一种按键检测方法及装置与流程

本发明涉及电子技术领域，尤其涉及一种按键检测方法及装置。

背景技术：

在很多游戏中，可以使用模拟按键辅助方式来实现自动化操作，例如，可以使用按键辅助来识别游戏界面的触控位置并自动点击，完成很高的游戏分数，其他玩家如果手工操作一般很难达到，给游戏平衡造成很大破坏，需要对这种行为加以识别并处理。现有检测客户端模拟按键的方法，无法保证检测的准确性，并且效率低。

技术实现要素：

本发明实施例提供一种按键检测方法及装置。可以提高按键检测的准确度，提高检测效率。

第一方面，本发明实施例提供了一种按键检测方法，包括：

获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息；

将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率；

根据所述分类概率，确定所述多个按键操作的按键类别。

其中，所述根据所述分类概率，确定所述多个按键操作的按键类别包括：

当所述分类概率大于预设阈值时，确定所述按键类别为模拟按键；

当所述分类概率不大于所述预设阈值时，确定所述按键类别为手工按键。

其中，所述当所述分类概率大于预设阈值时，确定所述按键类别为模拟按键之后，还包括：

当确定所述按键类别为所述模拟按键时，向用户设备发送警告信息，所述警告信息用于提醒用户停止所述模拟按键的游戏操作行为。

其中，所述获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息包括：

对所述多个按键操作进行分组得到多个按键操作分组；

根据所述多个按键操作分组中每个按键操作分组中的每个按键操作的坐标值，确定所述每个按键操作分组的特征信息。

其中，所述将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率包括：

将所述每个按键操作分组的特征信息输入到已训练的预测模型中进行预测，确定所述每个按键操作分组中多个按键操作的坐标值之间的离散度；

根据所述离散度，确定所述分类概率。

其中，所述获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息之前，还包括：

获取多个模拟按键的第一坐标值并根据所述第一坐标值确定第一特征，获取多个人工按键的第二坐标值并根据所述第二坐标值确定第二特征；

将所述第一特征以及所述第二特征输入到待训练模型中进行训练得到所述预测模型。

第二方面，本发明实施例提供了一种按键检测装置，包括：

获取模块，用于获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息；

预测模块，用于将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率；

处理模块，用于根据所述分类概率，确定所述多个按键操作的按键类别。

其中，所述处理模块，还用于当所述分类概率大于预设阈值时，确定所述按键类别为模拟按键；当所述分类概率不大于所述预设阈值时，确定所述按键类别为手工按键。

其中，所述装置还包括：

发送模块，用于当所述处理模块确定所述按键类别为所述模拟按键时，向用户设备发送警告信息，所述警告信息用于提醒用户停止所述模拟按键的游戏操作行为。

其中，所述处理模块，还用于对所述多个按键操作进行分组得到多个按键操作分组；根据所述多个按键操作分组中每个按键操作分组中的每个按键操作的坐标值，确定所述每个按键操作分组的特征信息。

其中，所述预测模块，还用于将所述每个按键操作分组的特征信息输入到已训练的预测模型中进行预测，确定所述每个按键操作分组中多个按键操作的坐标值之间的离散度；根据所述离散度，确定所述分类概率。

其中，所述获取模块，还用于获取多个模拟按键的第一坐标值并根据所述第一坐标值确定第一特征、获取多个人工按键的第二坐标值并根据所述第二坐标值确定第二特征；

所述处理模块，还用于将所述第一特征以及所述第二特征输入到待训练模型中进行训练得到所述预测模型。

第三方面，本申请实施例提供了一种电子设备，包括：处理器、存储器、通信接口和总线；

所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信；

所述存储器存储可执行程序代码；

所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行上述所执行的方法。

相应地，本申请实施例提供了一种存储介质，其中，所述存储介质用于存储应用程序，所述应用程序用于在运行时执行本申请实施例第一方面公开的一种按键检测方法。

相应地，本申请实施例提供了一种应用程序，其中，所述应用程序用于在运行时执行本申请实施例第一方面公开的一种按键检测方法。

实施本发明实施例，首先获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息；然后将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率；最后根据所述分类概率，确定所述多个按键操作的按键类别。通过预测模型对按键操作的类别进行预测，从而提高按键检测的准确度，提高检测效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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。

图1是本申请实施例提出的一种按键检测系统的结构示意图；

图2是本申请实施例提供的一种按键检测方法的流程示意图；

图3是本申请实施例提供的另一种按键检测方法的流程示意图；

图4是本申请实施例提供的一种按键检测装置的结构示意图；

图5是本申请实施例提出的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1，图1是本申请实施例提出的一种按键检测系统的结构示意图。该系统包括用户设备101以及服务器102，其中，用户设备101可以是指提供到用户的语音和/或数据连接的设备，也可以被连接到诸如膝上型计算机或台式计算机等的计算设备，或者其可以是诸如个人数字助理(personaldigitalassistant，pda)等的独立设备，例如手机、电视机等等。服务器102可以为能够提供数据分析的服务器，例如数据服务器、分析服务器等等。在本申请实施例中，用户设备可以直接通过预测模型进行按键检测。服务器也可以接收用户设备发送的按键操作的坐标值，通过预测模型进行按键检测，并将检测结果发送给用户设备。本发明不做限定。基于上述系统，本申请实施例提供了如下解决方案。

请参考图2，图2是本申请实施例提供的一种按键检测方法的流程示意图。如图所示，本申请实施例中的步骤包括：

s201，获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息。其中，特征信息可以为多个坐标值之间的标准差。

具体实现中，可以对用户游戏行为进行监控，当监控到每局游戏结束时，获取用户在游戏过程中的所有按键操作的坐标值。或者可以按照预设的时间间隔获取在显示屏幕上的多个按键操作的坐标值。然后可以对坐标值进行标准化处理，由于显示屏幕的不同，按键操作的坐标值也不同，可以将坐标值除以显示屏幕的高度或宽度，计算得到每个坐标值对应的标准值。最后计算多个标准值之间的标准差。

进一步的，可以对所述多个按键操作进行分组得到多个按键操作分组；然后根据所述多个按键操作分组中每个按键操作分组中的每个按键操作的坐标值，确定所述每个按键操作分组的特征信息。例如，可以将多个按键操作划分为n个按键操作分组，每个按键操作分组可以包括10个按键操作的坐标值，分别计算每个按键操作分组中10个按键操作的坐标值之间的标准差，从而得到n个标准差。

s202，将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率。

具体实现中，可以将所述每个按键操作分组的特征信息输入到已训练的预测模型中进行预测，确定所述每个按键操作分组中多个按键操作的坐标值之间的离散度；然后根据所述离散度，确定所述分类概率。离散度越大，则说明按键类别为人工按键的分类概率越大；离散度越小，则说明按键类别为模拟按键的分类概率越大。

其中，在将所述特征信息输入到已训练的预测模型中进行预测之前，可以获取多个模拟按键的第一坐标值并根据所述第一坐标值确定第一特征、获取多个人工按键的第二坐标值并根据所述第二坐标值确定第二特征；将所述第一特征以及所述第二特征输入到待训练模型中进行训练得到所述预测模型。

例如，可以首先使用模拟按键工具进行游戏，并将记录的坐标记为坐标集合a；手工操作进行正常游戏，并将记录的坐标记为坐标集合b。其次，将坐标集合a和坐标集合b中的坐标序列分别标准化处理。然后分别对坐标集合a和坐标集合b进行分组，每10个坐标分为1组特征，计算坐标集合a中每组特征的一个标准差、以及坐标集合b中每组特征的一个标准差。最后将坐标集合a对应的多个标准差a1、a2、a3……、以及坐标集合b对应的多个标准差b1、b2、b3、……、分别输入至待训练模型进行训练得到预测模型m。应理解，由于按键辅助点击的坐标值一般比较集中，坐标值固定于某几个点上，而正常手工操作的坐标值比较离散，因此通过机器学习模型可以相对准确地区别两种特征。

其中，预测模型可以为卷积神经网络(convolutionalneuralnetworks，cnn)分类模型。该cnn分类模型包括输入层、卷积层、池化层、全连接层和输出层。其中，卷积层和池化层的组合可以在隐藏层出现多次。cnn分类模型中包括已经训练好的模型参数，该模型参数包括各个卷积层的卷积核、各个卷积层的偏置矩阵以及全连接层的权重矩阵和全连接层的偏置向量等等。在预测过程中，可以首先将特征信息输入到预测模块中，然后在各个卷积层上，使用各个卷积层的卷积核和偏置矩阵对每个待处理区域进行卷积操作和最大池化操作，提取特征信息在各个卷积层上的数据特征。接着，使用全连接层的权重矩阵和偏置向量对游戏数据进行处理，得到分类概率。在本申请实施例中，通过机器学习或深度学习的方式对游戏数据进行预测，可以提高游戏数据判断的准确性。

s203，根据所述分类概率，确定所述多个按键操作的按键类别。

具体实现中，在预测模型主要为了识别用户操作是否为模拟按键的情况下，当所述分类概率大于预设阈值时，确定所述按键类别为模拟按键；当所述分类概率不大于所述预设阈值时，确定所述按键类别为手工按键。当然，在预测模型主要为了识别用户操作是否为手工按键的情况下，当所述分类概率大于所述预设阈值时，确定所述按键类别为手工按键，当所述分类概率不大于预设阈值时，确定所述按键类别为模拟按键。其中，预设阈值可以为0.5或0.6等等。

在本申请实施例中，用户设备首先获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息；然后将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率；最后根据所述分类概率，确定所述多个按键操作的按键类别。通过预测模型对按键操作的类别进行预测，从而提高按键检测的准确度，提高检测效率。

请参考图3，图3是本申请实施例提供的另一种按键检测方法的流程示意图。如图所示，本申请实施例中的步骤包括：

s301，用户设备向服务器发送在显示屏幕上的多个按键操作的坐标值。

具体实现中，用户设备可以对用户游戏行为进行监控，当监控到每局游戏结束时，获取用户在游戏过程中的所有按键操作的坐标值。或者，可以按照预设的时间间隔获取在显示屏幕上的多个按键操作的坐标值。然后按照预设周期上报给服务器。

s302，服务器根据所述坐标值确定特征信息。

具体实现中，服务器可以对坐标值进行标准化处理，由于显示屏幕的不同，按键操作的坐标值也不同，可以将坐标值除以显示屏幕的高度或宽度，计算得到每个坐标值对应的标准值。最后计算多个标准值之间的标准差。

进一步的，可以对所述多个按键操作进行分组得到多个按键操作分组；然后根据所述多个按键操作分组中每个按键操作分组中的每个按键操作的坐标值，确定所述每个按键操作分组的特征信息。例如，可以将多个按键操作划分为n个按键操作分组，每个按键操作分组可以包括10个按键操作的坐标值，分别计算每个按键操作分组中10个按键操作的坐标值之间的标准差，从而得到n个标准差。

s303，服务器将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率。

具体实现中，可以将所述每个按键操作分组的特征信息输入到已训练的预测模型中进行预测，确定所述每个按键操作分组中多个按键操作的坐标值之间的离散度；然后根据所述离散度，确定所述分类概率。离散度越大，则说明按键类别为人工按键的分类概率越大；离散度越小，则说明按键类别为模拟按键的分类概率越大。

其中，在将所述特征信息输入到已训练的预测模型中进行预测之前，可以获取多个模拟按键的第一坐标值并根据所述第一坐标值确定第一特征，获取多个人工按键的第二坐标值并根据所述第二坐标值确定第二特征；将所述第一特征以及所述第二特征输入到待训练模型中进行训练得到所述预测模型。

例如，可以首先使用模拟按键工具进行游戏，并将记录的坐标记为坐标集合a；手工操作进行正常游戏，并将记录的坐标记为坐标集合b。其次，将坐标集合a和坐标集合b中的坐标序列分别标准化处理。然后分别对坐标集合a和坐标集合b进行分组，每10个坐标分为1组特征，计算坐标集合a中每组特征的一个标准差、以及坐标集合b中每组特征的一个标准差。最后将坐标集合a对应的多个标准差a1、a2、a3……、以及坐标集合b对应的多个标准差b1、b2、b3、……、分别输入至待训练模型进行训练得到预测模型m。应理解，由于按键辅助点击的坐标值一般比较集中，坐标值固定于某几个点上，而正常手工操作的坐标值比较离散，因此通过机器学习模型可以相对准确地区别两种特征。

其中，预测模型可以为卷积神经网络(convolutionalneuralnetworks，cnn)分类模型。该cnn分类模型包括输入层、卷积层、池化层、全连接层和输出层。其中，卷积层和池化层的组合可以在隐藏层出现多次。cnn分类模型中包括已经训练好的模型参数，该模型参数包括各个卷积层的卷积核、各个卷积层的偏置矩阵以及全连接层的权重矩阵和全连接层的偏置向量等等。在预测过程中，可以首先将特征信息输入到预测模块中，然后在各个卷积层上，使用各个卷积层的卷积核和偏置矩阵对每个待处理区域进行卷积操作和最大池化操作，提取特征信息在各个卷积层上的数据特征。接着，使用全连接层的权重矩阵和偏置向量对游戏数据进行处理，得到分类概率。在本申请实施例中，通过机器学习或深度学习的方式对游戏数据进行预测，可以提高游戏数据判断的准确性。

s304，服务器根据所述分类概率，确定所述多个按键操作的按键类别。

具体实现中，在预测模型主要为了识别用户操作是否为模拟按键的情况下，当所述分类概率大于预设阈值时，确定所述按键类别为模拟按键；当所述分类概率不大于所述预设阈值时，确定所述按键类别为手工按键。当然，在预测模型主要为了识别用户操作是否为手工按键的情况下，当所述分类概率大于所述预设阈值时，确定所述按键类别为手工按键，当所述分类概率不大于预设阈值时，确定所述按键类别为模拟按键。其中，预设阈值可以为0.5或0.6等等。

s305，服务器当确定所述按键类别为所述模拟按键时，向用户设备发送警告信息，所述警告信息用于提醒用户停止所述模拟按键的游戏操作行为。

其中，警告信息可以包括使用模拟按键进行操作的后果，例如封号、禁赛等处罚。用户设备接收到警告信息，可以显示该警告信息。服务器在确定该用户设备存在模拟按键的情况之后，可以缩短检测周期，对该用户设备的游戏数据重新进行检测，避免在提醒用户之后仍然存在模拟按键的情况。

在本申请实施例中，服务器可以接收用户设备发送的在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息；然后将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率；最后根据所述分类概率，确定所述多个按键操作的按键类别。通过预测模型对按键操作的类别进行预测，从而提高按键检测的准确度，提高检测效率。

请参考图4，图4是本申请实施例提供的一种按键检测装置的结构示意图。本申请实施例中的按键检测装置包括获取模块401、预测模块402、处理模块403以及发送模块404，其中：

获取模块401，用于获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息。

具体实现中，可以对用户游戏行为进行监控，当监控到每局游戏结束时，获取用户在游戏过程中的所有按键操作的坐标值。或者可以按照预设的时间间隔获取在显示屏幕上的多个按键操作的坐标值。然后可以对坐标值进行标准化处理，由于显示屏幕的不同，按键操作的坐标值也不同，可以将坐标值除以显示屏幕的高度或宽度，计算得到每个坐标值对应的标准值。最后计算多个标准值之间的标准差。

进一步的，可以对所述多个按键操作进行分组得到多个按键操作分组；然后根据所述多个按键操作分组中每个按键操作分组中的每个按键操作的坐标值，确定所述每个按键操作分组的特征信息。例如，可以将多个按键操作划分为n个按键操作分组，每个按键操作分组可以包括10个按键操作的坐标值，分别计算每个按键操作分组中10个按键操作的坐标值之间的标准差，从而得到n个标准差。

预测模块402，用于将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率。

具体实现中，可以将所述每个按键操作分组的特征信息输入到已训练的预测模型中进行预测，确定所述每个按键操作分组中多个按键操作的坐标值之间的离散度；然后根据所述离散度，确定所述分类概率。离散度越大，则说明按键类别为人工按键的分类概率越大；离散度越小，则说明按键类别为模拟按键的分类概率越大。

其中，在将所述特征信息输入到已训练的预测模型中进行预测之前，可以获取多个模拟按键的第一坐标值并根据所述第一坐标值确定第一特征、以及多个人工按键的第二坐标值并根据所述第二坐标值确定第二特征；将所述第一特征以及所述第二特征输入到待训练模型中进行训练得到所述预测模型。

例如，可以首先使用模拟按键工具进行游戏，并将记录的坐标记为坐标集合a；手工操作进行正常游戏，并将记录的坐标记为坐标集合b。其次，将坐标集合a和坐标集合b中的坐标序列分别标准化处理。然后分别对坐标集合a和坐标集合b进行分组，每10个坐标分为1组特征，计算坐标集合a中每组特征的一个标准差、以及坐标集合b中每组特征的一个标准差。最后将坐标集合a对应的多个标准差a1、a2、a3……、以及坐标集合b对应的多个标准差b1、b2、b3、……、分别输入至待训练模型进行训练得到预测模型m。应理解，由于按键辅助点击的坐标值一般比较集中，坐标值固定于某几个点上，而正常手工操作的坐标值比较离散，因此通过机器学习模型可以相对准确地区别两种特征。

其中，预测模型可以为卷积神经网络(convolutionalneuralnetworks，cnn)分类模型。该cnn分类模型包括输入层、卷积层、池化层、全连接层和输出层。其中，卷积层和池化层的组合可以在隐藏层出现多次。cnn分类模型中包括已经训练好的模型参数，该模型参数包括各个卷积层的卷积核、各个卷积层的偏置矩阵以及全连接层的权重矩阵和全连接层的偏置向量等等。在预测过程中，可以首先将特征信息输入到预测模块中，然后在各个卷积层上，使用各个卷积层的卷积核和偏置矩阵对每个待处理区域进行卷积操作和最大池化操作，提取特征信息在各个卷积层上的数据特征。接着，使用全连接层的权重矩阵和偏置向量对游戏数据进行处理，得到分类概率。在本申请实施例中，通过机器学习或深度学习的方式对游戏数据进行预测，可以提高游戏数据判断的准确性。

处理模块403，用于根据所述分类概率，确定所述多个按键操作的按键类别。

具体实现中，在预测模型主要为了识别用户操作是否为模拟按键的情况下，当所述分类概率大于预设阈值时，确定所述按键类别为模拟按键；当所述分类概率不大于所述预设阈值时，确定所述按键类别为手工按键。当然，在预测模型主要为了识别用户操作是否为手工按键的情况下，当所述分类概率大于所述预设阈值时，确定所述按键类别为手工按键，当所述分类概率不大于预设阈值时，确定所述按键类别为模拟按键。其中，预设阈值可以为0.5或0.6等等。

可选的，发送模块404，用于当处理模块403确定所述按键类别为模拟按键时，向用户设备发送警告信息，所述警告信息用于提醒用户停止所述模拟按键的游戏操作行为。其中，警告信息可以包括使用模拟按键进行操作的后果，例如封号、禁赛等处罚。用户设备接收到警告信息，可以显示该警告信息。服务器在确定该用户设备存在模拟按键的情况之后，可以缩短检测周期，对该用户设备的游戏数据重新进行检测，避免在提醒用户之后仍然存在模拟按键的情况。

请参考图5，图5是本申请实施例提出的一种电子设备的结构示意图。如图所示，该电子设备可以包括：至少一个处理器501，例如cpu，至少一个通信接口502，至少一个存储器503，至少一个总线504。其中，总线504用于实现这些组件之间的连接通信。其中，本申请实施例中电子设备的通信接口502是有线发送端口，也可以为无线设备，例如包括天线装置，用于与其他节点设备进行信令或数据的通信。存储器503可以是高速ram存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器503可选的还可以是至少一个位于远离前述处理器501的存储装置。存储器503中存储一组程序代码，且处理器501用于调用存储器中存储的程序代码，用于执行以下操作：

获取在显示屏幕上的多个按键操作的坐标值，并根据所述坐标值确定特征信息；

将所述特征信息输入到已训练的预测模型中进行预测，确定所述特征信息的分类概率；

根据所述分类概率，确定所述多个按键操作的按键类别。

其中，处理器501还用于执行如下操作步骤：

当所述分类概率大于预设阈值时，确定所述按键类别为模拟按键；

当所述分类概率不大于所述预设阈值时，确定所述按键类别为手工按键。

其中，处理器501还用于执行如下操作步骤：

当确定所述按键类别为模拟按键时，向用户设备发送警告信息，所述警告信息用于提醒用户停止所述模拟按键的游戏操作行为。

其中，处理器501还用于执行如下操作步骤：

对所述多个按键操作进行分组得到多个按键操作分组；

根据所述多个按键操作分组中每个按键操作分组中的每个按键操作的坐标值，确定所述每个按键操作分组的特征信息。

其中，处理器501还用于执行如下操作步骤：

将所述每个按键操作分组的特征信息输入到已训练的预测模型中进行预测，确定所述每个按键操作分组中多个按键操作的坐标值之间的离散度；

根据所述离散度，确定所述分类概率。

其中，处理器501还用于执行如下操作步骤：

获取多个模拟按键的第一坐标值并根据所述第一坐标值确定第一特征，获取多个人工按键的第二坐标值并根据所述第二坐标值确定第二特征；

将所述第一特征以及所述第二特征输入到待训练模型中进行训练得到所述预测模型。

需要说明的是，本申请实施例同时也提供了一种存储介质，该存储介质用于存储应用程序，该应用程序用于在运行时执行图2和图3所示的一种按键检测方法中电子设备执行的操作。

需要说明的是，本申请实施例同时也提供了一种应用程序，该应用程序用于在运行时执行图2和图3所示的一种按键检测方法中电子设备执行的操作。

需要说明的是，对于前述的各个方法实施例，为了简单描述，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，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。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是本申请所必须的。

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细描述的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(英文：read-onlymemory，简称：rom)、随机存取器(英文：randomaccessmemory，简称：ram)、磁盘或光盘等。

以上对本申请实施例所提供的内容下载方法及相关设备、系统进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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申请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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。