一种云平台下运行环境感知的虚拟机异常检测方法与流程
本发明涉及云计算运维技术领域，具体地说是一种云平台下运行环境感知的虚拟机异常检测方法。
背景技术：
异常检测是指发现数据中与预期行为不一致的模式，这些不一致的模式在不同的应用领域通常被成为异常、异常点、不一致的观察、例外、失常、意外、奇特或污染点。异常检测在许多应用领域有广泛的应用，如信用卡、保险或医疗保健的欺诈检测，网络安全中的入侵检测，安全关键系统的故障检测。
技术实现要素：
本发明的技术任务是针对以上不足之处，提供一种云平台下运行环境感知的虚拟机异常检测方法，能够有效提高异常检测的准确性和实时性。
本发明解决其技术问题所采用的技术方案是：
一种云平台下运行环境感知的虚拟机异常检测方法，根据运行环境向量的相似性对虚拟机进行分类，然后为每一个虚拟机分类建立独立的检测域，在每个检测域中针对虚拟机的点异常进行检测；
该方法采用基于聚类的方法实现基于运行环境相似性的虚拟机分类；基于som网络进行虚拟机状态建模，通过调用som网络的迭代拟合训练算法，实现基于增量som的动态自适应虚拟机异常检测。
针对虚拟机的不同运行环境对异常检测准确性所造成的干扰，本方法将上下文异常检测问题化简为多个检测域内的点异常检测问题，消除了虚拟机的不同运行环境对异常检测所造成的不利影响，提高异常检测的准确率。
云环境下虚拟机的运行环境是动态变化的，导致基于运行环境相似性的检测域(虚拟机聚类结果集)划分也是动态变化的。在这种情况下检测域的划分效率将直接影响检测域中针对虚拟机的异常检测的实时性。本方法改进k-medoids聚类的检测域划分算法，如通过对k-medoids聚类算法在初始化中心点选择和迭代过程中的中心点替换策略进行改进，以及针对som训练过程的初始化进行优化，提高检测域的划分速度，提升异常检测的实时性。
具体的，为了保证各分类(即各检测域)中虚拟机的系统性能指标(ss)足够相似，以便在检测域中进行虚拟机异常检测的准确性，在聚类算法结束后，评估获得的每个分类中的虚拟机的运行环境向量是否足够的相似，通过增加分类数量来优化聚类结果，并重复该步骤直到获得满足条件的虚拟机分类结果(即检测域划分结果)为止。
进一步的，在获得初次的虚拟机分类(即检测域划分)后，如果云数据中心有新的虚拟机被部署或监测到原有虚拟机的运行环境向量发生了变化，为了保证各检测域中虚拟机异常检测的准确性，根据需要对现有检测域的划分进行更新操作，基于虚拟机运行环境相似性的检测域划分中，针对上述变化进行检测域更新时，并不直接重新执行聚类算法，而是在己有分类基础上进行动态调整，即将新部署的虚拟机或者运行环境向量发生变化的原有虚拟机划分到与其距离最近的聚类中心所在的分类(即检测域)。经过多次动态调整后，现有的分类结果质量逐渐下降，通过重新执行改进的k-medoids聚类算法来更新虚拟机分类(即检测域)。
优选的，基于增量som的轻量级的虚拟机状态建模，针对som网络训练过程中的参数的设定方法，引入基于状态模型的虚拟机异常识别方法，使异常监测系统做出异常的二值判断，并对非异常对象给出其在未来一段时间内出现异常的概率。
具体的，调用som网络的迭代拟合训练算法的实现方式如下：
1)对som网络进行初始化：采用随机初始化的方式对som网络中的各神经元的初始化关联权重向量进行初始化定义；
2)、针对特定训练样本sst的som网络训练邻域定义，针对sst，，找到som网络中预期最匹配的神经元c作为本轮的训练域中心；确定训练域中心c后，采用高斯函数作为训练邻域函数；
3)、基于特定训练样本sst的som网络训练，根据步骤2)中定义的邻域，基于训练样本sst对som中处在训练邻域范围内的神经元进行拟合训练；
4)、改进som网络初始化算法：基于一个训练样本集合m，从m中任意选取n×m个样本作为som中神经元关联权重向量的最初值；将m中的训练样本按照当前的相似度进行分配得到相应的集合cij；基于每个cij中的训练样本，针对wij的样本估量值计算新的wij；检查结束条件，满足则停止，将当前的wij值作为som网络中各神经元关联权重向量的初始化值。
优选的，若用som(dx)表示为检测域dx所创建的som网络，设置其大小为n×m，特定检测域基于增量som的动态自适应虚拟机异常检测机制如下：
针对特定的检测域，首先对其som网络中各神经元节点的关联权重向量进行初始化；
每次对dx中的虚拟机的系统性能指标进行测量和采集获得som(dx)的m个训练样本，则采集k＝1000/m次，使得som(dx)达到初步有序化状态；
每当有一个新的虚拟机系统性能指标测量值集合被测量和采集，设集合为ik+1，将该集合中包含的各虚拟机在k+1时刻的系统性能指标值
当达到条件d(t)＜ε时，som(dx)的训练过程结束。
优选的，训练完成之后的指定时间内，当检测域dx中有不大于η％的成员出现变化时，认为此时检测域dx变化较小，则以先前训练获得的som(dx)为基础重新进入收敛阶段，并从变化后的dx中的虚拟机测量和采集系统性能指标向量来对som(dx)进行继续训练，直到满足结束条件d(t)＜ε；
当检测域dx中有超过η％的成员出现变化时，认为检测域dx变化较大，针对变化后的检测域dx重新训练som(dx)；
所述η的取值根据实际引用需求进行调整，η取值越大，som网络对检测域的变化越不敏感，所引发的动态调整越少，但这会降低som网络面对检测域的动态变化时异常识别和检测准确率；η取值越小，som网络对检测域的变化越敏感，引发的动态调整越多会导致较大的计算开销，但这会提高som网络面对检测域的动态变化时异常识别和检测准确率。
优选的，将som(dx)针对检测域dx变化进行动态调整，som(dx)中的神经元节点都有一个变量来记录在迭代拟合训练过程中受其影响的次数，设该变量为taffected，在进入调整之前将原有的som(dx)中各神经元节点的taffected值都赋值为零；而在对som(dx)的动态调整过程中，各神经元节点的taffected值根据训练拟合情况重新进行累计。
如果在变化后的检测域dx中，原先som(dx)中某个神经元nij的关联权重向量所代表的虚拟机常见状态wij现在不再是常见状态了，那么通过上述机制，在调整后的som(dx)中神经元nij的taffected值就会显著变小，表明nij的关联权重向量wij所代表的虚拟机状态不再是一个常见状态。通过上述清零机制，使动态调整后的som(dx)能通过其中各神经元节点的taffected值来正确地表明变化后的dx中虚拟机的常见状态。
本发明还要求保护一种云平台下运行环境感知的虚拟机异常检测装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述的方法。
本发明还要求保护一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述的方法。
本发明的一种云平台下运行环境感知的虚拟机异常检测方法与现有技术相比，具有以下有益效果：
本方法基于虚拟机运行环境相似性的检测域划分过程，采用了基于改进k-medoids聚类算法的检测域划分机制，通过对k-medoids聚类算法在初始化中心点选择和中心点替换策略两个方面的改进，提高了检测域的划分质量和划分速度，从而实现检测域中更好的异常检测效果，并使异常检测系统具有更好的实时性；
针对som网络初始化和训练过程中训练中心点搜索等改进了相应算法，减少som训练计算开销，缩短了som网络训练时间，提升了异常检测系统在高动态云环境下的实时性和自适应能力；在此基础上，改进了用于检测域中虚拟机异常检测的，基于增量som的动态自适应虚拟机异常检测机制。该机制通过采用基于增量som的检测域内虚拟机状态统一建模方法，减少了异常检测所带来的开销，提高了异常检测系统对云环境下大规模虚拟机进行异常检测时的可扩展性，同时解决了som网络训练数据的及时获取问题。
附图说明
图1是本发明一个实施例提供的云平台下运行环境感知的虚拟机异常检测方法的工作流程图；
图2是本发明一个实施例提供的检测策略工作流程图；
图3是本发明一个实施例提供的基于虚拟机运行环境相似性的检测域划分示意图；
图4是本发明一个实施例提供的som网络迭代训练过程示意图；
图5是本发明一个实施例提供的虚拟机异常识别流程图；
图6是本发明一个实施例提供的基于增量som的动态自适应虚拟机异常检测机制的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
在云环境下，用户的应用系统都封装运行在虚拟机中。而这些用户虚拟机通过虚拟机监控器调度管理共同运行在物理服务器上。在虚拟化云环境下需要被检测的实体更多，选择合适的检测实体对异常检测的性能好坏有很大的影响。
本发明把用户虚拟机作为被检测实体，其理由是用户虚拟机的性能状态会受到底层物理服务器状态的影响，也会受到运行在虚拟机内的用户应用系统状态的影响。也就是说物理服务器的故障和用户应用系统的故障都会通过虚拟机系统性能指标的异常反映出来。因此针对处在中间层次的虚拟机系统性能指标进行异常检测有助于发现云环境下不同实体的故障。
在云环境下针对虚拟机的系统性能指标进行异常检测时，为了避免虚拟机不同运行环境对异常检测造成的干扰，需要采用上下文异常检测方法。而最常见的上下文检测方法是将原先的上下文异常检测问题化简为点异常检测问题进行处理。具体到本发明来说，考虑到这样一个事实：具有相似运行环境向量的虚拟机的系统性能指标值是相似的。本发明首先根据运行环境向量的相似性对虚拟机进行分类，然后为每一个虚拟机分类建立独立的检测域，将上下文异常检测问题简化为每个检测域中针对虚拟机的点异常检测问题。
本发明实施例提供一种云平台下运行环境感知的虚拟机异常检测方法，根据运行环境向量的相似性对虚拟机进行分类，然后为每一个虚拟机分类建立独立的检测域，在每个检测域中针对虚拟机的点异常进行检测；
该方法采用基于聚类的方法实现基于运行环境相似性的虚拟机分类；基于som网络进行虚拟机状态建模，通过调用som网络的迭代拟合训练算法，实现基于增量som的动态自适应虚拟机异常检测。
k-medoids算法与k-means算法类似，区别在于中心点的选取，k-means中选取的中心点为当前类中所有点的重心，而k-medoids法选取的中心点为当前cluster中存在的一点，准则函数是当前cluster中所有其他点到该中心点的距离之和最小，这就在一定程度上削弱了异常值的影响，但缺点是计算较为复杂，耗费的计算机时间比k-means多。
som学习方法通过创建一个低维的(通常是二维的)神经网络(也称为som网络)，并将来自目标系统状态数据空间的随机训练样本集对som网络进行训练(即拟合)。而训练完成后的som网络可作为目标系统的状态模型和目标系统状态的识别基准。在本发明中训练som网络的随机训练样本集(无标签)来自虚拟机系统性能指标空间。因为系统各性能指标都可以连续取值，所以该空间可由连续随机变量进行表示。该随机变量的概率密度函数存在高概率密度和低概率密度区域，处在虚拟机系统性能指标空间中高概率密度区域的样本点对应着虚拟机的常态，反之亦然。在som网络训练过程中，处在高概率密度区域的样本点将在随机训练样本集中占据更大比例。根据som训练拟合过程可知，虚拟机的常见状态(即随机训练样本集中频繁出现的样本点)可以被训练后的som网络所拟合，即som网络中神经元对应的当前权重向量(也被称为基准或者参考向量)可以概括性地代表虚拟机的常见状态。
针对虚拟机的不同运行环境对异常检测准确性所造成的干扰，本方法将上下文异常检测问题化简为多个检测域内的点异常检测问题，消除了虚拟机的不同运行环境对异常检测所造成的不利影响，提高异常检测的准确率。
云环境下虚拟机的运行环境是动态变化的，导致基于运行环境相似性的检测域(虚拟机聚类结果集)划分也是动态变化的。在这种情况下检测域的划分效率将直接影响检测域中针对虚拟机的异常检测的实时性。本方法改进k-medoids聚类的检测域划分算法，如通过对k-medoids聚类算法在初始化中心点选择和迭代过程中的中心点替换策略进行改进，以及针对som训练过程的初始化进行优化，提高检测域的划分速度，提升异常检测的实时性。
基于虚拟机运行环境相似性的检测域划分中采用改进的k-medoids聚类算法来对云数据中心的虚拟机进行初次分类，为了保证各分类(即各检测域)中虚拟机的系统性能指标(ss)足够相似，以便在检测域中进行虚拟机异常检测的准确性，在聚类算法结束后，评估获得的每个分类中的虚拟机的运行环境向量是否足够的相似，通过增加分类k来优化聚类结果，并重复该步骤直到获得满足条件的虚拟机分类结果(即检测域划分结果)为止。
在获得初次的虚拟机分类(即检测域划分)后，如果云数据中心有新的虚拟机被部署或监测到原有虚拟机的运行环境向量发生了变化，为了保证各检测域中虚拟机异常检测的准确性，根据需要对现有检测域的划分进行更新操作，基于虚拟机运行环境相似性的检测域划分中，针对上述变化进行检测域更新时，并不直接重新执行聚类算法，而是在己有分类基础上进行动态调整，即将新部署的虚拟机或者运行环境向量发生变化的原有虚拟机划分到与其距离最近的聚类中心所在的分类(即检测域)。经过多次动态调整后，现有的分类结果质量逐渐下降，通过重新执行改进的k-medoids聚类算法来更新虚拟机分类(即检测域)。
基于增量som的轻量级的虚拟机状态建模，针对som网络训练过程中的参数的设定方法，引入基于状态模型的虚拟机异常识别方法，使异常监测系统做出异常的二值判断，并对非异常对象给出其在未来一段时间内出现异常的概率。针对som网络初始化和训练过程中训练中心点搜索等改进了相应算法，减少som训练计算开销，缩短了som网络训练时间，提升了异常检测系统在高动态云环境下的实时性和自适应能力；在此基础上，改进用于检测域中虚拟机异常检测的，基于增量som的动态自适应虚拟机异常检测机制。该机制通过采用基于增量som的检测域内虚拟机状态统一建模方法，减少了异常检测所带来的开销，提高了异常检测系统对云环境下大规模虚拟机进行异常检测时的可扩展性，同时解决了som网络训练数据的及时获取问题。
下面以具体实施例更好的说明该方法的具体实现过程：
1、采用基于聚类的方法来实现基于运行环境相似性的虚拟机分类。在具体的聚类算法的选择上，采用k-medoids聚类算法。与k-means算法相比，k-medoids算法不容易受到噪音数据的影响，能得到更好的聚类效果。为了进一步提高聚类质量和效率，本发明改进了k-medoids算法中初始化中心点的选择和中心点替换策略。基于改进k-medoids聚类的检测域划分算法的思想。为了方便描述，先做如下符号设定：符号uvm表示待分类的用户虚拟机的集合，vmi∈uvm，i＝1，2，3，...，n表示uvm中的一个特定虚拟机，n表示uvm中虚拟机的数量；用符号rei表示虚拟机vmi的运行环境向量；用符号d来表示两个虚拟机运行环境向量间的相似性。如果以任意的两个虚拟机vmx和xmy为例，d可按如下公式进行定义:d(vmx，vmy)＝||rex-rey||。||*||表示两个向量间的欧几里得距离，即虚拟机的运行环境向量间的距离越小，表示它们的相似度越高，反之亦然。
2、中心点初始化：根据上述定义，改进k-medoids聚类算法。
1)、计算uvm中虚拟机的密度，具体的针对特定虚拟机vmi∈uvm；
2)、从uvm中选择k个虚拟机作为初始化聚类中心：用符号medoidh，h＝1，2，3，...，k来表示聚类中心，则选择过程如下：在uvm中选择具有最大密度值的虚拟机作为medoid1；
3)、根据运行环境向量的相似性，将uvm中剩余的n-k个虚拟机分配到与它们运行环境向量最相似的聚类中心点，形成初始化的k个分类ch，h＝1，2，3，…，k；
4)、根据当前分类结果，计算平方误差和σ。
3、更新聚类中心。
1)、针对每一个当前的聚类中心medoidh，h＝1，2，3，...，k，确定更新medoidh时在uvm中寻找新聚类中心点的搜索邻域，用符号snh表示medoidh更新时的搜索邻域，并定义变量m为限制snh范围的参数；
2)、针对每个medoidh，在对应的snh中寻找新的聚类中心
4、形成新的聚类结果。
1)、根据新获得的聚类中心
2)、根据本轮聚类更新后新获得的分类结果计算平方误差和σnew，并根据σnew和先前的平方误差和σ之间的关系进行不同操作；
4)、聚类中心应该处在被聚类的样本点密度大的区域中，并且不同聚类以及他们中心点间存在较大的差异，因此在上面描述的步骤2)中，用那些密度最大且相互间距离最大的点作为聚类的初始化中心点，这样的初始化策略可以让初始化中心更接近于实际的聚类中心，加快聚类算法的收敛速度，减少聚类算法的迭代次数和执行时间。
5、调用som网络的迭代拟合训练算法。
1)、对som网络进行初始化：采用随机初始化的方式对som网络中的各神经元的初始化关联权重向量进行初始化定义；
2)、针对特定训练样本sst的som网络训练邻域定义，针对sst，找到som网络中预期最匹配的神经元c作为本轮的训练域中心；确定训练域中心c后，采用高斯函数作为训练邻域函数；
3)、基于特定训练样本sst的som网络训练，根据2)中定义的邻域，基于训练样本sst对som中处在训练邻域范围内的神经元进行拟合训练；
4)、改进som网络初始化算法：基于一个训练样本集合m，从m中任意选取n*n个样本作为som中神经元关联权重向量的最初值；将m中的训练样本按照当前的相似度进行分配得到相应的集合cij；基于每个cij中的训练样本，针对wij的样本估量值计算新的wij；检查结束条件，满足则停止，将当前的wij值作为som网络中各神经元关联权重向量的初始化值。
6、特定检测域dx＝{vm1，vm2，vm3，....，vmm}基于增量som的动态自适应虚拟机异常检测机制如下：用som(dx)表示为检测域dx所创建的som网络，并仍然设置其大小为n×n；
1)、如附图6所示，针对特定的检测域dx，首先需要对som(dx)中各神经元节点的关联权重向量wij，i，j＝1，2，3，...，n，进行初始化。考虑到云数据中心虚拟机数量庞大，可以认为划分的每个检测域中所包含的虚拟机数量都是足够多的，具体到例举的检测域dx，即dx的规模是远大于som(dx)中神经元节点个数(m>>n×n)。那么在初始化时，可以从测量和采集的系统性能指标向量测量值集合i1中随机选择n×n个作为som(dx)中各神经元节点的初始化权重向量wij(0)，i，j＝1，2,，3，...，n。
2)、在som(dx)训练的初步有序化阶段，通常需要至少1000次的迭代训练(即至少需要1000各训练样本)才能使som(dx)达到初步有序化状态，即基本上可以用于虚拟机异常状态的识别。由于针对单个虚拟机只能按时间序列顺序单个的测量和采集训练样本，因此其所对应的som网络需要较长时间才能达到初步有序化状态。在本异常检测机制中，每次对dx中的虚拟机的系统性能指标进行测量和采集都可以获得som(dx)的m个训练样本，因此只需采集k＝1000/m次就可以获得足够多的训练样本(即：i1，...，ik)使得som(dx)达到初步有序化状态。表明在本虚拟机异常检测机制中，检测域dx对应的som(dx)能够在较短时间内达到初步有序化状态，并及时的用于检测域内虚拟机的异常状态识别。
3)、当som(dx)达到初步有序状态后，便可用于检测域dx中虚拟机的异常状态识别。每当有一个新的虚拟机系统性能指标测量值集合(如:ik+1)被测量和采集，将ik+1中包含的各虚拟机在k+1时刻的系统性能指标测量值
4)、如附图6所示，当到达条件d(t)<ε时，som(dx)的训练过程结束。如果训练域dx不发生变化，可以依据当前从检测域dx测量和采集的系统性能指标测量值集合ic，并基于som(dx)来实现检测域dx中虚拟机的异常状态识别。
7、由于虚拟机的运行环境向量时常会发生变化，根据虚拟机分类(即检测域划分)方法，云数据中心的检测域划分会经常发生变化。仍然以上面的检测域dx为例进行说明，检测域dx的变化主要分为以下三种方式：a、原有虚拟机由于运行环境向量发生变化被划分到其它检测域中；b、原有虚拟机的运行环境向量发生变化，但仍然被划分在检测域dx中；c、根据运行环境向量相似性，新的虚拟机被划分到检测域dx中；
1)、在基于增量som的动态自适应虚拟机异常检测机制中，考虑到检测域的划分具有一定的稳定性，即会在一段时间内保持状态不变，假设在som(dx)训练过程中检测域dx是不会发生变化。如附图6所示，在训练完成之后的一段时间内，当检测域dx中有不大于η％的成员出现变化时，认为此时检测域dx变化较小，我们并不针对变化后的检测域dx重新训练som(dx)，而是以先前训练获得的som(dx)为基础重新进入收敛阶段，并从变化后的dx中的虚拟机测量和采集系统性能指标向量来对som(dx)进行继续训练，直到满足结束条件d(t)<ε。这一过程实现了som(dx)针对检测域dx变化的动态调整。与完全重新训练som(dx)相比，该种动态调整方式所需要的迭代训练次数要少得多(避免了初步有序阶段)，明显加快了异常检测系统针对检测域动态变化调整速度，提高了适应性。而当检测域dx中有超过η％的成员发生变化时，认为检测域dx变化较大，需要针对变化后的检测域dx重新训练som(dx)。
2)、η的取值可根据实际引用需求进行调整。η取值越大，som网络对检测域的变化越不敏感，所引发的动态调整越少，但这会降低som网络面对检测域的动态变化时异常识别和检测准确率；η取值越小，som网络对检测域的变化越敏感，引发的动态调整越多会导致较大的计算开销，但这会提高som网络面对检测域的动态变化时异常识别和检测准确率。
3)、som(dx)中的神经元节点都有一个变量taffected来记录在迭代拟合训练过程中其受到影响的次数，taffected越大表明了神经元的关联权重向量所代表的虚拟机状态越常见，反之亦然。显然，当检测域dx发生变化后，其包含的虚拟机的状态也会发生变化，即原来的常见的状态现在可能变为非常见状态(即异常状态)。因此，为了配合实现som(dx)针对检测域dx变化的动态调整，在som(dx)的调整过程中我们还需要为som(dx)中的神经元节点引入一种针对taffected的清零机制，即在进入调整过程之前将原有som(dx)中各神经元节点的taffected值都赋值为零。而在对som(dx)的动态调整过程中，各神经元节点的taffected值会根据训练拟合情况重新进行累计。如果在变化后的检测域dx中，原先som(dx)中某个神经元nij的关联权重向量所代表的虚拟机常见状态wij现在不再是常见状态了，那么通过上述机制，在调整后的som(dx)中神经元nij的taffected值就会显著变小，表明nij的关联权重向量wij所代表的虚拟机状态不再是一个常见状态。通过上述清零机制，使动态调整后的som(dx)能通过其中各神经元节点的taffected值来正确地表明变化后的dx中虚拟机的常见状态。
本发明实施例还提供了一种云平台下运行环境感知的虚拟机异常检测装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行本发明上述实施例中所述的云平台下运行环境感知的虚拟机异常检测方法。
本发明实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行本发明上述实施例中所述的云平台下运行环境感知的虚拟机异常检测方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！