关键节点的识别方法、装置、计算机设备及可读存储介质与流程

1.本技术涉及互联网技术领域，特别是涉及一种关键节点的识别方法、装置、计算机设备及可读存储介质。


背景技术：

2.随着互联网技术的不断发展，用于通信、信息传播的各种复杂的网络充斥在人们生活的方方面面中，这些网络中包括大量节点，节点之间相互连通，实现网络的应用。其中，大量节点中包括关键节点，关键节点是网络的特殊节点，能够极大程度影响网络的结构与功能，当关键节点被删除后，网络的某项连通性指标会遭受最大程度的改变。比如，通信网络中的关键节点集合被破坏，将导致该网络的通讯功能遭受极大损坏。因此，通过关键节点识别可用于保护此类重要节点集合，且能够在通讯网络节点保护、传播网络扩散控制等各领域中进行应用。
3.相关技术中，识别关键节点的方法主要是以贪婪策略为基础的启发式方法以及一些全局优化方法。但是，申请人认识到，以贪婪策略为基础的启发式方法以及全局优化方法所得解精度受限，识别关键节点的准确率不高，且在面对较大规模的网络时，需要大量时间成本，识别效率较差。


技术实现要素：

4.有鉴于此，本技术提供了一种关键节点的识别方法、装置、计算机设备及可读存储介质，主要目的在于解决以贪婪策略为基础的启发式方法以及全局优化方法所得解精度受限，识别关键节点的准确率不高，且在面对较大规模的网络时，需要大量时间成本，识别效率较差的问题。
5.依据本技术第一方面，提供了一种关键节点的识别方法，该方法包括：
6.确定待识别网络，根据所述待识别网络中每个网络节点对所述待识别网络的连通性的影响力值，对所述待识别网络包括的多个网络节点进行排序；
7.对排序后的所述多个网络节点的影响力值进行归一化计算，得到所述多个网络节点中每个网络节点的节点归一化排序表示，以及基于所述每个网络节点的节点归一化排序表示，构建节点影响力表示字典；
8.根据所述每个网络节点的节点归一化排序表示，对所述多个网络节点进行多次采样，构建样本点集合；
9.基于所述节点影响力表示字典，将所述样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对所述超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数；
10.对所述超曲面函数进行计算，确定近似最优解，将所述近似最优解指示的网络节点作为所述待识别网络的关键节点。
11.可选地，所述确定待识别网络，根据所述待识别网络中每个网络节点对所述待识
别网络的连通性的影响力值，对所述待识别网络包括的多个网络节点进行排序，包括：
12.接收节点识别请求，将所述节点识别请求指示的网络作为所述待识别网络，以及读取构成所述待识别网络包括的所述多个网络节点；
13.对所述多个网络节点中每个网络节点执行以下处理：计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述网络节点删除，计算删除后的所述待识别网络的第二连通性取值，将所述第一连通性取值和所述第二连通性取值的差值作为所述网络节点的影响力值；
14.获取所述每个网络节点的影响力值，得到多个影响力值；
15.按照所述多个影响力值从小到大的顺序对所述多个网络节点进行排序。
16.可选地，所述对排序后的所述多个网络节点的影响力值进行归一化计算，得到所述多个网络节点中每个网络节点的节点归一化排序表示，以及基于所述每个网络节点的节点归一化排序表示，构建节点影响力表示字典，包括：
17.依次对排序后的所述多个网络节点进行编号，为所述多个网络节点中每个网络节点设置对应的节点编号，其中，节点编号的取值随排序后的所述多个网络节点递增；
18.统计所述多个网络节点的节点数量，以及对编号后的所述多个网络节点中每个网络节点执行以下处理：读取所述网络节点的节点编号的编号取值，将所述编号取值与所述节点数量的比值作为所述网络节点的节点归一化排序表示；
19.获取所述每个网络节点的节点归一化排序表示，以及为所述每个网络节点与对应的节点归一化排序表示建立映射关系，得到所述节点影响力表示字典。
20.可选地，所述根据所述每个网络节点的节点归一化排序表示，对所述多个网络节点进行多次采样，构建样本点集合，包括：
21.获取所述每个网络节点的节点归一化排序表示，得到多个节点归一化排序表示，以及计算多个所述节点归一化排序表示的总和值；
22.对所述多个网络节点中每个网络节点执行以下处理：计算所述网络节点的节点归一化排序表示与所述总和值的比值，以及将计算得到的比值作为所述网络节点的被采样概率；
23.获取所述每个网络节点的被采样概率，得到多个被采样概率；
24.按照所述多个被采样概率对所述多个网络节点执行k次采样操作，得到包括k个网络节点的候选解集合，以及重复执行按照所述多个被采样概率对所述多个网络节点进行k次采样并得到包括k个网络节点的候选解集合的操作，直至重复的次数达到n次，得到n个候选解集合，其中，k和n为正整数；
25.将所述n个候选解集合进行合并，得到所述样本点集合。
26.可选地，所述基于所述节点影响力表示字典，将所述样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对所述超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数，包括：
27.基于所述节点影响力表示字典，将所述样本点集合映射为超曲面函数表达式的输入和输出，得到多个所述超曲面函数表达式的输入输出对；
28.获取所述预设的超曲面函数表达式，其中，
29.y＝hf(x，p)
30.其中，x表示所述超曲面函数表达式的输入，y表示所述超曲面函数表达式的输出，p表示所述超曲面函数表达式的参数集合，hf包括预设的多项由变量组成的函数；
31.根据多个所述超曲面函数表达式的输入输出对，对所述预设的超曲面函数表达式进行拟合，获取所述超曲面函数表达式的参数集合，其中，
[0032][0033]
其中，hf表示所述超曲面函数表达式，x
′i表示所述超曲面函数表达式的输入，y
′i表示所述超曲面函数表达式的输出，且i＝1，2，...，n，p表示所述超曲面函数表达式的参数集合，n为正整数；
[0034]
根据所述超曲面函数表达式的参数集合和所述超曲面函数表达式，确定所述超曲面函数。
[0035]
可选地，所述基于所述节点影响力表示字典，将所述样本点集合映射为超曲面函数表达式的输入和输出，得到多个所述超曲面函数表达式的输入输出对，包括：
[0036]
对所述样本点集合中每个候选解集合执行以下处理：获取所述候选解集合包括的k个网络节点，在所述节点影响力表示字典中查询所述k个网络节点中每个网络节点的映射关系指示的节点归一化排序表示，得到k个节点归一化排序表示，采用k个所述节点归一化排序表示构成超曲面函数表达式的输入，以及计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述k个网络节点删除，计算删除后的所述待识别网络的第三连通性取值，将所述第一连通性取值和所述第三连通性取值的差值作为所述候选解集合转化的超曲面函数表达式的输出，采用所述超曲面函数表达式的输入和所述超曲面函数表达式的输出构成所述候选解集合转化的超曲面函数表达式的输入输出对；
[0037]
获取所述每个候选解集合转化的超曲面函数表达式的输入输出对，得到多个超曲面函数表达式的输入输出对。
[0038]
可选地，所述对所述超曲面函数进行计算，确定近似最优解，将所述近似最优解指示的网络节点作为所述待识别网络的关键节点，包括：
[0039]
计算所述超曲面函数的极大值，确定所述极大值的坐标点；
[0040]
根据所述极大值的坐标点，在所述极大值的坐标点附近的所述多个候选解中随机采样，得到预设采样数量的候选解；
[0041]
将所述极大值的坐标点和所述预设采样数量的候选解作为多个样本节点，对所述多个样本节点中每个样本节点执行以下处理：计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述样本节点删除，计算删除后的所述待识别网络的第四连通性取值，将所述第一连通性取值和所述第四连通性取值的差值作为所述样本节点的影响力值；
[0042]
获取所述每个样本节点的影响力值，得到多个影响力值，将最大的影响力值作为近似最优解，以及将所述近似最优解指示的样本点作为所述待识别网络的关键节点。
[0043]
依据本技术第二方面，提供了一种关键节点的识别装置，该装置包括：
[0044]
排序模块，用于确定待识别网络，根据所述待识别网络中每个网络节点对所述待识别网络的连通性的影响力值，对所述待识别网络包括的多个网络节点进行排序；
[0045]
构建模块，用于对排序后的所述多个网络节点的影响力值进行归一化计算，得到所述多个网络节点的节点归一化排序表示，以及基于所述多个网络节点的节点归一化排序
表示，构建节点影响力表示字典；
[0046]
采样模块，用于根据所述每个网络节点的节点归一化排序表示，对所述多个网络节点进行多次采样，构建样本点集合；
[0047]
拟合模块，用于基于所述节点影响力表示字典，将所述样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对所述超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数；
[0048]
确定模块，用于对所述超曲面函数进行计算，确定近似最优解，将所述近似最优解指示的网络节点作为所述待识别网络的关键节点。
[0049]
可选地，所述排序模块，还用于接收节点识别请求，将所述节点识别请求指示的网络作为所述待识别网络，以及读取构成所述待识别网络包括的所述多个网络节点；对所述多个网络节点中每个网络节点执行以下处理：计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述网络节点删除，计算删除后的所述待识别网络的第二连通性取值，将所述第一连通性取值和所述第二连通性取值的差值作为所述网络节点的影响力值；获取所述每个网络节点的影响力值，得到多个影响力值；按照所述多个影响力值从小到大的顺序对所述多个网络节点进行排序。
[0050]
可选地，所述构建模块，还用于依次对排序后的所述多个网络节点进行编号，为所述多个网络节点中每个网络节点设置对应的节点编号，其中，节点编号的取值随排序后的所述多个网络节点递增；统计所述多个网络节点的节点数量，以及对编号后的所述多个网络节点中每个网络节点执行以下处理：读取所述网络节点的节点编号的编号取值，将所述编号取值与所述节点数量的比值作为所述网络节点的节点归一化排序表示；获取所述每个网络节点的节点归一化排序表示，以及为所述每个网络节点与对应的节点归一化排序表示建立映射关系，得到所述节点影响力表示字典。
[0051]
可选地，所述采样模块，还用于获取所述每个网络节点的节点归一化排序表示，得到多个节点归一化排序表示，以及计算多个所述节点归一化排序表示的总和值；对所述多个网络节点中每个网络节点执行以下处理：计算所述网络节点的节点归一化排序表示与所述总和值的比值，以及将计算得到的比值作为所述网络节点的被采样概率；获取所述每个网络节点的被采样概率，得到多个被采样概率；按照所述多个被采样概率对所述多个网络节点执行k次采样操作，得到包括k个网络节点的候选解集合，以及重复执行按照所述多个被采样概率对所述多个网络节点进行k次采样并得到包括k个网络节点的候选解集合的操作，直至重复的次数达到n次，得到n个候选解集合，其中，k和n为正整数；将所述n个候选解集合进行合并，得到所述样本点集合。
[0052]
可选地，所述拟合模块，还包括：
[0053]
映射模块，用于基于所述节点影响力表示字典，将所述样本点集合映射为超曲面函数表达式的输入和输出，得到多个所述超曲面函数表达式的输入输出对；
[0054]
获取模块，用于获取所述预设的超曲面函数表达式，其中，
[0055]
y＝hf(x，p)
[0056]
其中，x表示所述超曲面函数表达式的输入，y表示所述超曲面函数表达式的输出，p表示所述超曲面函数表达式的参数集合，hf包括预设的多项由变量组成的函数；
[0057]
计算模块，用于根据多个所述超曲面函数表达式的输入输出对，对所述预设的超
曲面函数表达式进行拟合，获取所述超曲面函数表达式的参数集合，其中，
[0058][0059]
其中，hf表示所述超曲面函数表达式，x
′i表示所述超曲面函数表达式的输入，y
′i表示所述超曲面函数表达式的输出，且i＝1，2，...，n，p表示所述超曲面函数表达式的参数集合，n为正整数；
[0060]
组合模块，用于根据所述超曲面函数表达式的参数集合和所述超曲面函数表达式，确定所述超曲面函数。
[0061]
可选地，所述映射模块，还用于对所述样本点集合中每个候选解集合执行以下处理：获取所述候选解集合包括的k个网络节点，在所述节点影响力表示字典中查询所述k个网络节点中每个网络节点的映射关系指示的节点归一化排序表示，得到k个节点归一化排序表示，采用k个所述节点归一化排序表示构成超曲面函数表达式的输入，以及计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述k个网络节点删除，计算删除后的所述待识别网络的第三连通性取值，将所述第一连通性取值和所述第三连通性取值的差值作为所述候选解集合转化的超曲面函数表达式的输出，采用所述超曲面函数表达式的输入和所述超曲面函数表达式的输出构成所述候选解集合转化的超曲面函数表达式的输入输出对；获取所述每个候选解集合转化的超曲面函数表达式的输入输出对，得到多个超曲面函数表达式的输入输出对。
[0062]
可选地，所述确定模块，还用于计算所述超曲面函数的极大值，确定所述极大值的坐标点；根据所述极大值的坐标点，在所述极大值的坐标点附近的所述多个候选解中随机采样，得到预设采样数量的候选解；将所述极大值的坐标点和所述预设采样数量的候选解作为多个样本节点，对所述多个样本节点中每个样本节点执行以下处理：计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述样本节点删除，计算删除后的所述待识别网络的第四连通性取值，将所述第一连通性取值和所述第四连通性取值的差值作为所述样本节点的影响力值；获取所述每个样本节点的影响力值，得到多个影响力值，将最大的影响力值作为近似最优解，以及将所述近似最优解指示的样本点作为所述待识别网络的关键节点。
[0063]
依据本技术第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
[0064]
依据本技术第四方面，提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
[0065]
借由上述技术方案，本技术提供的一种关键节点的识别方法、装置、计算机设备及可读存储介质，本技术确定待识别网络，根据待识别网络中每个网络节点对待识别网络的连通性的影响力值，对待识别网络包括的多个网络节点进行排序，对排序后的多个网络节点的影响力值进行归一化计算，得到多个网络节点中每个网络节点的节点归一化排序表示，以及基于每个网络节点的节点归一化排序表示，构建节点影响力表示字典，根据每个网络节点的节点归一化排序表示，对多个网络节点进行多次采样，构建样本点集合，基于节点影响力表示字典，将样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的
超曲面函数表达式对超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数，对超曲面函数进行计算，确定近似最优解，将近似最优解指示的网络节点作为待识别网络的关键节点，能够降低求解难度，提升所得解的精度，从而提高识别关键节点的准确率，且在面对较大规模的网络时，识别时间更短，识别效率更高。
[0066]
上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
[0067]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0068]
图1示出了本技术实施例提供的一种关键节点的识别方法流程示意图；
[0069]
图2a示出了本技术实施例提供的一种关键节点的识别方法流程示意图；
[0070]
图2b示出了本技术实施例提供的一种关键节点的识别方法流程示意图；
[0071]
图2c示出了本技术实施例提供的待识别网络的原始搜索空间示意图；
[0072]
图2d示出了本技术实施例提供的待识别网络的有序化搜索空间示意图；
[0073]
图3a示出了本技术实施例提供的一种关键节点的识别的结构示意图；
[0074]
图3b示出了本技术实施例提供的一种关键节点的识别的结构示意图；
[0075]
图4示出了本技术实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
[0076]
下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
[0077]
本技术实施例提供了一种关键节点的识别方法，如图1所示，该方法包括：
[0078]
101、确定待识别网络，根据待识别网络中每个网络节点对待识别网络的连通性的影响力值，对待识别网络包括的多个网络节点进行排序。
[0079]
其中，关键节点识别指的是搜索网络状态图中一组重要节点的集合，且这组重要节点的删除会导致网络的某项连通性指标变化最大，例如，通信网络中的关键节点集合被破坏，将导致该网络的通讯功能遭受极大损坏，因此，通过关键节点识别可用于保护此类重要节点集合。本技术提供的关键节点的识别方法可以基于独立的服务器运行，也可以基于提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算的服务器运行，以便准确、高效地实现关键节点的识别操作。
[0080]
在本技术实施例中，申请人认识到，以贪婪策略为基础的启发式方法所得解的精度受限，而使用全局优化方法在面对较大规模的网络时需要的时间成本过高，因此，本技术通过确定待识别网络，将待识别网络作为搜索空间，并根据待识别网络中每个网络节点对
待识别网络的连通性的影响力值，对待识别网络包括的多个网络节点进行排序，其中，网络的连通性是指从一个网络节点到另一个网络节点是否能够连通和通信，因此，通过对待识别网络包括的多个网络节点对待识别网络的连通性的影响力值进行排序，能够确定多个网络节点对待识别网络的连通性的影响大小，以便后续更快地降低搜索空间混乱程度，使搜索空间有序化。
[0081]
102、对排序后的多个网络节点的影响力值进行归一化计算，得到多个网络节点中每个网络节点的节点归一化排序表示，以及基于每个网络节点的节点归一化排序表示，构建节点影响力表示字典。
[0082]
其中，通过计算待识别网络中每个网络节点对待识别网络的连通性的影响力值，确定多个网络节点中每个网络节点的节点归一化排序表示，进一步构建节点影响力表示字典，以使搜索空间有序化，进一步地，以使后续在有序化的搜索空间中进行采样与超曲面函数拟合的操作时，具有更低的拟合难度以及更高的拟合精度，因此，在本技术实施例中，基于搜索空间有序化的方法，对排序后的多个网络节点的影响力值进行归一化计算，得到多个网络节点中每个网络节点的节点归一化排序表示，其中，节点归一化排序表示越大表示该网络节点对待识别网络的影响越大。接着，基于每个网络节点的节点归一化排序表示，构建节点影响力表示字典，其中，节点影响力表示字典包括了待识别网络中每个网络节点与该网络节点的节点归一化排序表示之间的映射关系，因此，通过节点影响力表示字典能够快速地实现搜索空间的有序化，能够降低求解难度，提升所得解的精度，从而提高识别关键节点的准确率。
[0083]
103、根据每个网络节点的节点归一化排序表示，对多个网络节点进行多次采样，构建样本点集合。
[0084]
其中，通过节点影响力表示字典实现搜索空间有序化之后，将搜索空间中的网络节点作为离散点，采样有序化搜索空间中的离散点，进而通过超曲面函数拟合离散点的方式，将关键节点识别问题转化为函数求解，降低问题求解所需成本，因此，本技术实施例中，基于单节点影响力的采样策略，根据每个网络节点的节点归一化排序表示，对多个网络节点进行多次采样，构建样本点集合，其中，网络节点的影响力值越大，被采样的概率越大，以使采样的样本点更聚集于高质量候选解区域，进一步地，以使提高超曲面函数拟合的所得解的质量，提升后续关键节点的识别准确率。
[0085]
104、基于节点影响力表示字典，将样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数。
[0086]
其中，申请人认识到，通过采样关键节点识别问题中的离散解，并以此拟合超曲面函数表达式，通过函数解的方式求解关键节点识别问题的近似解，也即通过样本点集合转化为超曲面函数表达式的输入和输出，再通过超曲面函数表达式的输入和输出拟合超曲面函数，能够降低求解难度，且提升关键节点识别的效率，因此，在本技术实施例中，基于节点影响力表示字典，将样本点集合转化为超曲面函数表达式的输入和输出，接着，采用预设的超曲面函数表达式对超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数，这样，将关键节点识别转化为通过函数解的方式求解该问题的近似解，能够以较低的求解成本，获取关键节点识别问题等组合优化问题的近似较优解，进一步地，能够缩短关键节点识
别的时间。
[0087]
105、对超曲面函数进行计算，确定近似最优解，将近似最优解指示的网络节点作为待识别网络的关键节点。
[0088]
其中，通过对超曲面函数进行计算，能够降低求解成本，提升所得解的质量，从而提高关键点识别的准确率，因此，本技术实施例中，确定超曲面函数，通过拟合得到的超曲面函数，对超曲面函数进行计算，确定近似最优解，将近似最优解指示的网络节点作为待识别网络的关键节点，完成待识别网络中关键节点的识别。这样，在面对不同的复杂网络时，能够有较高的准确性，且在进行关键节点的识别过程中，识别的时间更短、效率更高。
[0089]
本技术实施例提供的方法，确定待识别网络，根据待识别网络中每个网络节点对待识别网络的连通性的影响力值，对待识别网络包括的多个网络节点进行排序，对排序后的多个网络节点的影响力值进行归一化计算，得到多个网络节点中每个网络节点的节点归一化排序表示，以及基于每个网络节点的节点归一化排序表示，构建节点影响力表示字典，根据每个网络节点的节点归一化排序表示，对多个网络节点进行多次采样，构建样本点集合，基于节点影响力表示字典，将样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数，对超曲面函数进行计算，确定近似最优解，将近似最优解指示的网络节点作为待识别网络的关键节点，能够降低求解难度，提升所得解的精度，从而提高识别关键节点的准确率，且在面对较大规模的网络时，识别时间更短，识别效率更高。
[0090]
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，本技术实施例提供了一种关键节点的识别方法，如图2a所示，该方法包括：
[0091]
201、确定待识别网络，根据待识别网络中每个网络节点对待识别网络的连通性的影响力值，对待识别网络包括的多个网络节点进行排序。
[0092]
在本技术实施例中，通过接收节点识别请求，将节点识别请求指示的网络作为待识别网络，且将待识别网络作为搜索空间，以便后续更快地实现搜索空间有序化，从而能够更快速、准确地在搜索空间中识别关键节点。接着，读取构成待识别网络包括的多个网络节点，对多个网络节点中每个网络节点执行以下处理：计算待识别网络的第一连通性取值，在待识别网络中将网络节点删除，计算删除后的待识别网络的第二连通性取值，将第一连通性取值和第二连通性取值的差值作为网络节点的影响力值，其中，网络节点的影响力值指示了该网络节点对待识别网络的连通性的影响大小，计算公式为下述公式1：
[0093]
公式1：imp(nodei)＝f(g(v))-f(g
′
(v-nodei))
[0094]
其中，v表示待识别网络中多个网络节点的集合，nodei表示待识别网络的网络节点，且nodei∈v，imp(nodei)表示网络节点的影响力值，g(v)表示待识别网络，g
′
(v-nodei)表示从待识别网络中删除网络节点后的剩余网络，f(g(v))表示待识别网络的第一网通性取值，f(g
′
(v-nodei))表示剩余网络的第二连通性取值，i为正整数。
[0095]
随后，获取每个网络节点的影响力值，得到多个影响力值，按照多个影响力值从小到大的顺序对多个网络节点进行排序，这样，通过对多个影响力值进行排序，能够得到多个网络节点的影响力值排序，以便后续进行搜索空间有序化，降低后续函数拟合的拟合难度、提升拟合精度，从而提高关键节点识别的准确率。
[0096]
202、对排序后的多个网络节点的影响力值进行归一化计算，得到多个网络节点中每个网络节点的节点归一化排序表示。
[0097]
其中，为了提高网络节点的影响力值的准确性，避免异常的影响力值对关键点识别的影响，本技术对排序后的多个网络节点的影响力值进行归一化计算，其中，归一化计算能够使得网络节点的影响力被限定在一定的范围内，从而消除异常的影响力值导致的不良影响，且将影响力值进行归一化处理后，可以加快搜索空间有序化的速度，以便通过较低的求解成本，获取关键节点识别的近似较优解，从而提升关键点识别的效率。
[0098]
因此，在本技术实施例中，对多个网络节点的影响力值进行排序后，依次对排序后的多个网络节点进行编号，为多个网络节点中每个网络节点设置对应的节点编号，其中，节点编号的取值随排序后的多个网络节点递增，节点编号越大表示节点编号对应的网络节点的影响力值越大。接着，统计多个网络节点的节点数量，对编号后的多个网络节点中每个网络节点执行以下处理：读取网络节点的节点编号的编号取值，将编号取值与节点数量的比值作为网络节点的节点归一化排序表示，计算公式为下述公式2：
[0099]
公式2：
[0100]
其中，v表示待识别网络中多个网络节点的集合，nodei表示待识别网络的网络节点，且nodei∈v，imp(nodei)表示网络节点的影响力值，sort(imp(nodei))表示网络节点对应的节点编号，且sort(imp(nodei))∈{1，2，3，...，|v|}，rep(nodei)表示网络节点的节点归一化排序表示，i为正整数。
[0101]
随后，获取每个网络节点的节点归一化排序表示，其中，节点归一化排序表示为0到1之间的一个数值，且网络节点的节点归一化排序表示越大，说明网络节点对待识别网络的连通性的影响越大，这样，能够更快速、准确地实现搜索空间有序化，以便后续将搜索空间中的网络节点作为离散点，采样有序化搜索空间中的离散点，进而通过超曲面函数拟合离散点的方式，将关键节点识别问题转化为函数求解，降低问题求解所需成本，提升最终所得解的质量，从而提升关键节点识别的效率，缩短关键节点识别的时间。
[0102]
203、基于每个网络节点的节点归一化排序表示，构建节点影响力表示字典。
[0103]
其中，通过节点影响力表示字典能够快速地实现搜索空间的有序化，为网络节点的风险评估、关键节点的识别、保护以及网络中节点的风险处置优先级排序提供依据，因此，在本技术实施例中，获取每个网络节点的节点归一化排序表示，为每个网络节点与对应的节点归一化排序表示建立映射关系，得到节点影响力表示字典，其中，节点影响力表示字典用于后续采样以及函数拟合过程中网络节点与对应的节点归一化排序表示之间的转换操作，转换公式为下述公式3：
[0104]
公式3：dic＝{node1：rep(node1)，node2：rep(node2)，...，node
[v]
：rep(node
[v]
)}其中，v表示待识别网络中多个网络节点的集合，node
[v]
表示待识别网络的网络节点，rep(node
[v]
))表示网络节点的节点归一化排序表示，dic表示节点影响力表示字典。
[0105]
这样，通过构建节点影响力表示字典，能够实现搜索空间的有序化，以便后续在有序化的搜索空间中进行采样与超曲面函数拟合的操作，能够降低拟合难度，提升拟合精度，从而提升所得解的质量，提高关键节点识别的准确率。
[0106]
另外，本技术实施例提供的待识别网络的原始搜索空间示意图如下：
[0107]
如图2b所示，将待识别网络作为原始搜索空间，其中，横坐标表示一个网络节点，纵坐标表示另一个网络节点，且由两个网络节点确定的坐标点的颜色深浅，表示删除这两个网络节点对待识别网络的联通性的影响，具体地，对多个网络节点中每两个网络节点执行以下处理：计算待识别网络的第一连通性取值，在待识别网络中将该两个网络节点删除，计算删除后的待识别网络的第五连通性取值，将第一连通性取值和第五连通性取值的差值作为两个网络节点的影响力值，计算公式为下述公式4：
[0108]
公式4：f(g(v))-f(g
′
(v-node
x-nodey))
[0109]
其中，v表示待识别网络中多个网络节点的集合，node
x
表示横坐标上的网络节点，且node
x
∈v，nodey表示纵坐标上的网络节点，且nodey∈v，g(v)表示待识别网络，g
′
(v-node
x-nodey)表示删除两个网络节点后的待识别网络，f(g(v))表示待识别网络的第一连通性取值，f(g(v-node
x-nodey)表示删除两个网络节点后的待识别网络的第五连通性取值，x和y为正整数。
[0110]
需要说明的是，由两个网络节点确定的坐标点的颜色越深，表示坐标点对应的两个网络节点的影响力值越大，也即两个网络节点对待识别网络的联通性的影响越大，因此，原始搜索空间是极为混乱且没有规律的，在原始搜索空间进行关键节点识别过程中，需要通过全局优化算法实现全局寻优。
[0111]
此外，本技术实施例提供的待识别网络的有序化搜索空间示意图如下：
[0112]
如图2c所示，根据每个网络节点的节点归一化排序表示，为每个网络节点与对应的节点归一化排序表示建立映射关系，构建节点影响力表示字典，进而实现搜索空间有序化操作，因此，基于节点归一化排序表示将坐标轴上的网络节点进行排序后，可使得搜索空间具有一定的有序性，即颜色相近的坐标点相互靠近，使搜索空间混乱程度降低。这样，相较于原始搜索空间，在有序化的搜索空间中进行采样与超曲面函数拟合的操作，具有更低的拟合难度以及更高的拟合精度，使得计算的极值数量大幅减少，平滑性更高，真实函数表达式更简单，易于函数拟合。
[0113]
204、根据每个网络节点的节点归一化排序表示，对多个网络节点进行多次采样，构建样本点集合。
[0114]
其中，本技术基于单节点影响力的采样策略，通过采样有序化搜索空间中的网络节点，进而通过超曲面函数拟合的方式，将关键节点识别转化为函数求解，降低求解成本，因此，在本技术实施例中，获取每个网络节点的节点归一化排序表示，得到多个节点归一化排序表示，且计算多个节点归一化排序表示的总和值。接着，对多个网络节点中每个网络节点执行以下处理：计算网络节点的节点归一化排序表示与总和值的比值，将计算得到的比值作为网络节点的被采样概率，计算公式为下述公式5：
[0115]
公式5：
[0116]
其中，v表示待识别网络中多个网络节点的集合，nodei表示待识别网络的网络节点，且nodei∈v，表示多个节点归一化排序表示的总和值，且nodej∈v，rep(nodei)表示网络节点的节点归一化排序表示，p(nodei)表示网络节点的被采样概率，i和j为正整数。
[0117]
随后，获取每个网络节点的被采样概率，得到多个被采样概率，再按照多个被采样概率对多个网络节点执行k次采样操作，得到包括k个网络节点的候选解集合，其中，v表示待识别网络中多个网络节点的集合，k为正整数，v
′
表示候选解集合，网络节点的影响力值越大，被采样的概率越大。然后，重复执行按照多个被采样概率对多个网络节点进行k次采样并得到包括k个网络节点的候选解集合的操作，直至重复的次数达到n次，得到n个候选解集合，其中，k和n为正整数。最后，将n个候选解集合进行合并，得到样本点集合，其中，samp＝{v
′1，v
′2，v
′3，...，v
′n}，v
′n表示候选解集合，samp表示样本点集合，且n值越大，表示采样的数量越多，对搜索空间的还原程度越高。需要说明的是，为了在拟合精度满足需求的前提下，提升最终近似解的质量，同时为了得到更强的拟合能力以及考虑到各项成本，可以按照需求调整n值。
[0118]
在一个可选地实施方案中，可以使用随机采样、网格采样等方法替代基于单节点影响力的采样方法，对多个网络节点进行多次采样，本技术对网络节点的采样方法不进行具体限定。需要说明的是，基于单节点影响力的采样策略可使得样本点集合更聚集于高质量候选解区域，相较于随机采样与网格采样等方法，更利于后续的超曲面函数设置与拟合。
[0119]
205、基于节点影响力表示字典，将样本点集合转化为超曲面函数表达式的输入和输出。
[0120]
其中，本技术通过离散点采样并拟合超曲面的方法，将关键节点识别转化为函数求解，进而通过求解该问题的近似函数解，降低求解难度，同时降低求解成本，因此，在本技术实施例中，基于节点影响力表示字典，将样本点集合映射为超曲面函数表达式的输入和输出，得到多个超曲面函数表达式的输入输出对。接着，对样本点集合中每个候选解集合执行以下处理：首先，获取候选解集合包括的k个网络节点，在节点影响力表示字典中查询k个网络节点中每个网络节点的映射关系指示的节点归一化排序表示，得到k个节点归一化排序表示，采用k个节点归一化排序表示构成超曲面函数表达式的输入，转化公式为下述公式6：
[0121]
公式6：v
′i＝{node
′
i1
，node
′
i2
，...，node
′
ik
}
→
x
′i＝{rep(node
′
i1
)，rep(node
′
i2
)，...，rep(node
′
ik
)]
[0122]
其中，v
′i表示候选解集合，且v
′i∈samp，node
′
ik
表示候选解集合的网络节点，慢node
′
ik
∈v，v表示待识别网络中多个网络节点的集合，k为正整数，xi表示超曲面函数表达式的输入，rep(node
′
ik
)表示网络节点的节点归一化排序表示，i为正整数。
[0123]
接着，将候选解集合对应的鲁棒性影响转化为超曲面函数表达式的输出，其中，鲁棒性影响指在待识别网络中选取多个节点作为初始节点，进行信息传播所产生的影响力，具体地，计算待识别网络的第一连通性取值，在待识别网络中将k个网络节点删除，计算删除后的待识别网络的第三连通性取值，将第一连通性取值和第三连通性取值的差值作为候选解集合转化的超曲面函数表达式的输出，计算公式为下述公式7：
[0124]
公式7：f(g(v))-f(g(v-v
′i))＝y
′i[0125]
其中，y
′i表示超曲面函数表达式的输出，v
′i表示候选解集合，v表示待识别网络中多个网络节点的集合，g(v)表示待识别网络，g(v-v
′i)表示删除候选解集合后的待识别网络，f(g(v))表示待识别网络的第一网通性取值，f(g(v-v
′i))表示删除候选解集合后的待识别网络的第三连通性取值，i为正整数。
[0126]
随后，采用超曲面函数表达式的输入和超曲面函数表达式的输出构成候选解集合转化的超曲面函数表达式的输入输出对，表达公式为下述公式8：
[0127]
公式8：x
′i：y
′i[0128]
其中，x
′i表示超曲面函数表达式的输入，y
′i表示超曲面函数表达式的输出，且i＝1，2，...，n，n为正整数。
[0129]
最后，获取每个候选解集合转化的超曲面函数表达式的输入输出对，得到多个超曲面函数表达式的输入输出对，这样，以便后续进行超曲面函数拟合，降低求解难度，进一步提升关键节点的识别效率。
[0130]
206、采用预设的超曲面函数表达式对超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数。
[0131]
其中，本技术通过采样有序化搜索空间中的离散点，进而通过超曲面函数拟合离散点的方式，将关键节点识别问题转化为函数求解，能够降低求解难度，同时能够降低求解所需成本，因此，在本技术实施例中，获取预设的超曲面函数表达式，表达公式为下述公式9：
[0132]
公式9：y＝hf(x，p)
[0133]
其中，x表示超曲面函数表达式的输入，且为函数变量集合，其中包含的变量个数与k值一致，y表示超曲面函数表达式的输出，p表示超曲面函数表达式的参数集合，需要后续通过超曲面函数表达式的输入输出对进行拟合求解，hf包括预设的多项由变量组成的函数，其中，预设的多项由变量组成的函数中包含任意多项由变量组成的函数，例如幂函数、指数函数、对数函数等。
[0134]
申请人认识到，实际应用的过程中，参数集合p中所包含的参数越多，hf所具有的拟合能力越强，且hf中预设的函数所包含的子项越多越复杂，该函数的表示能力越强，对离散点的拟合能力越强，拟合所需的资源越高，在不出现过拟合现象的前提下有益于最终近似解的计算，因此，hf中变量x之间的关系以及其中包含的参数数量，可以基于目标问题的难易程度以及可用资源进行合理设置。
[0135]
随后，根据多个超曲面函数表达式的输入输出对，通过最小二乘法对预设的超曲面函数表达式进行拟合，获取超曲面函数表达式的参数集合，计算公式为下述公式10：
[0136]
公式10：
[0137]
其中，hf表示超曲面函数表达式，x
′i表示超曲面函数表达式的输入，y
′i表示超曲面函数表达式的输出，且i＝1，2，...，n，p表示超曲面函数表达式的参数集合，n为正整数。最后，根据超曲面函数表达式的参数集合和超曲面函数表达式，确定超曲面函数。
[0138]
在一个可选地实施方案中，可以通过神经网络等其他现有函数拟合方法，对超曲面函数表达式进行拟合，得到超曲面函数，本技术对超曲面函数的拟合方法不进行具体限定。
[0139]
207、对超曲面函数进行计算，确定近似最优解，将近似最优解指示的网络节点作为待识别网络的关键节点。
[0140]
其中，通过拟合超曲面函数表达式，对超曲面函数进行计算，确定近似最优解，能够降低求解难度，因此，在本技术实施例中，计算超曲面函数的极大值，确定极大值的坐标
点其中，i＝1，2，...，n。接着，根据极大值的坐标点，在极大值的坐标点附近的多个候选解中随机采样，得到预设采样数量的候选解。随后，将极大值的坐标点和预设采样数量的候选解作为多个样本节点，对多个样本节点中每个样本节点执行以下处理：计算待识别网络的第一连通性取值，在待识别网络中将样本节点删除，计算删除后的待识别网络的第四连通性取值，将第一连通性取值和第四连通性取值的差值作为样本节点的影响力值，计算公式为下述公式11：
[0141]
公式11：f(g(v))-f(g(v-v
′i))
[0142]
其中，v表示待识别网络中多个网络节点的集合，v
′i表示样本节点，且i＝1，2，...，n，g(v)表示待识别网络，g(v-v
′i)表示删除样本节点后的待识别网络，f(g(v))表示待识别网络的第一网通性取值，f(g(v-v
′i))表示删除样本节点后的待识别网络的第四连通性取值。
[0143]
最后，获取每个样本节点的影响力值，得到多个影响力值，将最大的影响力值作为近似最优解，以及将近似最优解指示的样本点作为待识别网络的关键节点，这样，能够降低求解难度，提升所得解的精度，从而提高识别关键节点的准确率，且在面对较大规模的网络时，识别时间更短，识别效率更高，有效提升网络安全防护和应急处置的效率。
[0144]
综上所述，本技术提出的关键节点的识别方法的具体过程如下：
[0145]
如图2d所示，基于单节点影响力进行节点编号，随后，构建归一化后节点影响力表示字典，基于单节点影响力的离散点采样，接着，基于节点影响力表示字典进行样本点映射，再进行超曲面函数设置及函数拟合，最后，基于超曲面函数表达式计算近似最优解。
[0146]
本技术实施例提供的方法，确定待识别网络，根据待识别网络中每个网络节点对待识别网络的连通性的影响力值，对待识别网络包括的多个网络节点进行排序，对排序后的多个网络节点的影响力值进行归一化计算，得到多个网络节点中每个网络节点的节点归一化排序表示，以及基于每个网络节点的节点归一化排序表示，构建节点影响力表示字典，根据每个网络节点的节点归一化排序表示，对多个网络节点进行多次采样，构建样本点集合，基于节点影响力表示字典，将样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数，对超曲面函数进行计算，确定近似最优解，将近似最优解指示的网络节点作为待识别网络的关键节点，能够降低求解难度，提升所得解的精度，从而提高识别关键节点的准确率，且在面对较大规模的网络时，识别时间更短，识别效率更高。
[0147]
进一步地，作为图1所述方法的具体实现，本技术实施例提供了一种关键节点的识别装置，如图3a所示，所述装置包括：排序模块301，构建模块302，采样模块303，拟合模块304，确定模块305。
[0148]
排序模块301，用于确定待识别网络，根据所述待识别网络中每个网络节点对所述待识别网络的连通性的影响力值，对所述待识别网络包括的多个网络节点进行排序；
[0149]
构建模块302，用于对排序后的所述多个网络节点的影响力值进行归一化计算，得到所述多个网络节点的节点归一化排序表示，以及基于所述多个网络节点的节点归一化排序表示，构建节点影响力表示字典；
[0150]
采样模块303，用于根据所述每个网络节点的节点归一化排序表示，对所述多个网络节点进行多次采样，构建样本点集合；
[0151]
拟合模块304，用于基于所述节点影响力表示字典，将所述样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对所述超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数；
[0152]
确定模块305，用于对所述超曲面函数进行计算，确定近似最优解，将所述近似最优解指示的网络节点作为所述待识别网络的关键节点。
[0153]
在具体的应用场景中，该排序模块301，还用于接收节点识别请求，将所述节点识别请求指示的网络作为所述待识别网络，以及读取构成所述待识别网络包括的所述多个网络节点；对所述多个网络节点中每个网络节点执行以下处理：计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述网络节点删除，计算删除后的所述待识别网络的第二连通性取值，将所述第一连通性取值和所述第二连通性取值的差值作为所述网络节点的影响力值；获取所述每个网络节点的影响力值，得到多个影响力值；按照所述多个影响力值从小到大的顺序对所述多个网络节点进行排序。
[0154]
在具体的应用场景中，该构建模块302，还用于依次对排序后的所述多个网络节点进行编号，为所述多个网络节点中每个网络节点设置对应的节点编号，其中，节点编号的取值随排序后的所述多个网络节点递增；统计所述多个网络节点的节点数量，以及对编号后的所述多个网络节点中每个网络节点执行以下处理：读取所述网络节点的节点编号的编号取值，将所述编号取值与所述节点数量的比值作为所述网络节点的节点归一化排序表示；获取所述每个网络节点的节点归一化排序表示，以及为所述每个网络节点与对应的节点归一化排序表示建立映射关系，得到所述节点影响力表示字典。
[0155]
在具体的应用场景中，该采样模块303，还用于获取所述每个网络节点的节点归一化排序表示，得到多个节点归一化排序表示，以及计算多个所述节点归一化排序表示的总和值；对所述多个网络节点中每个网络节点执行以下处理：计算所述网络节点的节点归一化排序表示与所述总和值的比值，以及将计算得到的比值作为所述网络节点的被采样概率；获取所述每个网络节点的被采样概率，得到多个被采样概率；按照所述多个被采样概率对所述多个网络节点执行k次采样操作，得到包括k个网络节点的候选解集合，以及重复执行按照所述多个被采样概率对所述多个网络节点进行k次采样并得到包括k个网络节点的候选解集合的操作，直至重复的次数达到n次，得到n个候选解集合，其中，k和n为正整数；将所述n个候选解集合进行合并，得到所述样本点集合。
[0156]
在具体的应用场景中，如图3b所示，该拟合模块304，包括：映射模块306，获取模块307，计算模块308和组合模块309。
[0157]
映射模块306，用于基于所述节点影响力表示字典，将所述样本点集合映射为超曲面函数表达式的输入和输出，得到多个所述超曲面函数表达式的输入输出对；
[0158]
获取模块307，用于获取所述预设的超曲面函数表达式，其中，
[0159]
y＝hf(x，p)
[0160]
其中，x表示所述超曲面函数表达式的输入，y表示所述超曲面函数表达式的输出，p表示所述超曲面函数表达式的参数集合，hf包括预设的多项由变量组成的函数；
[0161]
计算模块308，用于根据多个所述超曲面函数表达式的输入输出对，对所述预设的超曲面函数表达式进行拟合，获取所述超曲面函数表达式的参数集合，其中，
[0162][0163]
其中，hf表示所述超曲面函数表达式，x
′i表示所述超曲面函数表达式的输入，y
′i表示所述超曲面函数表达式的输出，且i＝1，2，...，n，p表示所述超曲面函数表达式的参数集合，n为正整数；
[0164]
组合模块309，用于根据所述超曲面函数表达式的参数集合和所述超曲面函数表达式，确定所述超曲面函数。
[0165]
在具体的应用场景中，该映射模块306，还用于对所述样本点集合中每个候选解集合执行以下处理：获取所述候选解集合包括的k个网络节点，在所述节点影响力表示字典中查询所述k个网络节点中每个网络节点的映射关系指示的节点归一化排序表示，得到k个节点归一化排序表示，采用k个所述节点归一化排序表示构成超曲面函数表达式的输入，以及计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述k个网络节点删除，计算删除后的所述待识别网络的第三连通性取值，将所述第一连通性取值和所述第三连通性取值的差值作为所述候选解集合转化的超曲面函数表达式的输出，采用所述超曲面函数表达式的输入和所述超曲面函数表达式的输出构成所述候选解集合转化的超曲面函数表达式的输入输出对；获取所述每个候选解集合转化的超曲面函数表达式的输入输出对，得到多个超曲面函数表达式的输入输出对。
[0166]
在具体的应用场景中，该确定模块305，还用于计算所述超曲面函数的极大值，确定所述极大值的坐标点；根据所述极大值的坐标点，在所述极大值的坐标点附近的所述多个候选解中随机采样，得到预设采样数量的候选解；将所述极大值的坐标点和所述预设采样数量的候选解作为多个样本节点，对所述多个样本节点中每个样本节点执行以下处理：计算所述待识别网络的第一连通性取值，在所述待识别网络中将所述样本节点删除，计算删除后的所述待识别网络的第四连通性取值，将所述第一连通性取值和所述第四连通性取值的差值作为所述样本节点的影响力值；获取所述每个样本节点的影响力值，得到多个影响力值，将最大的影响力值作为近似最优解，以及将所述近似最优解指示的样本点作为所述待识别网络的关键节点。
[0167]
本技术实施例提供的装置，确定待识别网络，根据待识别网络中每个网络节点对待识别网络的连通性的影响力值，对待识别网络包括的多个网络节点进行排序，对排序后的多个网络节点的影响力值进行归一化计算，得到多个网络节点中每个网络节点的节点归一化排序表示，以及基于每个网络节点的节点归一化排序表示，构建节点影响力表示字典，根据每个网络节点的节点归一化排序表示，对多个网络节点进行多次采样，构建样本点集合，基于节点影响力表示字典，将样本点集合转化为超曲面函数表达式的输入和输出，以及采用预设的超曲面函数表达式对超曲面函数表达式的输入和输出进行函数拟合，得到超曲面函数，对超曲面函数进行计算，确定近似最优解，将近似最优解指示的网络节点作为待识别网络的关键节点，能够降低求解难度，提升所得解的精度，从而提高识别关键节点的准确率，且在面对较大规模的网络时，识别时间更短，识别效率更高。
[0168]
需要说明的是，本技术实施例提供的一种关键节点的识别装置所涉及各功能单元的其他相应描述，可以参考图1和图2a至图2d中的对应描述，在此不再赘述。
[0169]
在示例性实施例中，参见图4，还提供了一种计算机设备，该计算机设备包括总线、
处理器、存储器和通信接口，还可以包括输入输出接口和显示设备，其中，各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序，处理器，用于执行存储器上所存放的程序，执行上述实施例中的关键节点的识别方法。
[0170]
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的关键节点的识别方法的步骤。
[0171]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，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)执行本技术各个实施场景所述的方法。
[0172]
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。
[0173]
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0174]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。
[0175]
以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。