一种网站访问量预测方法、装置及设备与流程
本说明书实施例涉及大数据技术领域，特别涉及一种网站访问量测试方法、装置及设备。
背景技术：
随着计算机技术与信息技术的发展，互联网已经成为了用户获取服务的一个重要途径。多种类型的网站应运而生，用于满足用户的不同需求。不同的网站也具有不同的访问量，一些较为热门的网站往往具有较大的访问量，对于网络带宽和服务器等设备也有着较高的要求。因此，通过对网站访问量进行预测，来配置相应的网络和计算设备，能够有效避免网站在大流量冲击下瘫痪的情况，具有重要的意义。
目前在预测网站访问量时，往往直接基于实时获取的网站访问量数据，将增量预测的结果作为最终的预测结果。这样的预测方式虽然能在一定程度上保障网站的缓冲能力，但往往需要额外配置限制的计算资源和网络带宽，从而造成资源的浪费。此外，针对访问量突增的情况也无法有效进行应对，也存在一定的网站瘫痪的风险。因此，目前亟需一种能够准确对网站访问量进行预测的方法。
技术实现要素：
本说明书实施例的目的是提供一种网站访问量预测方法、装置及设备，以解决如何提高网站访问量的预测准确度的问题。
为解决上述技术问题，本说明书实施例提供一种网站访问量预测方法，包括：获取历史访问数据；所述历史访问数据包括在采样时段内至少两个时刻对应于目标网站的访问量；基于所述历史访问数据构建访问量变化关系；所述访问量变化关系用于表示访问量随时间的变化情况；从所述访问量变化关系中提取至少一个访问量特征；所述访问量特征用于描述访问量的变化趋势；利用所述访问量特征确定所述历史访问数据对应的数据类别；通过所述数据类别和所述访问量特征预测所述目标网站的预期访问量。
本说明书实施例还提出一种网站访问量预测装置，包括：历史访问数据获取模块，用于获取历史访问数据；所述历史访问数据包括在采样时段内至少两个时刻对应于目标网站的访问量；访问量变化关系构建模块，用于基于所述历史访问数据构建访问量变化关系；所述访问量变化关系用于表示访问量随时间的变化情况；访问量特征提取模块，用于从所述访问量变化关系中提取至少一个访问量特征；所述访问量特征用于描述访问量的变化趋势；数据类别确定模块，用于利用所述访问量特征确定所述历史访问数据对应的数据类别；预期访问量预测模块，用于通过所述数据类别和所述访问量特征预测所述目标网站的预期访问量。
本说明书实施例还提出一种网站访问量预测设备，包括存储器和处理器；所述存储器，用于存储计算机程序指令；所述处理器，用于基于所述计算机程序指令实现以下步骤：获取历史访问数据；所述历史访问数据包括在采样时段内至少两个时刻对应于目标网站的访问量；基于所述历史访问数据构建访问量变化关系；所述访问量变化关系用于表示访问量随时间的变化情况；从所述访问量变化关系中提取至少一个访问量特征；所述访问量特征用于描述访问量的变化趋势；利用所述访问量特征确定所述历史访问数据对应的数据类别；通过所述数据类别和所述访问量特征预测所述目标网站的预期访问量。
由以上本说明书实施例提供的技术方案可见，本说明书实施例基于针对目标网站的历史访问数据，构建相应的访问量变化关系，并根据访问量变化关系中所体现出的访问量特征，实现对于不同的历史访问数据的分类，通过所述数据类别和访问量特征能够有效实现对应于所述目标网站的访问量的预测。上述方法能够在变化图中直观地获取历史访问数据所对应的类别，进而根据类别所反映的变化趋势以及访问量情况实现访问量的预测，从而提高了访问量预测的准确性，保障了网络资源和计算资源的合理配置。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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为本说明书实施例一种网站访问量预测方法的流程图；
图2a为本说明书实施例一种访问量变化关系的上升段示意图；
图2b为本说明书实施例一种访问量变化关系的下降段示意图；
图3a为本说明书实施例一种访问数据的折线图；
图3b为本说明书实施例一种访问数据的柱形图；
图3c为本说明书实施例一种访问量变化关系的示意图；
图4a为本说明书实施例一种基于起始点访问量的访问量变化图；
图4b为本说明书实施例一种基于最大访问量的访问量变化图；
图4c为本说明书实施例一种基于最小访问量的访问量变化图；
图4d为本说明书实施例一种基于终止点访问量的访问量变化图；
图5为本说明书实施例一种数据集的示意图；
图6为本说明书实施例一种预测结果的示意图；
图7为本说明书实施例一种网站访问量预测过程的流程示意图；
图8为本说明书实施例一种网站访问量预测装置的模块图；
图9为本说明书实施例一种网站访问量预测设备的结构图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
为了解决上述技术问题，本说明书实施例提出了一种网站访问量预测方法。所述网站访问量预测方法的执行主体可以为网站访问量预测设备，所述网站访问量预测设备包括但不限于服务器、工控机、pc机等。如图1所示，所述网站访问量预测方法可以包括以下具体实施步骤。
s110：获取历史访问数据；所述历史访问数据包括在采样时段内至少两个时刻对应于目标网站的访问量。
历史访问数据可以是对应于目标网站的历史访问情况的数据，具体的，所述历史访问数据例如可以是目标网站在各个时刻的访问量数据。
目标网站可以是需要进行访问量预测的网站。所述目标网站可以包含只包含单个网页，也可以包含有多个网页，对此不做限制。
在一些实施方式中，所述历史访问数据在提取时可以设置一定的采样时段。即，将所述采样时段内针对所述目标网站的访问情况数据作为历史访问数据。所述采样时段例如可以是基于当前时刻的前n天，也可以是预先设置的固定的时间段，对此不做限制。
在一些实施方式中，在所述采样时段内可以设置有相应的采样时刻，所述采样时刻可以是在采样时段内基于固定时间间隔所设置的采样时刻，例如每间隔一分钟设置一个采样时刻用于采集历史访问数据，也可以基于不同时段设置不同时间间隔的采样时刻，例如在白天设置间隔较短的采样时刻，在夜晚设置间隔较长的采样时刻，以获取更好的采样效果。实际应用中可以根据需求设置所述采样时刻，并不限于上述示例，在此不再赘述。
s120：基于所述历史访问数据构建访问量变化关系；所述访问量变化关系用于表示访问量随时间的变化情况。
在获取到所述历史访问数据之后，可以根据所述历史访问数据构建访问量变化关系。所述访问量变化关系可以用于体现所述目标网站的访问量随时间的变化情况。基于所述访问量变化关系能够提取得到一定的特征，进而实现对目标网站的访问量的分析。
在一些实施方式中，所述访问量变化关系可以是基于k线图的访问量变化关系。k线图是用于描述股市或期货市场中的价格变动情况的示意图。股票中的k线图具有开盘价、最高价、最低价和收盘价这四个重要因素，通过这四个要素来反映大势的变化情况。相应的，访问量变化关系中也可以包括起始时刻访问量、终止时刻访问量、最大访问量和最小访问量。而基于访问量变化关系中的这些特征值，可以有效确定访问量变化关系所对应的特征，从而能够确定历史访问数据所对应的类别。如图2a所示，为对应于上升阶段的特征值大小情况，如图2b所示，为对应于下降阶段的特征值大小情况，从而能够基于这四个特征值的具体大小来确定数据变动情况。
在一些实施方式中，构建所述访问量变化关系的方式可以是先利用所述历史访问数据中的访问量绘制垂直柱状图，再基于水平视觉图算法，针对所述垂直柱状图中的柱体进行连线得到访问量变化关系。其中，垂直柱状图可以是利用多个柱体来分别表示各个时刻的访问量的具体值。访问量变化关系则是在垂直柱状图中的柱体的基础上，通过连接各个柱体且保证连线不与柱体相交，构建得到对应的连线图，作为最终的访问量变化关系。
利用一个具体的示例进行说明，如图3a所示，为分别对应于12个不同时刻的访问量的变化图，各点的纵坐标大小即可用于体现具体的访问量大小。如图3b所示，为将图3a中各个时刻对应的访问量大小转化为柱状图的形式进行展示。图3c是在图3b的柱状图的基础上，首先连接各个相邻的柱体。之后，可以分析不同柱体之间能否在不与中间的柱体相交的情况下连线，并重复这个过程，直至完成所有连线为止，即得到如图3c中的连线效果图。
相应的，如图4a所示，为基于起始时刻访问量所构建的访问量变化关系；如图4b所示，为基于最大访问量构建的访问量变化关系；如图4c所示，为基于最小访问量构建的访问量变化关系；如图4d所示，为基于终止时刻访问量构建的访问量变化关系。基于这些访问量变化关系，能够体现数据的整体变动情况。
s130：从所述访问量变化关系中提取至少一个访问量特征；所述访问量特征用于描述访问量的变化趋势。
在绘制完成访问量变化关系后，可以从所述访问变化图中提取访问量特征。访问量特征用于描述访问量的变化趋势，因此所述访问量特征可以是访问量变化关系中具有较强代表性的点所对应的特征值。
在一些实施方式中，所述访问量特征可以包括访问量变化关系中的起始点、终止点、最大值点和最小值点中的至少一个。起始点可以是所述采样时段开始的时刻所对应的点，终止点可以是所述采样时段结束的时刻所对应的点。最大值点可以是所述访问量变化关系中最大访问量所对应的点，最小值点可以是所述访问量变化关系中最小访问量对应的点。最大值点和最小值点可以较好地反映采样时段内访问量的变化区间。而基于采样时段的设置情况，起始点和终止点也能有效地展示采样时段的访问量变化特点。
基于步骤s120中的示例，在所述访问量变化关系为k线图的情况下，可以方便快捷地从所述访问量变化关系中提取得到起始点、终止点、最大值点和最小值点，从而进一步加快了获取访问量特征的速度，提高了预测过程的执行效率。
具体的获取所述访问量特征的方式，可以是基于机器学习模型，实现对于访问量变化关系的自动识别。具体的，可以是在样本图中标记访问量特征所对应的特征点，以此训练相应的模型。在需要针对访问量特征进行提取时，可以直接将访问量变化关系输入对应的模型中，以输出识别得到的访问量特征。
在一些实施方式中，所述访问量特征还可以包括特征点聚类系数和变化图聚类系数。所述特征点聚类系数可以表示各个时刻的访问量所对应的点与其他点之间的连接关系。由于在所述访问量变化关系中，不同的特征点之间具有不同的关联性，因此可以通过对这些特征点之间的关系进行聚类分析得到特征点聚类系数。变化图聚类系数可以是综合各个点的特征点聚类系数后所得到的聚类系数，用于在整体上反映整个访问量变化关系的特点。
具体的，可以利用公式
结合附图利用一个具体的示例对上述公式中的参数进行说明，如图3c所示，图中共有11个顶点，每个顶点与其他相邻的顶点的边最多能够构成的边数即为di，例如对应于顶点1连接有三条边。去除该顶点后在无向图中所连接的边数即为e，例如在去除顶点1之后包含有12条边。基于绘制完成的无向图可以获取到计算各个顶点的特征点聚类系数的参数。
相应的，可以利用公式
通过求取所述特征点聚类系数和/或变化图聚类系数，能够有效对访问量变化关系中各点之间的联系进行归纳总结，从而能够有效利用访问量变化关系中所体现出的特点，进而实现访问量的准确预测。
需要说明的是，针对上述两种实施方式中求取得到的访问量特征，在应用过程中可以将其进行结合，例如在访问量变化关系中提取到起始点、终止点、最大值点和最小值点后，只针对这些点计算特征点聚类系数，并综合得到变化图聚类系数，从而在保障处理效果的情况下提高处理效率。
实际应用中，也可以根据需要选取其他类型的访问量特征，并不限于上述示例，在此不再赘述。
s140：利用所述访问量特征确定所述历史访问数据对应的数据类别。
由于历史访问数据本身可能包含有对应于多个时刻的访问量数据，在采样时段内访问量可能具有较为复杂的变化情况，若直接根据历史访问数据进行分类，可能会存在一定的难度。因此，在获取到访问量特征后，由于访问量特征本身能够准确直观地反映这一采样时段内的访问量变化情况，因此，利用访问量特征确定历史访问数据所对应的数据类别，不仅在一定程度上保障了分类的准确性，也简化了针对历史访问数据进行分类的难度。
数据类别可以是基于访问量以及访问量变化趋势所体现的类别。所述数据类别可以用于限定不同的历史访问数据的类别，相应的，不同的数据类别可以体现访问量的不同变化趋势，从而能够基于采样时段内的访问量情况，实现对于访问量的准确预测。
所述数据类别可以是基于管理人员的经验，在执行具体的预测过程之前自主设置，也可以是针对不同的样本数据进行分类所得到的类别。例如，可以针对一些样本数据进行无监督学习，将这些样本数据划分为不同的类别后，再由管理人员对这些类别进行归纳。所述数据类别的数量也可以基于测试的需求或是无监督学习的层数进行设置。实际应用中也可以采用其他方式来获取所述数据类别，并不限于上述示例，在此不再赘述。
当确定数据类别时，可以将所述访问量特征输入分类模型以确定历史访问数据对应的数据类别。所述分类模型可以是预先训练得到的用于对访问量变化关系进行分类的模型。
在一些实施方式中，若预先确定了相应的数据类别，则在训练分类模型时，可以先获取训练样本数据。训练样本数据可以是基于网站访问量构建得到的访问量变化关系，这些训练样本数据可以对应有数据标签，用于表示训练样本数据所对应的类别。在训练过程中，基于这些训练样本数据和数据标签训练多个二分类器。这些二分类的数量以及所划分的类别可以与预先设定的数据类别所对应，在训练阶段可以依次实现不同类别的二分类器的训练，相应的，在识别阶段也可以依次采用不同的二分类器，最终完成对于历史访问数据的数据类别的识别。
利用一个具体的示例进行说明，假设采用支持向量机(svm)，即一种有监督学习方式对数据进行二分类的广义分类器，实现数据类别的确定，其思路主要是寻找一个最优的超平面，使得两类之间的距离最大。具体过程可以是先利用访问量变化关系将一段时间的k线模型或任意类型的某时段内的k线模型映射为无向图，进而提取k线模型四要素的聚类系数特征作为训练的样本集。设为d＝{(xk,yk)|k＝1,2,3,4,…,m,xk∈rn,yk∈r}，其中，xk表示某k线图的四要素的聚类系数特征，yk则表示识别k线模型的种类标签。yk的值是1或者-1，使标记为1和-1的样本分别位于决策平面的两侧。对于样本数据，只需要确定其在决策平面的哪一侧，就可以确定该样本数据所对应的分类标记。若位于决策平面的-1层就继续进行分类。
其次，对于支持向量机的参数的选取，常用的核函数包括线性核函数、多项式核函数、s型核函数和高斯径向核函数(rbf)。在该示例中使用高斯核函数，将样本从n维映射到n+1或更高维度，使得原本线性不可分的数据变为线性可分。高斯核函数的表达式为
相应的，假设训练得到k个二分类器，用于对k个数据类别进行区分，则可以依次利用这k个二分类器对样本数据进行分类，直至得到对应的数据类别为止。若这些二分类器均未完成识别，则判断该数据不属于这些类别，识别失败。
在一些实施方式中，得到所述分类模型之后，还可以利用折叠交叉验证方法对所述分类模型的准确性进行验证。折叠交叉验证是一种在机器学习中用于评估机器学习模型性能的统计验证技术。它使用数据集的子集，对其进行训练，然后使用未用于训练的数据集的互补子集来评估模型的性能。它可以保证模型正确地从数据中捕获模式，而不考虑来自数据的干扰。
利用一个具体的示例进行说明，将100个网站作为数据集，并划分为测试机和训练集，如图5所示。其中训练集用于训练svm模型，并在此模型上进行测试。如图6所示，所得到的预测结果可以分为tp、fp、fn、tn这四类，其中，tp(truepositive)：预测结果为正类，实际上就是正类；fp(falsepositive)：预测结果为正类，实际上是反类；fn(falsenegative)：预测结果为反类，实际上是正类；tn(truenegative)：预测结果为反类，实际上就是反类。
为了直观体现分类效果，采用三个标准性能指标来评估分类的性能，分别为敏感性、详细程度和准确率。其中，敏感性(sensitivity)可以理解为所有正类中有多少被预测为正类(正类预测正确)；详细程度(specificity)可以理解为所有反类中有多少被预测为反类(反类预测正确)；准确率(accuracy)可以理解为所有实验中分类正确的个数。使用五重折叠交叉验证可以测试5次，然后取得到的标准性能指标的平均值，值越大表明分类越准确。具体的，上述指标的计算公式分别为
具体的，可以设定一定的验证阈值，当计算得到的上述标准性能指标的值大于所述验证阈值时，表明分类模型具有一定的准确性，可以投入实际应用；若未达到，则表明当前的分类模型的准确性不足，需要继续迭代训练或重新设计分类模型。
通过对分类模型进行验证，保证了分类模型的准确性，相应的也能够提高预测结果的准确性。
s150：通过所述数据类别和所述访问量特征预测所述目标网站的预期访问量。
在获取到数据类别之后，可以根据所述历史访问数据的访问量特征对目标网站的预期访问量进行预测。在数据类别可以用于表示不同的访问量变化趋势的情况下，基于所述数据类别和访问量特征能够实现访问量的有效预测。
利用一个具体的示例进行说明，假设根据访问量特征确定历史访问数据所对应的数据类别为平稳型，则可以预测目标网站的预期访问量为在访问量特征所对应的访问量的基础上维持不变。若数据类型为快速增长型，则可以将访问量特征对应的访问量增加一定的数额后作为预测到的访问量。
所述预期访问量可以只是针对较短的时间的访问量，例如将前n天的数据作为历史访问数据，用于预测第二天，也就是n+1天的访问量。所述预期访问量也可以是用于预测之后几天的访问量。具体的预测时段可以根据实际应用的需求进行设置，对此不做限制。
针对上述方法，利用一个场景示例进行说明。如图7所示，在利用历史数据构建得到k线模型之后，可以利用水平视觉图算法构建无向图结构。从所述无向图中，通过计算聚类系数，提取相应的特征。之后，再利用svm对提取到的特征进行分类，从而识别历史数据所对应的k线模式，从而能够利用所述k线模式完成访问量的准确预测。
通过上述实施例和场景示例的描述，可以看出，所述方法基于针对目标网站的历史访问数据，构建相应的访问量变化关系，并根据访问量变化关系中所体现出的访问量特征，实现对于不同的历史访问数据的分类，通过所述数据类别和访问量特征能够有效实现对应于所述目标网站的访问量的预测。上述方法能够在变化图中直观地获取历史访问数据所对应的类别，进而根据类别所反映的变化趋势以及访问量情况实现访问量的预测，从而提高了访问量预测的准确性，保障了网络资源和计算资源的合理配置。
基于图1所对应的网站访问量预测方法，介绍本说明书实施例一种网站访问量预测装置。所述网站访问量预测装置可以设置于网站访问量预测设备。如图8所示，所述网站访问量预测装置可以包括以下模块。
历史访问数据获取模块810，用于获取历史访问数据；所述历史访问数据包括在采样时段内至少两个时刻对应于目标网站的访问量。
访问量变化关系构建模块820，用于基于所述历史访问数据构建访问量变化关系；所述访问量变化关系用于表示访问量随时间的变化情况。
访问量特征提取模块830，用于从所述访问量变化关系中提取至少一个访问量特征；所述访问量特征用于描述访问量的变化趋势。
数据类别确定模块840，用于利用所述访问量特征确定所述历史访问数据对应的数据类别。
预期访问量预测模块850，用于通过所述数据类别和所述访问量特征预测所述目标网站的预期访问量。
基于图1所对应的网站访问量预测方法，本说明书实施例提供一种网站访问量预测设备。如图9所示，所述网站访问量预测设备可以包括存储器和处理器。
在本实施例中，所述存储器可以按任何适当的方式实现。例如，所述存储器可以为只读存储器、机械硬盘、固态硬盘、或u盘等。所述存储器可以用于存储计算机程序指令。
在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以执行所述计算机程序指令实现以下步骤：获取历史访问数据；所述历史访问数据包括在采样时段内至少两个时刻对应于目标网站的访问量；基于所述历史访问数据构建访问量变化关系；所述访问量变化关系用于表示访问量随时间的变化情况；从所述访问量变化关系中提取至少一个访问量特征；所述访问量特征用于描述访问量的变化趋势；利用所述访问量特征确定所述历史访问数据对应的数据类别；通过所述数据类别和所述访问量特征预测所述目标网站的预期访问量。
需要说明的是，本说明书实施例中所描述的网站访问量预测方法、装置及设备可以应用于大数据技术领域，也可以应用于除大数据技术领域外的其他任意领域，对此不做限制。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的第一硬件平台的方式来实现。基于这样的理解，本说明书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，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书可用于众多第一或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
- 还没有人留言评论。精彩留言会获得点赞！