节点的定位方法、装置、存储介质及电子装置与流程

本发明实施例涉及通信领域，具体而言，涉及一种节点的定位方法、装置、存储介质及电子装置。

背景技术：

在大规模、多变的微服务环境下，业务系统之间的调用层次越来越深，调用关系日益复杂。当业务系统出现故障时，如何从错综复杂的调用关系中快速分析问题，准确定位故障点，是系统监控运维重点关注的问题。

通常来说，当微服务应用出现异常(例如，响应时间长，成功率下降等)时，需要运维人员利用经验，通过查询日志等手段，能定位到是微服务接口，甚至哪台服务器出现了故障。但是，每个运维人员的能力和经验各不相同，并且经验的积累和传承也需要一定的时间成本。即使有应用性能监控等工具辅助，让运维人员在大量性能监控和链路跟踪数量中查询故障，也是一件费时费力的事情。费时费力的主要原因如下：

首先，微服务架构中的服务关系复杂和多变，难以获取实时拓扑关系；

第二，大量的微服务产生大量的运行数据，处理和分析可能相当耗时；

第三，传统告警功能基本为恒定阈值，告警误报率较高，增加故障定位的难度；

第四，传统的故障定位，缺乏故障主动发现能力。

由此可知，相关技术中存在定位发生故障的节点的效率低的问题。

针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供了一种节点的定位方法、装置、存储介质及电子装置，以至少解决相关技术中存在的定位发生故障的节点的效率低的问题。

根据本发明的一个实施例，提供了一种节点的定位方法，包括：获取目标微服务应用运行时产生的目标指标数据，其中，所述目标微服务应用调用的节点中包括多个节点；对所述目标指标数据进行检测以确定目标检测结果；在所述检测结果指示所述目标指标数据中存在异常数据的情况下，基于所述目标指标数据定位用于触发生成所述异常数据的目标节点。

根据本发明的另一个实施例，提供了一种节点的定位装置，包括：获取模块，用于获取目标微服务应用运行时产生的目标指标数据，其中，所述目标微服务应用调用的节点中包括多个节点；检测模块，用于对所述目标指标数据进行检测以确定目标检测结果；定位模块，用于在所述检测结果指示所述目标指标数据中存在异常数据的情况下，基于所述目标指标数据定位用于触发生成所述异常数据的目标节点。

根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，获取目标微服务应用运行时产生的目标指标数据，对目标指标数据进行检测以确定目标检测结果，在检测结果指示目标指标数据中存在异常数据的情况下，根据目标指标数据定位触发生成异常数据的目标节点。由于可以在获取到目标指标数据后自动对目标指标数据进行检测，在确定存在异常数据的情况下，可以直接定位目标节点。因此，可以解决相关技术中存在的定位发生故障的节点的效率低的问题，达到提高故障节点定位效率的效果。

附图说明

图1是本发明实施例的一种节点的定位方法的移动终端的硬件结构框图；

图2是根据本发明实施例的节点的定位方法的流程图；

图3是根据本发明具体实施例的节点的定位方法流程图；

图4是根据本发明具体实施例的节点的定位装置示意图；

图5是根据本发明具体实施例的微服务故障定位实例示意图；

图6是根据本发明实施例的节点的定位装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明的实施例。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种节点的定位方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的节点的定位方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(networkinterfacecontroller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radiofrequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种节点的定位方法，图2是根据本发明实施例的节点的定位方法的流程图，如图2所示，该流程包括如下步骤：

步骤s202，获取目标微服务应用运行时产生的目标指标数据，其中，所述目标微服务应用调用的节点中包括多个节点；

步骤s204，对所述目标指标数据进行检测以确定目标检测结果；

步骤s206，在所述检测结果指示所述目标指标数据中存在异常数据的情况下，基于所述目标指标数据定位用于触发生成所述异常数据的目标节点。

在上述实施例中，目标指标数据可以包括关键业务指标、调用链数据，操作系统性能指标及中间件数据。其中，关键业务指标可以包括交易平均响应时间、服务调用成功率、每分钟调用次数等；调用链数据可以包括服务名、端口、实例、链路数据以及拓扑关系数据等；操作系统性能指标及中间件数据可以包括cpu使用率，内存使用率，网络接口进出流量、数据库总连接数等。

在上述实施例中，在对目标指标数据进行检测时，可以对目标指标数据中包括的业务关键指标数据以及操作系统性能指标数据进行检测，确定业务关键指标数据以及操作系统性能指标数据中是否存在异常数据。

可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少数据处理设备的机器，其中，数据处理设备可以包括计算机、手机等终端，但不限于此。

通过本发明，获取目标微服务应用运行时产生的目标指标数据，对目标指标数据进行检测以确定目标检测结果，在检测结果指示目标指标数据中存在异常数据的情况下，根据目标指标数据定位触发生成异常数据的目标节点。由于可以在获取到目标指标数据后自动对目标指标数据进行检测，在确定存在异常数据的情况下，可以直接定位目标节点。因此，可以解决相关技术中存在的定位发生故障的节点的效率低的问题，达到提高故障节点定位效率的效果。

在一个示例性实施例中，对所述目标指标数据进行检测以确定目标检测结果包括：确定所述目标指标数据的目标数据类型；基于目标数据类型确定目标检测模型，并将所述目标指标数据发送给所述目标检测模型进行检测，以确定所述目标检测结果。在本实施例中，不同数据类型的指标数据可以采用不同的检测模型进行检测。在确定目标指标数据的目标数据类型时，可以先提取目标指标数据的关键特征，根据关键特征对目标指标数据进行分类。当目标指标数据是率型数据(如内存使用率)时，目标检测模型可以为累计恒定阈值检测算法模型。如果目标指标数据是周期型数据，则可以利用历史数据进行针对性训练并生成模型。模型生成后，实时对指标数据进行异常检测。

在一个示例性实施例中，基于目标数据类型确定目标检测模型包括：基于预设对应关系确定与所述目标数据类型对应的所述目标检测模型，其中，所述预设对应关系用于指示数据类型和检测模型的对应关系。在本实施例中，可以根据预设对应关系确定与目标数据类型对应的目标检测模型。其中，预设对应关系可以是根据历史数据的数据特征确定的对应关系。例如，目标指标数据是率型数据(如内存使用率)时，目标检测模型可以为累计恒定阈值检测算法模型。目标指标数据是周期型数据时，目标检测模型可以为通过多组训练数据进行机器学习训练出来的模型，其中，多组训练数据中包括的每组训练数据包括指标数据和数据类型。在确定累计恒定阈值检测算法模型时，训练数据可以为历史率型数据及数据的平均值。即根据历史数据确定率型数据中包括的每个率型数据的平均值，在利用累计恒定阈值检测算法模型对目标指标数据进行检测时，确定目标指标数据中包括的率型数据的值，将该值与历史平均值进行比较，当大于平均值时，可以认为数据存在异常。需要说明的是，参考值为平均值仅是一种示例性的说明，还可以为历史数据的其他统计数值，例如，中值等，本发明对参考值不作限制。

在一个示例性实施例中，在基于预设对应关系确定与所述目标数据类型对应的所述目标检测模型之前，所述方法还包括：获取所述目标微服务应用运行时产生的历史指标数据；对所述历史指标数据进行数据预处理，以得到时序历史指标数据；提取所述时序历史指标数据的数据特征；基于所述数据特征确定所述历史指标数据的历史数据类型；建立所述历史数据类型与检测模块的所述对应关系。在本实施例中，可以获取历史指标数据，并对历史指标数据按照时间顺序进行排列，针对历史的时序指标数据进行数据预处理，例如，填补缺失数据、去除毛刺点等。对时序指标数据进行分析，提取关键特征，并根据数据特征对指标进行分类，每种数据形态所提取的特征或检测算法都是不尽相同的。根据时序指标数据的分类和特征提取的结果，确定抽取历史数据长度和选取的算法。并按照一定的规则对异常告警进行归并处理，减少告警数量。在确定出异常数据需要告警时，可以通过预定时间内的告警次数，当预定时间的告警次数超过预定阈值时，在进行告警，以减少告警的数量。

在一个示例性实施例中，在基于所述目标指标数据定位用于触发生成所述异常数据的目标节点之前，所述方法还包括：基于所述异常数据确定所述异常数据的故障类型；在确定所述故障类型为业务故障的情况下，基于所述目标指标数据定位用于触发生成所述异常数据的所述目标节点；在确定所述故障类型为除业务故障以外的其他故障的情况下，存储所述目标指标数据和/或执行告警操作。在本实施例中，在异常数据为非关键业务指标异常数据时，则发出告警提示和/或存储异常数据指标。当异常数据为业务故障数据时，则可以结合微服务实时拓扑关系、调用链数据和告警信息，进行关联分析，快速定位故障。

在一个示例性实施例中，基于所述目标指标数据定位用于触发生成所述异常数据的所述目标节点包括：确定产生所述异常数据的目标时间段；在所述目标指标数据中获取所述目标时间段内的调用链数据；基于所述故障类型在所述调用链数据中确定出候选调用链集合；基于所述候选调用链集合确定所述目标节点。在本实施例中，当关键业务指标异常或发现故障时，可以确定异常的时间区间，获取这段时间的全部调用链数据。根据异常关键业务指标类型，对选取调用链数据进行分析和筛选，获取对当前故障贡献较大的调用链集合。例如，如果是平均响应时间异常，则根据调用链的响应时间，对调用链进行降序排序，并结合调用链的端口信息，选取前20个调用链作为候选调用链集合。根据调用链集合确定出目标节点。

在一个示例性实施例中，基于所述候选调用链集合确定所述目标节点包括：获取候选调用链中包括的每个跨度的消耗时间，其中，所述候选调用链为所述候选调用集合中包括的调用链；基于所述消耗时间以及所述目标指标数据中包括的拓扑关系确定所述候选调用链中包括的候选节点；基于所述候选节点确定所述目标节点。在本实施例中，针对选取的候选调用链集合中的每一个调用链，可以统计调用链中的每一个跨度(span)的消耗时间，根据消耗时间和拓扑关系数据，逐层遍历分析，确定候选节点集合。

在一个示例性实施例中，基于所述候选节点确定所述目标节点包括：分别确定所述候选节点中包括的每个节点的指标数据的状态；基于每个节点的指标数据的状态确定所述候选节点中包括的处于异常状态的节点，并将处于异常状态的节点确定为所述目标节点。在本实施例中，根据选取的候选节点指标数据的异常情况，若节点指标数据中，没有异常告警，则将改节点从候选节点中剔除。若节点指标数据中存在异常告警，则将节点和异常指标，添加到节点异常指标候选集合，从异常指标候选集合中确定出目标节点。例如，可以综合时间、异常类型等多个维度信息，确定最终故障节点和异常指标集合，并推送到前端进行展示。

在一个示例性实施例中，在将处于异常状态的节点确定为所述目标节点之后，所述方法还包括：确定所述目标节点的指标数据；显示所述目标节点以及所述指标数据。在本实施例中，在确定目标节点后，可以将目标节点和指标数据推送到前端进行展示。

下面结合具体实施方式对节点的定位方法进行说明：

图3是根据本发明具体实施例的节点的定位方法流程图，如图3所示，该流程包括：

s1，采集指标数据。具体为：s1-1，采集的指标数据，主要分为三类：

1、关键业务指标：包括交易平均响应时间、服务调用成功率、每分钟调用次数等；

2、调用链数据：包括服务名、端口、实例、链路数据以及拓扑关系数据等；

3、操作系统性能指标及中间件数据：包括cpu使用率，内存使用率，网络接口进出流量、数据库总连接数等。

s2，对业务关键指标和性能指标进行监控，并采用基于机器学习算法的异常检测与告警。

具体为：

s1-2，根据采集的指标数据根据类型存储到不同的数据库中；

s2-1，针对历史的时序指标数据进行数据预处理，包括填补缺失数据、去除毛刺点等。对时序指标数据进行分析，提取关键特征，并根据数据特征对指标进行分类，每种数据形态所提取的特征或检测算法都是不尽相同的。

s2-2，根据s2-1中时序指标数据的分类和特征提取的结果，确定抽取历史数据长度和选取的算法。例如，如果指标数据是率型数据(如内存使用率)，直接采用累计恒定阈值检测算法。如果指标数据是周期型数据，则利用历史数据进行针对性训练并生成模型。模型生成后，实时对指标数据进行异常检测。

s2-3，根据s2-2异常检测检测模型，对实时指标数据进行异常检测，并按照一定的规则对异常告警进行归并处理，减少告警数量。

s2-4，如果是非关键业务指标异常，则发出告警提示并存储。

s3，当故障发生时，结合微服务实时拓扑关系、调用链数据和告警信息，进行关联分析，快速定位故障。

具体为：

s3-1，当关键业务指标异常或发现故障时，确定异常的时间区间，获取这段时间的全部调用链数据。

s3-2，根据异常关键业务指标类型，对选取调用链数据的分析和筛选，获取对当前故障贡献较大的调用链集合。例如，如果是平均响应时间异常，则根据调用链的响应时间，对调用链进行降序排序，并结合调用链的端口信息，选取前20个调用链作为候选调用链集合。

s3-3，针对s3-2选取的候选调用链集合中的每一个调用链，统计调用链中的每一个跨度(span)的消耗时间，根据消耗时间和拓扑关系数据，逐层遍历分析，确定候选节点集合。其中，span为服务一次调用中的某个节点/步骤。

s3-4，获取s3-3中选取的候选节点指标数据的异常情况，若节点指标数据中，没有异常告警，则将改节点从候选节点中剔除。若节点指标数据中，存在异常告警，则将节点和异常指标，添加到节点异常指标候选集合。

s3-5，综合时间、异常类型等多个维度信息，确定最终故障节点和异常指标集合，并推荐到前端进行展示。

需要说明的是，在执行步骤s2-4后，无需执行s3-4，在执行s3-4时，可以调用非关键业务指标数据进行综合判断，对候选节点集合进行进一步的筛选。

图4是根据本发明具体实施例的节点的定位装置示意图，如图4所示，该装置包括：

微服务数据监控采集模块：主要用于系统监控和数据采集，监控和采集的数据主要分为业务关键指标、微服务实时拓扑关系、微服务实时调用链路数据以及实时性能指标(包括操作系统、数据库、虚拟机等)。其中，微服务实时拓扑关系和调用链数据，主要通过部署应用性能监控工具获取；采集的所有指标数据根据类型存储到不同的数据库中。

微服务故障感知模块：基于机器学习技术，通过对采集的各种指标历史数据进行分析，获取各项指标的关键特征，根据时间序列的特征，计算资源的分配以及历史数据长度，选取不同的特征和算法，进行针对性训练，生成异常检测模型，并实时的异常检测。针对异常检测的结果，通过相应算法进行归并处理后，发出异常告警，感知故障。

微服务故障定位模块：当微服务故障感知模块检测到关键业务指标异常或发现故障时，通过关联分析，并结合微服务拓扑关系数据和调用链数据，实现异常告警的关联，并利用决策推导与权重分析方法快速定位问题，并将结果推送到微服务数据监控采集模块进行展示。

其中，微服务异常感知模块进行异常检测时，可以根据采集指标数据类型，将指标数据存入不同的数据库中，例如，关键业务指标数据、性能指标数据等时序数据存入时序数据库中，而调用链数据、拓扑关系数据则存入elasticsearch中；针对采集的历史数据进行填补缺失数据、去除毛刺点等预处理后，可以通过tsfresh及相应算法抽取统计特征、时序特征等，并根据关键特征对时序数据进行分类。不同类型的指标，采用不同的算法进行模型训练，例如，如果指标数据是率型数据(如内存使用率)，直接采用累计恒定阈值检测算法。如果指标数据是周期型数据，则利用历史数据进行针对性训练并生成模型。通过模型对实时数据进行异常检测。若是非关键业务指标发生异常，则发出告警提示并存储。若是关键业务指标发生异常，则进入微服务故障定位模块进行故障定位。其中，elasticsearch是一个分布式、高扩展、高实时的搜索与数据分析引擎；tsfresh是开源的提取时序数据特征的python包。

在感知到微服务异常后，微服务故障定位模块可以进行故障定位。假设目前微服务感知模块发现关键业务指标平均响应时间出现异常告警，实例如图5所示，微服务故障定位模块的处理流程如下：

s2-1，当发现关键业务指标平均响应时间异常告警时，确定异常的时间区间，获取这段时间的全部调用链数据，例如，图5中trace1、trace2。

s2-2，根据调用链的响应时间，对调用链进行降序排序，并结合调用链的端口信息，选取前20个调用链作为候选调用链集合。

s3-3，针对图中的trace1、trace2进行逐层遍历分析，下面以trace1为例说明：

根据trace1的调用链数据，先统计调用链中的每一个跨度(span)的消耗时间，根据消耗时间和拓扑关系数据，逐层遍历分析。例如，微服务b到微服务d消耗时间在整个链路中，占比比较大，则根据拓扑关系将微服务d所在节点加入到节点候选集合。

s3-4，获取s3-3中选取的候选节点指标数据的异常情况，若节点指标数据中，没有异常告警，则将改节点从候选节点中剔除，例如实例中的微服务b所在节点。若节点指标数据中，存在异常告警，则将节点和异常指标，添加到节点异常指标候选集合。

s3-5，综合时间、异常类型等多个维度信息，确定最终故障节点和异常指标集合。例如，通过trace1和trace2两个跟踪链获取的候选故障节点和异常指标数据集合中都包含数据库节点，则数据库节点将作为故障点。

在前述实施例中，通过应用性能监控工具，获取的微服务应用拓扑关系和调用链数据。对业务关键指标和性能指标进行监控，并采用基于机器学习算法的异常检测与告警，及时发现微服务异常问题，减少告警误报率。当关键业务指标异常或故障发生时，结合微服务实时拓扑关系、调用链数据和告警信息，进行关联分析，快速定位故障，达到提高运维效率的目的。

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根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

在本实施例中还提供了一种节点的定位装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是根据本发明实施例的节点的定位装置的结构框图，如图6所示，该装置包括：

获取模块62，用于获取目标微服务应用运行时产生的目标指标数据，其中，所述目标微服务应用调用的节点中包括多个节点；

检测模块64，用于对所述目标指标数据进行检测以确定目标检测结果；

定位模块66，用于在所述检测结果指示所述目标指标数据中存在异常数据的情况下，基于所述目标指标数据定位用于触发生成所述异常数据的目标节点。

其中，获取模块62对应于上述微服务数据监控采集模块，检测模块64对应于上述微服务故障感知模块，定位模块66对应于上述微服务故障定位模块。

在一个示例性实施例中，所述检测模块64可以通过如下方式实现对所述目标指标数据进行检测以确定目标检测结果：确定所述目标指标数据的目标数据类型；基于目标数据类型确定目标检测模型，并将所述目标指标数据发送给所述目标检测模型进行检测，以确定所述目标检测结果，其中，所述目标检测模型为使用多组目标训练数据通过机器学习训练出的，所述多组目标训练数据中包括的每组数据均包括：指标数据和检测结果。

在一个示例性实施例中，所述检测模块64可以通过如下方式实现基于目标数据类型确定目标检测模型：基于预设对应关系确定与所述目标数据类型对应的所述目标检测模型，其中，所述预设对应关系用于指示数据类型和检测模型的对应关系。

在一个示例性实施例中，所述装置可以用于在基于预设对应关系确定与所述目标数据类型对应的所述目标检测模型之前，获取所述目标微服务应用运行时产生的历史指标数据；对所述历史指标数据进行数据预处理，以得到时序历史指标数据；提取所述时序历史指标数据的数据特征；基于所述数据特征确定所述历史指标数据的历史数据类型；建立所述历史数据类型与检测模块的所述对应关系。

在一个示例性实施例中，所述装置还可以用于在基于所述目标指标数据定位用于触发生成所述异常数据的目标节点之前，基于所述异常数据确定所述异常数据的故障类型；在确定所述故障类型为业务故障的情况下，基于所述目标指标数据定位用于触发生成所述异常数据的所述目标节点；在确定所述故障类型为除业务故障以外的其他故障的情况下，存储所述目标指标数据和/或执行告警操作。

在一个示例性实施例中，所述装置可以通过如下方式实现基于所述目标指标数据定位用于触发生成所述异常数据的所述目标节点：确定产生所述异常数据的目标时间段；在所述目标指标数据中获取所述目标时间段内的调用链数据；基于所述故障类型在所述调用链数据中确定出候选调用链集合；基于所述候选调用链集合确定所述目标节点。

在一个示例性实施例中，所述装置可以通过如下方式实现基于所述候选调用链集合确定所述目标节点：获取候选调用链中包括的每个跨度的消耗时间，其中，所述候选调用链为所述候选调用集合中包括的调用链；基于所述消耗时间以及所述目标指标数据中包括的拓扑关系确定所述候选调用链中包括的候选节点；基于所述候选节点确定所述目标节点。

在一个示例性实施例中，所述装置可以用于基于所述候选节点确定所述目标节点：分别确定所述候选节点中包括的每个节点的指标数据的状态；基于每个节点的指标数据的状态确定所述候选节点中包括的处于异常状态的节点，并将处于异常状态的节点确定为所述目标节点。

在一个示例性实施例中，所述装置可以用于在将处于异常状态的节点确定为所述目标节点之后，确定所述目标节点的指标数据；显示所述目标节点以及所述指标数据。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：u盘、只读存储器(read-onlymemory，简称为rom)、随机存取存储器(randomaccessmemory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。