期内的至少一个性能指标的运行数据和实例的性能指数进行处理，获得第一阈值、第二阈值以及第三阈值。
[0105]
在该步骤中，在获得上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数后，对上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数进行统计分析，获得第一阈值、第二阈值以及第三阈值。
[0106]
更具体地，对上个识别周期内的运行数据和各个时间区间内的目标实例的性能指数进行统计分析，确定运行数据的分布情况和性能指数的分布情况，基于运行数据的分布情况和性能指数的分布情况确定第一阈值、第二阈值以及第三阈值。
[0107]
s207、根据目标实例的性能指数和预设状态条件获得目标实例的使用状态。
[0108]
在该步骤中，满足空闲状态条件具体包括目标实例的性能指数小于第一阈值，不满足空闲状态条件具体包括目标实例的性能指数大于或者等于第一阈值。
[0109]
满足低负载条件具体包括目标实例的性能指数大于或等于第一阈值，且目标实例的性能指数小于第二阈值时。不满足低负载条件具体包括目标实例的性能指数小于第一阈值，或者，目标实例的性能指数大于或等于第二阈值。
[0110]
满足正常负载条件具体包括目标实例的性能指数大于或等于第二阈值，且目标实例的性能指数小于第三阈值。不满足正常负载条件具体包括目标实例的性能指数小于第二阈值，或者目标实例的性能指数大于或等于第三阈值。
[0111]
满足高负载条件具体包括当目标实例的性能指数大于或等于第三阈值时。不满足高负载条件具体包括目标实例的性能指数小于第三阈值。
[0112]
当目标实例的性能指数小于第一阈值时，确定目标实例处于空闲状态。当目标实例的性能指数大于或等于第一阈值，且小于第二阈值时，确定目标实例处于低负载状态。当目标实例的性能指数大于或等于第二阈值，且大于第三阈值时，确定目标实例处于正常负载状态。当目标实例的性能指数大于或等于第三阈值时，确定目标实例处于高负载状态。其中，第一阈值小于第二阈值，第二阈值小于第三阈值。
[0113]
在上述技术方案中，将目标实例的运行数据利用机器学习算法凝聚为一个能表示目标实例整体性能指标的使用情况的指数，即目标实例的性能指数，后续基于目标实例的性能指数，实现对目标实例的使用状态的智能识别。通过对在上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数进行数据挖掘，获得第一阈值、第二阈值以及第三阈值，无需人工设置阈值，且阈值也能适应运行数据的变化，可以提高识别结果的准确性。
[0114]
如图4所示，本技术一实施例提供的一种实例使用状态的识别装置300，该装置300包括：
[0115]
获取模块301，用于获取目标实例在一个识别周期内的至少一个性能指标的运行数据；
[0116]
处理模块302，用于针对每个性能指标，对一个识别周期内的运行数据进行特征提取，获得各性能指标的特征数据；
[0117]
处理模块302还用于对性能指标的特征数据进行计算获得目标实例的性能指数；
[0118]
处理模块302还用于根据目标实例的性能指数获得目标实例的使用状态。
[0119]
在一实施例中，每个识别周期包括多个时间区间；处理模块302还用于：
[0120]
针对每个性能指标，对每个时间区间内的运行数据进行统计分析，获得性能指标在每个时间区间内的统计结果；
[0121]
针对每个性能指标，利用机器学习算法对每个时间区间内的运行数据进行特征提取，获得性能指标在每个时间区间内的时序特征数据；
[0122]
针对每个性能指标，利用机器学习算法对一个识别周期内的运行数据进行画像分析，获得目标实例的画像数据。
[0123]
在一实施例中，处理模块302具体用于：
[0124]
利用机器学习算法对性能指标在每个时间区间内的统计结果、性能指标在每个时间区间内的时序特征数据、目标实例的画像数据以及每个性能指标的预设初始权重进行处理，获得每个性能指标的权重。
[0125]
在一实施例中，处理模块302具体用于：
[0126]
针对每个时间区间，对每个性能指标的统计结果、时序特征数据以及画像数据进行归一化处理；对归一化处理后的统计结果、时序特征数据以及画像数据进行相加，获得在每个时间区间内每个性能指标的指标数据；
[0127]
利用每个性能指标的权重对每个时间区间内每个性能指标的指标数据进行加权求和处理，获得每个时间区间内的目标实例的性能指数；
[0128]
对每个时间区间内的目标实例的性能指数和预设时间权重进行加权求和，获得识别周期内的目标实例的性能指数。
[0129]
在一实施例中，处理模块302具体用于：
[0130]
当目标实例的性能指数小于第一阈值时，确定目标实例处于空闲状态；
[0131]
当目标实例的性能指数大于或等于第一阈值，且小于第二阈值时，确定目标实例处于低负载状态；
[0132]
当目标实例的性能指数大于或等于第二阈值，且小于第三阈值时，确定目标实例处于正常负载状态；
[0133]
当目标实例的性能指数大于或等于第三阈值，确定目标实例处于高负载状态。
[0134]
在一实施例中，处理模块302还用于：
[0135]
获取目标实例在上一个识别周期内的至少一个性能指标的运行数据和在上一个识别周期内的目标实例的性能指数；
[0136]
利用机器学习算法对在上一个识别周期内的至少一个性能指标的运行数据和目标实例的性能指数进行处理，获得第一阈值、第二阈值以及第三阈值。
[0137]
在一实施例中，获取模块301具体用于：
[0138]
获取监控点采集到的在一个识别周期内的至少一个性能指标原始运行数据；
[0139]
对一个识别周期内的至少一个性能指标原始运行数据进行数据聚合、缺失值填充以及异常值清洗处理，获得目标实例在一个识别周期内的至少一个性能指标的运行数据。
[0140]
如图5所示，本技术一实施例提供的一种识别设备400，识别设备400包括存储器401和处理器402。
[0141]
其中，存储器401用于存储处理器可执行的计算机指令；
[0142]
处理器402在执行计算机指令时实现上述实施例中方法中的各个步骤。具体可以参见前述方法实施例中的相关描述。
[0143]
可选地，上述存储器401既可以是独立的，也可以跟处理器402集成在一起。当存储器401独立设置时，该识别设备还包括总线，用于连接存储器401和处理器402。
[0144]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当处理器执行计算机指令时，实现上述实施例中方法中的各个步骤。
[0145]
本技术实施例还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现上述实施例中方法中的各个步骤。
[0146]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0147]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。