异常分析处理方法、装置及存储介质与流程

本发明涉及运维技术领域，尤其涉及一种异常分析处理方法、装置及存储介质。

背景技术：

伴随着it的规模化、多样化，it系统的故障识别和及时处理变得至关重要。目前的it系统的运维和监控主要基于“问题定义-指标监控-触发报警”的过程实现。大多数情况下，故障处理还是需要大量的人工干预。

传统的处理方法主要针对基础设施层面的问题(如主机、网络、虚拟化环境)，再结合人工干预以解决故障问题，完成效果尚可。但对于拥有更为复杂的技术架构的软件应用系统而言，则面临较大的挑战。传统的处理方法难以快速地对问题进行分析，并给出准确的解决方案，且对系统管理人员的能力要求更高。

技术实现要素：

本发明提供的异常分析处理方法、装置及存储介质，实现对系统异常问题的自动分析与处理，无需运维人员人工干预，大大节约了系统解决异常问题的时间。

本发明的第一方面提供一种异常分析处理方法，包括：

获取系统实时的监控指标；

判断所述监控指标是否满足预设指标收集条件，若满足则收集所述监控指标对应的指标信息；

对所述指标信息进行综合分析，确定解决所述系统异常的处理方案；

执行所述处理方案。

在一种可能的实现方式中，所述指标信息包括日志信息；所述对所述指标信息进行综合分析，确定解决所述系统异常的处理方案，包括：

对所述日志信息进行语义分析，提取第一关键特征文本；

根据所述第一关键特征文本确定技术分类；

根据所述技术分类在备选问题特征库中确定第二关键特征文本；

所述确定解决所述系统异常的处理方案，包括：

根据所述第二关键特征文本在备选处理方案库中确定解决所述系统异常的处理方案。

在一种可能的实现方式中，所述根据所述技术分类在备选问题特征库中确定第二关键特征文本，包括：

在所述备选问题特征库中提取与所述技术分类对应的第三关键特征文本；

计算所述第一关键特征文本与所述第三关键特征文本的文本相似度；

将所述文本相似度大于等于预设文本相似度的所述第三关键特征文本作为所述第二关键特征文本。

在一种可能的实现方式中，若不存在所述文本相似度大于等于预设文本相似度的所述第三关键特征文本，或者，存在所述文本相似度大于等于预设文本相似度的所述第三关键特征文本但所述备选处理方案中不存在对应的处理方案；

所述确定解决所述系统异常的处理方案，包括：

提示运维人员根据所述第一关键特征文本确定所述系统异常的处理方案。

在一种可能的实现方式中，所述提示运维人员根据所述第一关键特征文本确定所述系统异常的处理方案之后，还包括：

将运维人员确定的处理方案存放到所述备选处理方案库中；

相应的，将所述第一关键特征文本对应的指标信息存放到所述备选问题特征库中。

在一种可能的实现方式中，所述方法还包括：

从所述备选处理方案库中提取所述运维人员确定的处理方案，以及，从所述备选问题特征库中提取所述第一关键特征文本对应的指标信息；

将所述运维人员确定的处理方案以及所述第一关键特征文本对应的指标信息输入到机器学习模型中进行训练，得到训练后的机器学习模型；所述机器学习模型用于提供分析方法。

在一种可能的实现方式中，所述对所述指标信息进行综合分析，确定解决所述系统异常的处理方案，包括：

根据所述机器学习模型提供的分析方法，对所述指标信息进行综合分析，确定解决所述系统异常的处理方案。

本发明的第二方面提供一种异常分析处理装置，包括：

获取模块，用于获取系统实时的监控指标；

判断模块，用于判断所述监控指标是否满足预设指标收集条件，若满足则信息收集模块，用于收集所述监控指标对应的指标信息；

信息分析模块，用于对所述指标信息进行综合分析，方案确定模块，用于确定解决所述系统异常的处理方案；

执行模块，用于执行所述处理方案。

本发明的第三方面提供一种异常分析处理装置，包括：

存储器；

处理器；以及

计算机程序；

其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如本发明第一方面任一项所述的异常分析处理方法。

本发明的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如本发明第一方面任一项所述的异常分析处理方法。

本发明实施例提供一种异常分析处理方法、装置及存储介质，通过获取系统实时的监控指标，判断监控指标是否满足预设指标收集条件，若满足则收集监控指标对应的指标信息，对指标信息进行综合分析，在确定解决系统异常的处理方案后，执行该处理方案。上述方法实现了智能化异常分析处理，降低了系统人工参与的程度，大大节约了系统解决异常问题的时间，降低了系统的运营风险。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1为本发明一实施例提供的异常分析处理方法的应用场景示意图；

图2为本发明一实施例提供的异常分析处理方法的流程示意图；

图3为本发明另一实施例提供的异常分析处理方法的流程示意图；

图4为本发明一实施例提供的异常分析处理装置的结构示意图；

图5为本发明另一实施例提供的异常分析处理装置的结构示意图；

图6为本发明一实施例提供的异常分析处理装置的硬件结构示意图。

通过上述附图，已示出本发明明确的实施例，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发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

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发明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、本发明的一些方面相一致的装置和方法的例子。

本发明的说明书和权利要求书中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明中的“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本发明的说明书中通篇提到的“一实施例”或“另一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一实施例中”或“本实施例中”未必一定指相同的实施例。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本发明实施例提供的异常分析处理方法及装置，能够自动分析待监测系统的异常问题，并提供处理异常问题的解决方案，实现智能化异常分析处理，降低了系统人工参与的程度，大大节约了系统解决异常问题的时间，降低了待监测系统运营风险。

图1为本发明一实施例提供的异常分析处理方法的应用场景示意图，如图1所示，本实施例提供的异常分析处理方法应用于异常分析处理装置，该装置可以通过软件和/或硬件实现。

异常分析处理装置分别与待监测系统、外部系统连接，异常分析处理装置从待监测系统获取实时的监测数据，根据监测数据确定系统是否存在异常，若判断系统存在异常时，则进一步根据监测数据确定异常类型以及该异常类型对应的处理方案，并执行处理方案以消除系统异常。

需要指出的是，本实施例的异常分析处理装置通过互联网与外部系统连接，获取外部系统共享的异常监测数据与异常监测数据对应的处理方案，并将获取到的异常监测数据存放到异常分析处理装置的备选问题特征库中，同时，将获取到的异常监测数据对应的处理方案存放到异常分析处理装置的备选处理方案库中，以便异常分析处理装置根据待监测系统的实时监测数据进行综合分析，实现在待监测系统出现异常时自动进行系统的异常分析和处理。

本实施例的外部系统包括日志服务器、apm监控系统等。

下面以具体地实施例对本发明提供的异常分析处理方法进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图2为本发明一实施例提供的异常分析处理方法的流程示意图，如图2所示，本实施例提供的异常分析处理方法包括如下步骤：

s201、获取系统实时的监控指标；

在本实施例中，异常分析处理装置实时获取待监测系统的各项监控指标，其中，监控指标包括但不限于cpu利用率、内存使用率、磁盘的每秒读写次数、数据库连接数、缓存命中率。

s202、判断监控指标是否满足预设指标收集条件，若满足则收集监控指标对应的指标信息；

异常分析处理装置根据预设指标收集条件确定是否触发收集监控指标对应的指标信息。具体的，判断监控指标的指标值是否落在预设指标收集范围内，若是，则收集监控指标对应的指标信息。其中，监控指标可以是一个，也可以是多个，对此本实施例不作具体限定。

若监控指标为一个，判断该监控指标的指标值是否落在预设指标收集范围内，例如判断监控指标的指标值是否大于等于第一阈值，或者，是否小于等于第二阈值，或者，是否落在第一阈值与第二阈值之间。

若监控指标为多个，判断每个监控指标的指标值是否落在各自的预设指标收集范围内，当多个监控指标同时满足各自的预设指标收集条件，则收集多个监控指标对应的指标信息。

本实施例的指标信息包括日志信息，具体来说，收集的指标信息包括监控指标对应的访问日志、异常日志、内存快照、线程快照等，对此本实施例不作具体限定。

s203、对指标信息进行综合分析，确定解决系统异常的处理方案；

在本实施例中，异常分析处理装置采用语义分析法和相似度计算方法，同时结合备选问题特征库和备选处理方案库的内容，对收集到的指标信息进行综合分析，确定解决系统异常的处理方法。

本实施例的指标信息包括日志信息，具体的分析过程如下：

对日志信息进行语义分析，提取第一关键特征文本；

根据第一关键特征文本确定技术分类；其中，技术分类包括但不限于java类、.net类、python类、c/c++类。

根据技术分类在备选问题特征库中确定第二关键特征文本；具体来说，

在备选问题特征库中提取与技术分类对应的第三关键特征文本；

计算第一关键特征文本与第三关键特征文本的文本相似度；

将文本相似度大于等于预设文本相似度的第三关键特征文本作为第二关键特征文本。其中，

备选问题特征库存放系统的历史指标信息，和/或，从其他外部系统收集的指标信息。具体的，备选问题特征库包括技术分类、关键特征文本、关键特征文本对应的处理方案标识。

可以理解，本实施例的第二关键特征文本是备选问题特征库中与第一关键特征文本的文本相似度较高的特征文本。

在确定出与当前监控指标的指标信息对应的第二关键特征文本之后，异常分析处理装置根据该第二关键特征文本，在备选处理方案库中确定解决系统异常的处理方案。其中，

备选处理方案库存放与系统的历史指标信息对应的处理方案，和/或，从其他外部系统收集的指标信息对应的处理方案。

具体的，备选处理方案库包括关键特征文本标识、处理方案标识、处理命令(脚本)、回退命令(脚本)、处理过程的日志信息等。

本实施例通过从外部系统收集指标信息以及指标信息对应的处理方案，扩充了异常分析处理装置中备选问题特征库和备选处理方案库中的数据，增加了异常分析处理装置自动分析和处理系统异常问题的能力。

需要指出的是，异常分析处理装置根据待监测系统的监控指标，根据预设的收集周期从外部系统中抓取与待监测系统的监控指标相关的指标信息，以及外部系统针对该指标信息采用的处理方案。

本实施例的备选问题特征库和备选处理方案库是自增长的数据库，可通过机器学习，使数据库中的数据越来越符合待监测系统的特点，分析处理异常问题的能力越来越准确、高效、智能，人工参与的程度会逐渐降低。

s204、执行处理方案。

具体的，异常分析处理装置获取确定的解决系统异常的处理方案，执行该处理方案对应的处理命令，同时，记录执行该处理命令的执行日志(即上述处理过程的日志信息)。

本发明实施例提供的异常分析处理方法，通过获取系统实时的监控指标，判断监控指标是否满足预设指标收集条件，若满足则收集监控指标对应的指标信息，对指标信息进行综合分析，在确定解决系统异常的处理方案后，执行该处理方案。上述方法实现了智能化异常分析处理，降低了系统人工参与的程度，大大节约了系统解决异常问题的时间，降低了系统的运营风险。

上述实施例示出的异常分析处理方法是在异常分析处理装置的备选问题特征库中存在与当前指标信息的关键特征文本相似的历史指标信息，且在异常分析处理装置的备选处理方案库中存在该历史指标信息对应的处理方案时的自动化分析处理过程，上述过程不需要人工参与，实现智能化异常分析处理，大大节约了系统解决异常问题的时间。

然而，异常分析处理装置的备选问题特征库以及备选处理方案库是一个自增长的数据库，存在异常处理装置根据系统当前的指标信息无法确定匹配的问题特征以及处理方案的情况，下述实施例示出了针对该情况的异常分析处理方法。

下面结合附图对本实施例提供的异常分析处理方法进行详细说明。

图3为本发明另一实施例提供的异常分析处理方法的流程示意图，如图3所示，本实施例提供的异常分析处理方法包括如下步骤：

s301、获取系统实时的监控指标；

s302、判断监控指标是否满足预设指标收集条件，若满足则收集监控指标对应的指标信息；

本实施例的s301和s302同上述实施例的s201和s202，其实现原理和技术效果同上述实施例，具体可参见上述实施例，此处不再赘述。

s303、对指标信息进行综合分析，若无法确定指标信息对应的处理方案，则提示运维人员确定系统异常的处理方案；

本实施例对指标信息的综合分析过程同上述实施例的s203，具体可参见上述实施例，此处不再赘述。

在一些实施例中，异常分析处理装置中通过备选问题特征库和备选处理方案库，无法确定指标信息对应的推荐处理方案，具体来说：

一种可能的情况，当前指标信息中的第一关键特征文本与备选问题特征库中的指标信息的第二关键特征文本的文本相似度均小于预设文本相似度，也就是说，不存在文本相似度大于等于预设文本相似度的第三关键特征文本。此时，备选处理方案库中必然不存在对应的处理方案。

另一种可能的情况，备选问题特征库中存在与当前指标信息中的第一关键特征文本的文本相似度大于等于预设文本相似度的第三关键特征文本，但备选处理方案中不存在第三关键特征文本对应的处理方案。

在出现上述任一情况时，提示运维人员根据所述第一关键特征文本确定系统异常的处理方案。具体的，运维人员可以从备选处理方案库中确定与第一关键特征文本相关的处理方案，也可以根据经验自行制定处理方案。

s304、执行处理方案；

s305、将运维人员确定的处理方案存放到备选处理方案库中，将指标信息存放到备选问题特征库中。

本实施例的备选问题特征库和备选处理方案库是自增长的数据库，可通过机器学习，使数据库中的数据越来越符合待监测系统的特点，分析处理异常问题的能力越来越准确、高效、智能，人工参与的程度会逐渐降低。

本实施例的s304和s305可以同时执行，也可以顺序执行，本实施例的执行顺序仅作为一种示例，本实施例对具体执行顺序不作限定。

本实施例提供的异常分析处理方法，通过获取系统实时的监控指标，判断监控指标是否满足预设指标收集条件，若满足则收集监控指标对应的指标信息，对指标信息进行综合分析，若无法确定指标信息对应的处理方案，则提示运维人员确定系统异常的处理方案。上述过程实现了智能化推荐处理方案失效时，人工参与解决系统异常问题，确保系统的正常运行和稳定性。

可选的，在上述各个实施例的基础上，本实施例提供的异常分析处理方法还包括以下步骤：

从备选处理方案库中提取运维人员确定的处理方案，以及，从备选问题特征库中提取第一关键特征文本对应的指标信息；

将运维人员确定的处理方案以及第一关键特征文本对应的指标信息输入到机器学习模型中进行训练，得到训练后的机器学习模型。

根据机器学习模型提供的分析方法，对指标信息进行综合分析，确定解决系统异常的处理方案。

本实施例示出了异常分析处理装置中的机器学习模型，该机器学习模型用于根据指标信息提供具体的分析方法，其主要功能为：

1)执行机器学习，不断完善机器学习模型的准确度，机器学习模型的训练集主要为现有的备选处理方案库、备选问题特征库、从外部系统中收集到的相关特征文本、问题分类以及处理方案。

2)为信息分析提供语义分析，具体包括关键特征本文的提取、相似度分析和问题以及处理方案的分类算法。

通过上述过程，异常分析处理装置通过内置的机器学习模型获得具体的分析方法和相似度计算方法，对指标信息进行综合分析，从而确定解决系统异常的处理方案，提高了异常分析处理装置解决异常问题的准确性。

下面结合一个具体的实例，对上述实施例提供的异常分析处理方法进行说明。

1、待监测系统中的某应用程序发生宕机故障；

2、异常分析处理装置对系统测试页刷新进行监控，发现连续无响应，触发日志信息收集；

3、对应用程序无响应时间段的日志信息进行综合分析，其中，本例中的日志信息如下：

severe:servlet.service()forservletjspthrewexception

java.lang.outofmemoryerror:permgenspace

severe:anexceptionorerroroccurredinthecontainerduringtherequestprocessing

java.lang.outofmemoryerror:permgenspace

org.apache.tomcat.util.threads.threadpool$controlrunnablerun

severe:caughtexception(java.lang.outofmemoryerror:permgenspace)executingorg.apache.jk.common.channelsocket$socketconnection@4af41d,terminatingthread

对上述日志信息进行语义分析，提取第一关键特征文本，例如提取出现次数最多的语句，得到第一关键特征文本：java.lang.outofmemoryerror:permgenspace。

根据第一关键特征文本确定对应的技术分类为java类；

根据技术分类在备选问题特征库中确定第二关键特征文本，具体来说，在备选问题特征库中提取与java类对应的第三关键特征文本，计算第一关键特征文本与第三关键特征文本的文本相似度。表1为本例中的第三关键特征文本的信息列表。

将文本相似度大于等于0.9的第三关键特征文本作为第二关键特征文本：java.lang.outofmemoryerror:permgenspaceover。

根据确定的第二关键特征文本在备选处理方案库中查找第二关键特征文本对应的处理方案，将该方案作为本例中第一关键特征文本对应的处理方案。该处理方案对应的处理命令(处理脚本)为java虚拟机启动参数permsize增加1g，上限不能超过java堆大小的2分之一，重启应用服务器。

4、执行处理方案。

表1

若步骤3中无法执行自动确认，则通知人工进行问题和处理方案的确定，并将确认后的问题存放到备选问题特征库中，将确定后的处理方案存放到备选处理方案库中。

本发明实施例还提供一种异常分析处理装置，参见图4所示，本发明实施例仅以图4为例进行说明，并不表示本发明仅限于此。

图4为本发明一实施例提供的异常分析处理装置的结构示意图，如图4所示，本实施例提供的异常分析处理装置40包括：

获取模块41，用于获取系统实时的监控指标；

判断模块42，用于判断所述监控指标是否满足预设指标收集条件，若满足则信息收集模块43，用于收集所述监控指标对应的指标信息；

信息分析模块44，用于对所述指标信息进行综合分析；

方案确定模块45，用于确定解决所述系统异常的处理方案；

执行模块46，用于执行所述处理方案。

本发明实施例提供的异常分析处理装置包括获取模块、判断模块、信息收集模块、信息分析模块、方案确定模块以及执行模块。其中，获取模块用于获取系统实时的监控指标，判断模块用于判断监控指标是否满足预设指标收集条件，若满足则信息收集模块用于收集监控指标对应的指标信息，信息分析模块用于对指标信息进行综合分析，方案确定模块用于确定解决系统异常的处理方案，执行模块用于执行该处理方案。上述装置实现了智能化异常分析处理，降低了系统人工参与的程度，大大节约了系统解决异常问题的时间，降低了系统的运营风险。

可选的，所述指标信息包括日志信息；所述信息分析模块44，具体用于：

对所述日志信息进行语义分析，提取第一关键特征文本；

根据所述第一关键特征文本确定技术分类；

根据所述技术分类在备选问题特征库中确定第二关键特征文本；

所述方案确定模块45，具体用于：

根据所述第二关键特征文本在备选处理方案库中确定解决所述系统异常的处理方案。

可选的，所述信息分析模块44，具体用于：

在所述备选问题特征库中提取与所述技术分类对应的第三关键特征文本；

计算所述第一关键特征文本与所述第三关键特征文本的文本相似度；

将所述文本相似度大于等于预设文本相似度的所述第三关键特征文本作为所述第二关键特征文本。

图5为本发明另一实施例提供的异常分析处理装置的结构示意图，在图4所示装置的基础上，若不存在所述文本相似度大于等于预设文本相似度的所述第三关键特征文本，或者，存在所述文本相似度大于等于预设文本相似度的所述第三关键特征文本但所述备选处理方案中不存在对应的处理方案，本实施例提供的异常分析处理装置40，还包括：提示模块47、提取模块48和模型训练模块49，如图5所示。

所述提示模块47，用于提示运维人员根据所述第一关键特征文本确定所述系统异常的处理方案。

可选的，所述提示运维人员根据所述第一关键特征文本确定所述系统异常的处理方案之后，所述执行模块46，还用于：

将运维人员确定的处理方案存放到所述备选处理方案库中；

相应的，将所述第一关键特征文本对应的指标信息存放到所述备选问题特征库中。

可选的，所述提取模块48，用于：

从所述备选处理方案库中提取所述运维人员确定的处理方案，以及，从所述备选问题特征库中提取所述第一关键特征文本对应的指标信息；

所述模型训练模块49，用于将所述运维人员确定的处理方案以及所述第一关键特征文本对应的指标信息输入到机器学习模型中进行训练，得到训练后的机器学习模型；所述机器学习模型用于提供分析方法。

可选的，所述方案确定模块45，具体用于：

根据所述机器学习模型提供的分析方法，对所述指标信息进行综合分析，确定解决所述系统异常的处理方案。

本实施例提供的异常分析处理装置，可以执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本发明实施例还提供一种异常分析处理装置，参见图6所示，本发明实施例仅以图6为例进行说明，并不表示本发明仅限于此。

图6为本发明一实施例提供的异常分析处理装置的硬件结构示意图，如图6所示，本实施例提供的异常分析处理装置60包括：

存储器61；

处理器62；以及

计算机程序；

其中，计算机程序存储在存储器61中，并被配置为由处理器62执行以实现如前述任一项方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

可选的，存储器61既可以是独立的，也可以跟处理器62集成在一起。

当存储器61是独立于处理器62之外的器件时，异常分析处理装置60还包括：

总线63，用于连接存储器61和处理器62。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器62执行以实现如上方法实施例中异常分析处理装置60所执行的各个步骤。

应理解，上述处理器可以是中央处理单元(英文：centralprocessingunit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digitalsignalprocessor，简称：dsp)、专用集成电路(英文：applicationspecificintegratedcircuit，简称：asic)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速ram存储器，也可能还包括非易失性存储nvm，例如至少一个磁盘存储器，还可以为u盘、移动硬盘、只读存储器、磁盘或光盘等。

总线可以是工业标准体系结构(industrystandardarchitecture，isa)总线、外部设备互连(peripheralcomponent，pci)总线或扩展工业标准体系结构(extendedindustrystandardarchitecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(applicationspecificintegratedcircuits，简称：asic)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。