银行后台任务跑批时间的相关性分析方法及装置与流程

本发明涉及计算机应用与银行技术领域，特别涉及一种银行后台任务跑批时间的相关性分析方法及装置。

背景技术：

目前，银行系统的安全性和高效性就尤为重要，其中安全性更是银行系统的命脉，但是即使如此，银行方面大规模的故障仍时有发生。并且大规模的故障往往不是由前台的工作失误造成的，因为银行前台周全的交易步骤几乎可以杜绝人为失误的发生，而即使失误发生也是一两笔交易的小规模的错误。大规模的故障往往都是由后台的系统的故障造成的。因此，想要更加有效的避免银行故障的发生，我们应该着重从后台系统下手。但是银行后台系统往往十分复杂，造成故障的原因更是多种多样，可能由：银行之间的链接网络，系统状态量与系统状态的不匹配，用于运行交易程序的服务器等等产生故障。而其中的一个故障往往会造成一系列的连锁反应，比如，当数据库发生瘫痪时，所有的交易请求就会开始堆积，从而导致服务器的资源不足；相反，如果服务器的内存产生泄漏，那么渐渐的系统资源会越来越少，从而导致数据库的运行所需资源不足，最终瘫痪。由此可见，后端的系统相关性相当复杂，想要通过规则方法直接分析出故障产生的原因几乎不可能。故障产生的次数虽然稀少，但是并不是无规律可循，根据银行方面的经验，在故障发生之前往往系统会产生一些异常的状态，而系统的状态往往比故障更加容易监测，我们可以通过实时的监测分析系统的参数，从而预测故障将会何时发生，这也是人工智能中的一个重要的研究领域。

一个准确的故障预测可以在故障发生之前提前给人们做出警告，从而可以使用例如故障排查、数据备份以及软件硬件设备重启等恰当的方式进行应对。评价一个系统的稳定性可以从可靠性和可用性两个指标来评价。这里可靠性是指系统发生故障的几率，对于银行系统来说可靠性往往是很高的，即极少的情况会发生故障，因此从可靠性的角度很难对系统的性能做出一个提升；而可用性是指故障后，系统恢复所需要的时间的长短，这个性能指标在实际使用的过程中也是十分重要的。通过故障预测方法可以提前预测采取对应措施，从而在一定的可靠性的条件下，加速系统恢复速度，提升系统的可用性，改善系统性能。另一方面，既然我们知道了和故障相关的一些系统参数，那么我们就可以通过对这些参数进行人为限制和调整从而在预先的避免故障的发生，在一定的程度上提高系统额可靠性。

由于银行系统的私密性，因此很难找到针对于银行交易系统的故障预测相关文献。但是故障预测这个问题一直是人工智能领域的一个大方向。人们对于系统故障的预测方法研究历史已经超过了30年，随着系统不断的变得复杂，故障预测的方法也在与时俱进的发展。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种银行后台任务跑批时间的相关性分析方法，该方法可以提高分析的准确度和效率，简单易实现。

本发明的另一个目的在于提出一种银行后台任务跑批时间的相关性分析装置。

为达到上述目的，本发明一方面实施例提出了一种银行后台任务跑批时间的相关性分析方法，包括以下步骤：采集银行系统的交易系统信息，其中，所述交易系统信息包括系统状态量信息和银行周期性任务跑批时间；根据所述交易系统信息和当前交易情况得到跑批时间相关性分析模型的数据集；根据所述跑批时间相关性分析模型的数据集建立跑批时间相关性分析模型，以得到相关性分析结果。

本发明实施例的银行后台任务跑批时间的相关性分析方法，通过银行系统的交易系统信息建立跑批时间相关性分析模型，从而推测出银行后台任务跑批时间与众多系统状态量之间的相关性，提高分析的准确度和效率，简单易实现。

另外，根据本发明上述实施例的银行后台任务跑批时间的相关性分析方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述跑批时间相关性分析模型的计算步骤包括：对所述跑批时间相关性分析模型的数据集进行预处理，得到交易系统信息向量；获取所述交易系统信息向量中各信息量之间的相关度系数并降序排列，以得到相关性分析结果。

进一步地，在本发明的一个实施例中，所述对所述跑批时间相关性分析模型的数据集进行预处理进一步包括：根据银行数据格式使用正则式和关键数据特征匹配去除所述数据集中无关信息；对预处理后的数据集进行归约，以进行特征降维。

进一步地，在本发明的一个实施例中，还包括：如果所述当前交易情况低于第一阈值，则采用绝对误差对所述跑批时间相关性分析模型进行评估；如果所述当前交易情况高于第二阈值，则采用相对误差对所述跑批时间相关性分析模型进行评估，其中，所述第二阈值大于所述第一阈值。

进一步地，在本发明的一个实施例中，所述根据所述跑批时间相关性分析模型的数据集建立跑批时间相关性分析模型，进一步包括：获取所述数据集中跑批时间；分别对所述跑批时间与所述数据集中其它数据进行单独相关性分析，以得到不同性能数据与跑批时间相关性分析的模型代码。

为达到上述目的，本发明另一方面实施例提出了一种银行后台任务跑批时间的相关性分析装置，包括：采集模块，用于采集银行系统的交易系统信息，其中，所述交易系统信息包括系统状态量信息和银行周期性任务跑批时间；获取模块，用于根据所述交易系统信息和当前交易情况得到跑批时间相关性分析模型的数据集；分析模块，用于根据所述跑批时间相关性分析模型的数据集建立跑批时间相关性分析模型，以得到相关性分析结果。

本发明实施例的银行后台任务跑批时间的相关性分析装置，通过银行系统的交易系统信息建立跑批时间相关性分析模型，从而推测出银行后台任务跑批时间与众多系统状态量之间的相关性，提高分析的准确度和效率，简单易实现。

另外，根据本发明上述实施例的银行后台任务跑批时间的相关性分析装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述跑批时间相关性分析模型的计算步骤包括：对所述跑批时间相关性分析模型的数据集进行预处理，得到交易系统信息向量；获取所述交易系统信息向量中各信息量之间的相关度系数并降序排列，以得到相关性分析结果。

进一步地，在本发明的一个实施例中，所述对所述跑批时间相关性分析模型的数据集进行预处理进一步包括：根据银行数据格式使用正则式和关键数据特征匹配去除所述数据集中无关信息；对预处理后的数据集进行归约，以进行特征降维。

进一步地，在本发明的一个实施例中，还包括：评估模块，用于在所述当前交易情况低于第一阈值时，采用绝对误差对所述跑批时间相关性分析模型进行评估，并且在所述当前交易情况高于第二阈值时则采用相对误差对所述跑批时间相关性分析模型进行评估，其中，所述第二阈值大于所述第一阈值。

进一步地，在本发明的一个实施例中，所述分析模块还用于获取所述数据集中跑批时间，并分别对所述跑批时间与所述数据集中其它数据进行单独相关性分析，以得到不同性能数据与跑批时间相关性分析的模型代码。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明一个实施例的银行后台任务跑批时间的相关性分析方法的流程图；

图2为根据本发明一个实施例的银行后台任务跑批时间的相关性分析装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的银行后台任务跑批时间的相关性分析方法及装置，首先将参照附图描述根据本发明实施例提出的银行后台任务跑批时间的相关性分析方法。

图1是本发明一个实施例的银行后台任务跑批时间的相关性分析方法的流程图。

如图1所示，该银行后台任务跑批时间的相关性分析方法包括以下步骤：

在步骤S101中，采集银行系统的交易系统信息，其中，交易系统信息包括系统状态量信息和银行周期性任务跑批时间。

可以理解的是，本发明实施例的方法可以根据银行交易系统后台运维监控工具所采集的交易系统信息(包括系统状态量信息、银行周期性任务跑批时间等信息)，以建立银行后台任务跑批时间与系统状态量之间的相关性分析模型、面向银行后台任务跑批时间与系统状态量的特征归约模型、归约系统状态量与银行后台任务跑批时间量之间的显著性检验分析模型。

在步骤S102中，根据交易系统信息和当前交易情况得到跑批时间相关性分析模型的数据集。

在步骤S103中，根据跑批时间相关性分析模型的数据集建立跑批时间相关性分析模型，以得到相关性分析结果。

可以理解的是，通过状态量与任务跑批时间性能的相关性分析、数据归约和统计显著性检验，挖掘与分析满足条件独立性的交易系统监测状态量信息，可以根据历史数据，从系统环境特征变量中找出影响系统跑批执行时间的因素，并量化每个因素对批处理执行时间的影响程度大小，进而根据系统环境特征变量预测各作业流以及整体的跑批时长，预测粒度以作业流、关键性作业为单位。

其中，在本发明的一个实施例中，跑批时间相关性分析模型的计算步骤包括：对跑批时间相关性分析模型的数据集进行预处理，得到交易系统信息向量；获取交易系统信息向量中各信息量之间的相关度系数并降序排列，以得到相关性分析结果。

可以理解的是，在本发明的实施例中，首先可以对于银行后台交易系统中的交易系统信息进行清洗和去噪，以便高效地提取有效信息。例如，本发明实施例的数据主要是大型商业银行后台所有交易及其发生时间，通过抽取有用的信息包括：当前交易情况、后台任务跑批时间、系统状态量。通过这个步骤可以形成后台任务跑批时间相关性分析模型的数据集，能用来进行下一步的分析。原始的后台数据中包含很多对本研究工作无用的“噪声信息”。在数据预处理中通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。完成数据格式标准化、异常数据清除、错误纠正及重复数据的清除等子任务。在本项目中，根据银行数据格式使用正则式和关键数据特征匹配，去除无关信息。之后对数据进行归约来对数据进行特征降维，减少后续过程的计算量。

进一步地，在本发明的一个实施例中，对跑批时间相关性分析模型的数据集进行预处理进一步包括：根据银行数据格式使用正则式和关键数据特征匹配去除数据集中无关信息；对预处理后的数据集进行归约，以进行特征降维。

举例而言，利用当前数据分析中可靠有效的数据相关性分析方法来完成本模型的计算，以皮尔逊系数为例来演示相关性计算，跑批时间相关性分析模型的计算过程可归纳为以下几个步骤：

步骤S1，对于输入的原始样本，预处理后得到在跑批时间向量等有效信息的向量化表示。

步骤S2，利用皮尔逊相关系数计算方法计算各信息量之间的相关度系数并降序排列。

步骤S3，根据计算结果得出跑批时间和其他后台作业信息的关系。

进一步地，在本发明的一个实施例中，本发明实施例的方法还包括：如果当前交易情况低于第一阈值，则采用绝对误差对跑批时间相关性分析模型进行评估；如果当前交易情况高于第二阈值，则采用相对误差对跑批时间相关性分析模型进行评估，其中，第二阈值大于第一阈值。

也就是说，对于算法效应的评估，我们根据商业银行数据的特点：营业高峰期时每秒交易量可能有成千上万笔，而在凌晨时分可能5分钟内只有两三笔交易。使用了绝对误差与相对误差结合的方式进行评价。具体是当交易量低于某个阈值时，我们采用绝对误差来评判：

Δ＝X-L，

其中X是预测值，L是实际的每秒事务处理量，在交易量高于某个阈值时，可以使用相对误差：

具体地，下面对相关性进行详细描述，具体如下：

(1)回归

回归，研究一个随机变量Y对另一个(X)或者一组(X1，X2，…，Xk)变量的相依关系的分析方法。通常称Y为因变量，Xk为自变量。回归分析是一类数学模型。回归分析的主要内容是从一组数据出发确定某些变量之间的定量关系式，即建立数学模型并估计其中的未知参数。利用所求的模型对某一生产过程进行预测或控制。

(2)机器学习

机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析等多门学科。机器学习理论主要是分析和设计一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中设计了大量的统计学理论，机器学习与统计推断学联系尤为密切，也称为统计学习理论。

(3)相关分析

相关分析(correlation analysis)，相关分析是研究对象之间是否存在某种依赖关系，并对具体有依存关系的现象探讨其相关方向及其相关程度，是研究随机变量之间的相关关系的一种统计方法。

相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。

相关分析一般指的是线性相关分析。

(4)正相关

如果X和Y变化方向一致，如身高与体重的关系，r>0；一般地，|r|>0.95，存在显著性相关；|r|>＝0.8，高度相关；0.5<＝|r|<0.8，中度相关；0.3<＝|r|<0.5，低度相关；|r|<0.3，关系极弱，认为不相关。

(5)负相关

如果X和Y的方向相反，如吸烟与肺功能的关系，r<0。

(6)皮尔逊相关系数

在统计学中，皮尔逊相关系数(Pearson product-moment correlation coefficient)用于度量两个变量X和Y之间的相关，值介于-1和1之间。

两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商：

上式定义了总体相关系数，常用希腊小写字母p作为代表符号。估算样本的协方差和标准差，可得到样本相关系数，常用英文小写字母r代表：

r亦可由(Xi,Yi)样本点的标准分数均值估计，得到与上式等价的表达式：

皮尔逊相关系数的变化范围为-1到1。系数的值为1意味着X和Y可以很好的由直线方程来描述，所有的数据点都很好的落在一条直线上，且Y随着X的增加而增加。系数的值为-1意味着所有的数据点都落在直线上，且Y随着X的增加而减少。系数的值为0意味着两个变量之间没有线性关系。

(7)斯皮尔曼等级相关系数

在统计学中，斯皮尔曼等级相关系数是衡量两个变量的依赖性的非参数指标。它利用单调方程评价两个统计变量的相关性。如果数据中没有重复值，并且当两个变量完全单调相关时，斯皮尔曼相关系数则为+1或-1。

斯皮尔曼相关系数被定义成等级变量之间的皮尔逊相关系数。对于样本容量为n的样本，n个原始数据Xi，Yi被转换成等级数据xi,yi，相关系数p为：

原始数据依据其在总体数据中平均的降序位置，被分配了一个相应的等级。斯皮尔曼相关也可称为"级别相关"；也就是说，被观测数据的"等级"被替换成"级别"。在连续的分布中，被观测数据的级别，通常总是小于等级的一半。然而，在这个案例中，级别和等级相关系数是一致的。更一般的，被观测数据的"级别"与估计的总体样本的比值小于给定的值，即被观测值的一半。也就是说，它是相应的等级系数的一种可能的解决方案。虽然不常用，"级别相关"还是仍然有被使用。

斯皮尔曼相关系数表明X(独立变量)和Y(依赖变量)的相关方向。如果当X增加时，Y趋向于增加,斯皮尔曼相关系数则为正。如果当X增加时，Y趋向于减少,斯皮尔曼相关系数则为负。斯皮尔曼相关系数为零表明当X增加时Y没有任何趋向性。当X和Y越来越接近完全的单调相关时，斯皮尔曼相关系数会在绝对值上增加。当X和Y完全单调相关时,斯皮尔曼相关系数的绝对值为1。完全的单调递增关系意味着任意两对数据Xi,Yi和Xj,Yj,有Xi-Xj和Yi-Yj总是同号。完全的单调递减关系意味着任意两对数据Xi,Yi和Xj,Yj,有Xi-Xj和Yi-Yj总是异号。

斯皮尔曼相关系数经常被称作"非参数"的。这里有两层含义。首先，当X和Y的关系是由任意单调函数描述的，则它们是完全皮尔逊相关的。与此相应的，皮尔逊相关系数只能给出由线性方程描述的X和Y的相关性。其次，斯皮尔曼不需要先验知识(也就是说,知道其参数)便可以准确获取X and Y的采样概率分布。

(8)肯德尔等级相关系数

肯德尔相关系数是一个用来测量两个随机变量相关性的统计值。一个肯德尔检验是一个无参数假设检验，它使用计算而得的相关系数去检验两个随机变量的统计依赖性。肯德尔相关系数的取值范围在-1到1之间，当τ为1时，表示两个随机变量拥有一致的等级相关性；当τ为-1时，表示两个随机变量拥有完全相反的等级相关性；当τ为0时，表示两个随机变量是相互独立的。

假设两个随机变量分别为X、Y(也可以看作两个集合)，它们的元素个数均为N，两个随即变量取的第i(1<＝i<＝N)个值分别用Xi、Yi表示。X与Y中的对应元素组成一个元素对集合XY，其包含的元素为(Xi,Yi)(1<＝i<＝N)。当集合XY中任意两个元素(Xi,Yi)与(Xj,Yj)的排行相同时(也就是说当出现情况1或2时；情况1：Xi>Xj且Yi>Yj，情况2：Xi<Xj且Yi<Yj)，这两个元素就被认为是一致的。当出现情况3或4时(情况3：Xi>Xj且Yi<Yj，情况4：Xi<Xj且Yi>Yj)，这两个元素被认为是不一致的。当出现情况5或6时(情况5：Xi＝Xj，情况6：Yi＝Yj)，这两个元素既不是一致的也不是不一致的：

进一步地，在本发明的一个实施例中，根据跑批时间相关性分析模型的数据集建立跑批时间相关性分析模型，进一步包括：获取数据集中跑批时间；分别对跑批时间与数据集中其它数据进行单独相关性分析，以得到不同性能数据与跑批时间相关性分析的模型代码。

也就是说，本发明实施例的方法的主要目的是给出大型商业银行交易系统信息与银行后台任务跑批时间的相关性分析模型，即在银行提供的原始数据的基础上，首先得到每天的跑批时间，其次对各种系统数据与跑批时间相关性进行单独分析，最后开发对于不同性能数据与跑批时间相关性分析的模型代码。

综上，在相关性模型训练完成后，已计算得到的相关性规则就形成了该跑批任务时间相关性模型，对于新的需要测试的跑批任务，只需输入至已建立的相关性模型中进行后台任务跑批时间相关性分析，即能得到其相应的相关性分析结果。根据该数据集建立的相关性模型可以直观地可视化得到各数据之间的关系。

根据本发明实施例的银行后台任务跑批时间的相关性分析方法，通过银行系统的交易系统信息建立跑批时间相关性分析模型，从而推测出银行后台任务跑批时间与众多系统状态量之间的相关性，提高分析的准确度和效率，简单易实现。

其次参照附图描述根据本发明实施例提出的银行后台任务跑批时间的相关性分析装置。

图2是本发明一个实施例的银行后台任务跑批时间的相关性分析装置的结构示意图。

如图2所示，该银行后台任务跑批时间的相关性分析装置10包括：采集模块100、获取模块200和分析模块300。

其中，采集模块100用于采集银行系统的交易系统信息，其中，交易系统信息包括系统状态量信息和银行周期性任务跑批时间。获取模块200用于根据交易系统信息和当前交易情况得到跑批时间相关性分析模型的数据集。分析模块300用于根据跑批时间相关性分析模型的数据集建立跑批时间相关性分析模型，以得到相关性分析结果。本发明实施例的装置10可以建立跑批时间相关性分析模型，从而推测出银行后台任务跑批时间与众多系统状态量之间的相关性，提高分析的准确度和效率，简单易实现。

进一步地，在本发明的一个实施例中，跑批时间相关性分析模型的计算步骤包括：对跑批时间相关性分析模型的数据集进行预处理，得到交易系统信息向量；获取交易系统信息向量中各信息量之间的相关度系数并降序排列，以得到相关性分析结果。

进一步地，在本发明的一个实施例中，对跑批时间相关性分析模型的数据集进行预处理进一步包括：根据银行数据格式使用正则式和关键数据特征匹配去除数据集中无关信息；对预处理后的数据集进行归约，以进行特征降维。

进一步地，在本发明的一个实施例中，本发明实施例的装置10还包括：评估模块。其中，评估模块用于在当前交易情况低于第一阈值时，采用绝对误差对跑批时间相关性分析模型进行评估，并且在当前交易情况高于第二阈值时则采用相对误差对跑批时间相关性分析模型进行评估，其中，第二阈值大于第一阈值。

进一步地，在本发明的一个实施例中，分析模块300还用于获取数据集中跑批时间，并分别对跑批时间与数据集中其它数据进行单独相关性分析，以得到不同性能数据与跑批时间相关性分析的模型代码。

需要说明的是，前述对银行后台任务跑批时间的相关性分析方法实施例的解释说明也适用于该实施例的银行后台任务跑批时间的相关性分析装置，此处不再赘述。

例如，本发明实施例的大型商业银行后台任务跑批时间相关性分析装置，可以对银行后台所有交易及其交易发生时间数据进行分析，分析提取后台数据的相关性。在此基础上建立后台任务跑批时间相关性模型，能够对新出现的数据进行归纳总结。

需要说明的是，本发明实施例可以采用数据预处理与清洗技术，皮尔逊相关系数计算、肯德尔等级相关系数计算技术等核心技术，其中，这些算法和图形用户界面等功能模块均在Windows下用C++、java等语言开发实现。

另外，基于上述开发平台，整个后台任务跑批时间相关性分析系统的部署运行需要如下几个层次运行环境的支撑。首先在操作系统层，预测系统需要在Windows XP或其兼容的操作系统平台之上运行；同时还需要程序运行支撑环境，也就是java运行支撑环境。只有具备了上述支撑环境，后台任务跑批时间相关性分析系统才能正常地运行。而系统的使用者只需要通过本地运行系统就能看到预测后的相关性分析结果。

根据本发明实施例的银行后台任务跑批时间的相关性分析装置，通过银行系统的交易系统信息建立跑批时间相关性分析模型，从而推测出银行后台任务跑批时间与众多系统状态量之间的相关性，提高分析的准确度和效率，简单易实现。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

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。在本发明的描述中，“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。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

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。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。