一种日志数据处理方法及装置与流程

1.本发明涉及数据处理技术领域，尤其涉及一种日志数据处理方法及装置。


背景技术：

2.随着大数据时代的飞速发展，服务器等设备的数量迅速增长，其所产生的数据日志越来越多，业务系统、应用支撑、硬件设备均会产生大量的数据日志，当存在大量不同型号的服务器和网络设备、各种各样的虚拟化方案、不同的操作系统、多样化的应用软件和数据库时，会造成大量数据日志之间的互相递进、堆叠。现有技术对日志数据进行分析方案如下：
3.(1)局部语料库聚类文本：基于word2vec等词向量模型得到单词的词向量进行文本聚类。由于不能对整个语料库数据进行统计，仅通过单词局部上下文窗口内的词语对模型进行训练，故通常会存在文本向量维度过高的问题，且忽略词语本身的含义以及词语之间的相互联系，导致最终得到的文本向量缺少语义信息，准确度不高。
4.(2)面对海量数据的聚类算法：采用传统dbscan等聚类算法随着数据规模的扩大，执行时间会很长，并且产生过量的簇。dbscan算法的主要阀值参数难以确定，且时间复杂度过高，导致聚类的效果不理想，当数据规模增大时，执行效率低。
5.(3)实时数据相似度计算方法：传统文本聚类方法中，常常采用直接对文本数据进行相似度计算的算法，例如编辑距离和字面距离等，这些算法对句子仅能在字本位进行比较，不能很好对句子的语义内容进行区别，使得相似语义不同字面表达的句子难以有效形成聚类，最终影响了分析结果，并不能灵活处理数据。


技术实现要素：

6.本发明提供一种日志数据处理方法及装置，用以解决现有技术中日志数据聚类效率低，准确度不高的技术问题。
7.本发明提供一种日志数据处理方法，包括：
8.基于加权相似度的聚类算法，根据待处理日志数据构建文本向量；
9.对所述文本向量进行聚类，获取对应的日志聚类结果；
10.根据所述日志聚类结果，生成日志聚类模板。
11.在一个实施例中，所述基于加权相似度的聚类算法，根据待处理日志数据构建文本向量包括：
12.通过glove模型训练预处理后的语料库，获取所述语料库中的词语对应的词向量；
13.根据所述词向量获取词向量模型；
14.对所述待处理日志数据进行预处理，将预处理后的所述待处理日志数据通过所述词向量模型进行语义编码，获取文本特征向量；
15.根据所述文本特征向量和所述词向量，构建所述文本向量。
16.在一个实施例中，所述根据所述文本特征向量和所述词向量，构建所述文本向量，
包括：
17.根据所述词向量对所述语料库中的词语进行聚类，形成文本向量分量对应的词簇；
18.计算所述文本特征向量与所述词簇间的相似度系数以及所述词簇对应的逆文档频率；
19.根据所述相似度系数与所述逆文档频率，获取所述文本特征向量对应的所述文本向量。
20.在一个实施例中，所述根据所述相似度系数与所述逆文档频率，构建所述文本特征向量对应的所述文本向量包括：
21.通过采用基于杰卡德相似度系数的聚类加文本向量构建法，获取所述文本特征向量与所述词簇间的杰卡德jaccard相似度系数；
22.根据所述jaccard相似度系数和所述逆文档频率，获取基于所述jaccard相似度系数的所述逆文档频率jsc-idf值；
23.根据所述jsc-idf值，构建所述文本特征向量对应的所述文本向量。
24.在一个实施例中，所述根据所述日志聚类结果，生成日志聚类模板，包括：
25.根据所述日志聚类结果，获取日志聚类簇；
26.对所述日志聚类簇对应的所述待处理日志数据进行处理，生成所述日志聚类模板。
27.本发明提供一种日志数据处理装置，包括：
28.构建模块，用于基于加权相似度的聚类算法，根据待处理日志数据构建文本向量；
29.获取模块，用于对所述文本向量进行聚类，获取对应的日志聚类结果；
30.生成模块，用于根据所述日志聚类结果，生成日志聚类模板。
31.在一个实施例中，所述构建模块，用于通过glove模型训练预处理后的语料库，获取所述语料库中的词语对应的词向量；
32.根据所述词向量获取词向量模型；
33.对所述待处理日志数据进行预处理，将预处理后的所述待处理日志数据通过所述词向量模型进行语义编码，获取文本特征向量；
34.根据所述文本特征向量和所述词向量，构建所述文本向量。
35.在一个实施例中，所述构建模块，用于所述构建模块，用于根据所述词向量对所述语料库中的词语进行聚类，形成文本向量分量对应的词簇；
36.计算所述文本特征向量与所述词簇间的相似度系数以及所述词簇对应的逆文档频率；
37.根据所述相似度系数与所述逆文档频率，构建所述文本特征向量对应的所述文本向量。
38.本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现上述任一种所述日志数据处理方法的步骤。
39.本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述任一种所述日志数据处理方法的步骤。
40.本发明提供的一种日志数据处理方法及装置，通过采用基于加权相似度的聚类算
法，并且生成日志聚类模板，从而将大量的日志数据转化为少量的日志模板，大大减少了日志数据过滤时间，并且可以去除大量噪音信息，保留描述性信息，保证日志数据的可靠性。
附图说明
41.为了更清楚地说明本发明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一简单地介绍，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。
42.图1是本发明提供的日志数据处理方法的流程示意图之一；
43.图2是本发明提供的日志数据处理方法的流程示意图之二；
44.图3是本发明提供的日志数据处理方法的glove模型训练流程示意图；
45.图4是本发明提供的日志数据处理方法的流程示意图之三；
46.图5是本发明提供的日志数据处理装置的结构示意图；
47.图6是本发明提供的电子设备的结构示意图。
具体实施方式
48.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
49.图1为本发明提供的日志数据处理方法的流程示意图。参照图1，本发明提供的日志数据处理方法包括：
50.s110、基于加权相似度的聚类算法，根据待处理日志数据构建文本向量；
51.s120、对所述文本向量进行聚类，获取对应的日志聚类结果；
52.s130、根据所述日志聚类结果，生成日志聚类模板。
53.本发明提供的日志数据处理方法的执行主体可以为大数据分析系统或者实时数据分析平台，也可以是其他具有数据处理功能的装置，本发明不作具体限定。
54.下面以大数据分析系统执行本发明提供的日志数据处理方法为例，详细说明本发明的技术方案。
55.需要说明的是，本发明的数据源可以为大数据集群各组件生成的日志数据。大数据分析系统已接入boss集群、crm集群、财务集群、收入保障集群和经分集群等。各组件日志包含：namenode、datanode、journalnode、quorunpeermain、resourcemanager、jobhistoryserver、hmaster、regionserver等，以及操作系统日志等，当前大数据分析系统总体日志量为每天2000万条、占20gb。
56.可选地，在s110中，通过利用相似度，将加权法和聚类法进行结合，形成一种新的文本向量的构建方法，从而根据待处理日志数据构建文本向量；
57.在s120中，使用sklearn工具封装接口，对上一步得到的文本向量进行聚类，并存储对应的聚类结果。
58.在s130中，分别对日志聚类得到的聚类结果对应的所有日志进行处理，最后生成
日志聚类模板。
59.本发明提供的一种日志数据处理方法及装置，通过采用基于加权相似度的聚类算法，并且生成日志聚类模板，从而将大量的日志数据转化为少量的日志模板，大大减少了日志数据过滤时间，并且可以去除大量噪音信息，保留描述性信息，保证日志数据的可靠性。
60.在一个实施例中，所述基于加权相似度的聚类算法，根据待处理日志数据构建文本向量包括：
61.通过glove模型训练预处理后的语料库，获取所述语料库中的词语对应的词向量；
62.根据所述词向量获取词向量模型；
63.对所述待处理日志数据进行预处理，将预处理后的所述待处理日志数据通过所述词向量模型进行语义编码，获取文本特征向量；
64.根据所述文本特征向量和所述词向量，构建所述文本向量。
65.图2为本发明提供的日志数据处理方法的流程示意图之二。
66.可选地，构建文本向量的流程步骤参见图2，可以包括如下步骤：
67.获取词向量模型：使用gensim工具执行glove模型的源码，对上述预处理之后的语料库数据进行训练，得到基于glove的不同维度的词向量模型，并将训练得到的词向量分别存储在相应的文件中，用于后期文本向量的构建。
68.需要说明的是，gensim是自然语言处理中最常用的一款工具，用于自动从文本中提取主题及语义信息的工具包。该工具除了提供了基本的文本信息处理功能，如文本相似度计算等相关功能的接口之外，还支持lsa、lda等多种主题模型的训练、tf-idf值的计算以及当前广泛使用的深度神经网络语言模型word2vec、doc2vec等的训练。
69.日志预处理：用于对输入的日志数据进行处理，例如，分词、去除停用词，英文词干化，中英文符号统一等，将处理后的日志数据通过训练好的词向量模型进行语义编码，将日志数据转成文本特征向量。
70.构建文本向量：使用上述基于glove模型训练得到的各个维度的词向量，根据文本特征向量和词向量构建文本向量。
71.可选地，图3为本发明提供的日志数据处理方法的glove模型训练流程图。参见图3，glove模型训练主要包括两个步骤：构成词共现矩阵以及训练向量。具体地，首先扫描整个语料库得到上下文窗口内的词共现矩阵x，接着以矩阵x作为输入，得到最终的词向量及对应的词向量模型。
72.可选地，glove模型首先结合文本的上下文，利用词与词之间的共现信息，构建一个词共现矩阵x，其中元素x_ij表示词j出现在词i的上下文(前后n个词)的次数。例如，假设有语料库“directory is going to be filled and no space to be written.”可以看到该预料库一共有10个单词：directory、is、to、going、be、filled、and、no、space、written。这里假设窗口大小为5，即观察单词前后各2个词构建共现矩阵，得到的窗口信息如下表所示。
[0073][0074][0075]
接下来以窗口4说明如何构造共现矩阵，可以看到中心词为to,其对应的上下文为is、going、be、filled，因此有如下公式：
[0076]
x
to,is
＝x
to,is
+1
[0077]
x
to,going
＝x
to,going
+1
[0078]
x
to,be
＝x
to,be
+1
[0079]
x
to,filled
＝x
to,filled
+1
[0080]
以该方法遍历整个语料库，即可得到共现矩阵x。
[0081]
本发明提供的日志数据处理方法，使得词向量为语义的表达和执行的时间上得到充分优化。相比于传统数据分析聚类方法，本发明实现了并行化进而速度更快，对于大数据系统运营数据的训练，10g的训练数据，且达到87％的准确率只需要花4.2小时，而传统方法达到80％的准确率就需要花较长的时间了7.5小时。另外，将日志数据通过glove模型转化的词向量通过该方法进行处理，结合jsc-idf组合改进的算法全面提高文本向量的准确性。
[0082]
在一个实施例中，所述根据所述文本特征向量和所述词向量，构建所述文本向量，包括：
[0083]
根据所述词向量对所述语料库中的词语进行聚类，形成文本向量分量对应的词簇；
[0084]
计算所述文本特征向量与所述词簇间的相似度系数以及所述词簇对应的逆文档
频率；
[0085]
根据所述相似度系数与所述逆文档频率，获取所述文本特征向量对应的所述文本向量。
[0086]
可选地，在基于杰卡德相似度系数的聚类加权文本向量构建法(clustering and weighted word vectors based on jaccard similarity coefficient for text representation，jsc-cw)算法中，构建文本向量包含两大步骤：词语聚类以及jcs-idf加权。图4为本发明提供的日志数据处理方法的流程示意图之三，文本向量构建的流程步骤如下：
[0087]
(1)使用glove模型训练预料中的词语，得到词向量；
[0088]
(2)利用词向量对预料库中的词语进行聚类；
[0089]
(3)计算文本与每个词簇之间的jaccard相似度；
[0090]
(4)计算逆文档频率；
[0091]
(5)构造文本向量。
[0092]
可选地，对预处理的语料库使用glove模型进行训练，得到所有单词对应的词向量，将语料库中的词语进行聚类处理，形成若干个词簇，整个聚类是基于欧几里的距离来进行计算，聚类算法使用分层自适应竞争近邻传播算法。在聚类完成之后，用最终得到的词簇来代表文本向量空间的各个维度，即一个词簇对应一个向量的分量。
[0093]
需要说明的是，欧几里得距离又叫欧氏距离，数学定义为两个点之间的直线距离。设空间中存在两点，点i＝(x
i1
,x
i2
,...,x
ip
)和点j＝(x
j1
,x
j2
,...,x
jp
)，则其对应的欧几里得距离公式为：
[0094][0095]
分层自适应竞争近邻传播算法是传统的近邻传播算法的基础上，将整个数据集划分为多个子集分别聚类，最终再合并分层聚类的结果，在全局选取聚类中心点，以此减少算法在大规模数据集上的执行时间及最终产生的簇的数目；在设置偏向参数的时候综合考虑了数据的分布情况；在更新吸引度、归属度的迭代过程中，参考了上一次迭代的结果，进而提升近邻传播算法的效率并得到更好的聚类效果。
[0096]
本发明提供的日志数据的处理方法，通过对词向量进行聚类得到多个词簇，每个词簇代表文本向量的一个维度，提出了jsc-idf权重计算公式来计算各词簇在文本中所占的权重。这种方法通过权重的计算则利用了词语对于文本的影响力信息，从而提高了文本向量的准确性。
[0097]
在一个实施例中，所述根据所述相似度系数与所述逆文档频率，获取所述文本特征向量对应的所述文本向量包括：
[0098]
通过采用基于杰卡德相似度系数的聚类加文本向量构建法，获取所述文本特征向量与所述词簇间的杰卡德jaccard相似度系数；
[0099]
根据所述jaccard相似度系数和所述逆文档频率，获取基于所述jaccard相似度系数的所述逆文档频率jsc-idf值；
[0100]
根据所述jsc-idf值，获取所述文本特征向量对应的所述文本向量。
[0101]
可选地，在对语料库当中的词进行聚类之后，首先需要计算每个文本与各个维度
(即各个词簇)之间的jaccard相似度系数。
[0102]
对于每个文本dj，计算dj与维度(词簇)ci之间的jsc-idf值，得到jsc-idf值之后使用各个维度(词簇)ci与文本dj计算得到的jsc-idf值来表示文本，及文本向量可以表示如式：
[0103]vj
＝(jsc_idf
1j
,jsc_idf
2j
,jsc_idf
3j
,
…
,jsc_idf
lj
)
[0104]
其中，l表示上文提到的词聚类以后得到的词簇的个数，jsc指的是词簇与文本之间的jaccard相似度系数，idf指的是某个维度的逆文档频率。
[0105]
可选地，基于杰卡德相似度系数的聚类加文本向量构建法对应的伪代码如下所示：
[0106]
输入：
[0107]
d：文本集
[0108]
jsc_map：key为维度i与文本j，值为维度i与文本j的jaccard相似度系数jsc
ij
[0109]
idf_map：key为维度i，值为其对应的idf值idfi[0110]
输出：
[0111]
v：文本向量集合
[0112]
方法：
[0113]
for jsc_map中的每个对象jsc do
[0114]
jsc-idf
ij
＝jsc
ij
*idfi；
[0115]
将jsc-idf
ij
值放入到jsc_idf_map中，其中，jsc_idf_map中的key值维度i与文本j，值为对应的jsc-idf
ij
；
[0116]
end for
[0117]
for文本集d中的每个文本j do
[0118]
从jsc_idf_map中取出文本j对应所有的jsc-idf值，构成文本向量vj＝(jsc-idf
1j
,jsc-idf
2j
,jsc-idf
3j
,
…
,jsc-idf
lj
)
[0119]
将文本向量vj放入到文本向量集合v中；
[0120]
end for
[0121]
算法解析说明：
[0122]
(1)文本集d,文本d1＝"a cluster of four datanode",d2＝"clusters with one datanode",d3＝“my system has just had a hdfs”。
[0123]
(2)词簇的集合c，形成了9个簇：c1＝(cluster,clusters)、c2＝(datanode,hdfs)、c3＝(has,had)，c4＝(four,one),c5＝(my),c6＝(of),c7＝(with),c8＝(system),c9＝(just),c
10
＝(a).
[0124]
(3)jaccard相似度系数计算如下所示：
[0125][0126][0127]
[0128][0129][0130][0131][0132][0133][0134][0135][0136]
(4)在jsc-idf(jaccard similarity coefficient-inverse dimension frequency)算法中，jsc指的是词簇与文本之间的jaccard相似度系数，idf指的是某个维度的逆文档频率。逆文档频率计算结果如下表所示：
[0137][0138][0139]
(5)对应的jsc-idf值计算结果如下：
[0140][0141][0142]
(6)各个文本对应的文本向量示例如下：
[0143]
d1对应的文本向量：
[0144][0145]
d2对应的文本向量：
[0146][0147]
d3对应的文本向量：
[0148][0149]
可选地，对获取的文本向量基于变参数的dbscan聚类计算出邻域阈值epsi的序列，选取最小的临界预支minpts，对日志数据进行dbscan聚类，以此不断循环，遍历所有领域预支，结束日志聚类。
[0150]
本发明提供的日志数据处理方法，通过基于加权相似度的聚类加权向量算法，提
升了大数据系统实时运营数据的分析效率和预警能力；使用改进的基于加权相似度的聚类算法及dbscan算法进行日志的智能分析，并结合历史数据进行机器学习，将可能出现的故障、性能的问题日志进行归类清洗并产生预警，大大提升了大数据平台的系统性能同事降低了故障风险。
[0151]
在一个实施例中，所述根据所述日志聚类结果，生成日志聚类模板，包括：
[0152]
根据所述日志聚类结果，获取日志聚类簇；
[0153]
对所述日志聚类簇对应的所述待处理日志数据进行处理，生成所述日志聚类模板。
[0154]
可选地，分别对日志聚类得到的多个聚类簇中的每一个簇中的所有日志进行处理，对相同位置上的数据进行比较，将位置上大于一半的相同数据保留，否则用”*”号表示，最后生成日志聚类模板。
[0155]
本发明提供的日志数据处理方法，通过生成日志聚类模板，并结合历史数据进行机器学习，将可能出现的故障、性能的问题日志进行归类清洗并产生预警，大大提升了大数据平台的系统性能同事降低了故障风险，不再仅依赖服务器扩容解决大数据系统资源和性能问题；同时解决了大数据系统实时日志数据分析难、聚类分析准确率低的问题，大幅提升大数据系统运营分析效率，降低全流程处理时延。
[0156]
本发明还提供一种日志数据处理装置，该装置与上文描述的日志数据处理方法可相互对应参照。
[0157]
图5为本发明提供的日志数据处理装置的结构示意图，如图5所示，该装置包括：
[0158]
构建模块510，用于基于加权相似度的聚类算法，根据待处理日志数据构建文本向量；
[0159]
获取模块520，用于对所述文本向量进行聚类，获取对应的日志聚类结果；
[0160]
生成模块530，用于根据所述日志聚类结果，生成日志聚类模板。
[0161]
本发明提供的一种日志数据处理装置，通过采用基于加权相似度的聚类算法，并且生成日志聚类模板，从而将大量的日志数据转化为少量的日志模板，大大减少了日志数据过滤时间，并且可以去除大量噪音信息，保留描述性信息，保证日志数据的可靠性。
[0162]
在一个实施例中，所述构建模块510，还具体用于：
[0163]
通过glove模型训练预处理后的语料库，获取所述语料库中的词语对应的词向量；
[0164]
根据所述词向量获取词向量模型；
[0165]
对所述待处理日志数据进行预处理，将预处理后的所述待处理日志数据通过所述词向量模型进行语义编码，获取文本特征向量；
[0166]
根据所述文本特征向量和所述词向量，构建所述文本向量。
[0167]
在一个实施例中，所述构建模块510，还具体用于：
[0168]
根据所述词向量对所述语料库中的词语进行聚类，形成文本向量分量对应的词簇；
[0169]
计算所述文本特征向量与所述词簇间的相似度系数以及所述词簇对应的逆文档频率；
[0170]
根据所述相似度系数与所述逆文档频率，获取所述文本特征向量对应的所述文本向量。
[0171]
在一个实施例中，所述构建模块510，还具体用于：
[0172]
通过采用基于杰卡德相似度系数的聚类加文本向量构建法，获取所述文本特征向量与所述词簇间的杰卡德jaccard相似度系数；
[0173]
根据所述jaccard相似度系数和所述逆文档频率，构建基于所述jaccard相似度系数的所述逆文档频率jsc-idf值；
[0174]
根据所述jsc-idf值，构建所述文本特征向量对应的所述文本向量。
[0175]
在一个实施例中，所述生成模块510，还具体用于：
[0176]
根据所述日志聚类结果，获取日志聚类簇；
[0177]
对所述日志聚类簇对应的所述待处理日志数据进行处理，生成所述日志聚类模板。
[0178]
图6示例了一种电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communication interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的计算机程序，以执行日志数据处理方法的步骤，例如包括：
[0179]
基于加权相似度的聚类算法，根据待处理日志数据构建文本向量；
[0180]
对所述文本向量进行聚类，获取对应的日志聚类结果；
[0181]
根据所述日志聚类结果，生成日志聚类模板。
[0182]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0183]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的日志数据处理方法，该方法包括：
[0184]
基于加权相似度的聚类算法，根据待处理日志数据构建文本向量；
[0185]
对所述文本向量进行聚类，获取对应的日志聚类结果；
[0186]
根据所述日志聚类结果，生成日志聚类模板。
[0187]
另一方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，例如包括：
[0188]
基于加权相似度的聚类算法，根据待处理日志数据构建文本向量；
[0189]
对所述文本向量进行聚类，获取对应的日志聚类结果；
[0190]
根据所述日志聚类结果，生成日志聚类模板。
[0191]
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设
备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
[0192]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0193]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分所述的方法。
[0194]
最后应说明的是：以上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精神和范围。