一种数据可视化方法及装置、存储介质与流程

本申请涉及计算机信息安全
技术领域：
，特别涉及一种数据可视化方法及装置、存储介质。
背景技术：
：目前主流的可视化技术主要包括柱状图、曲线图、环形图、雷达图、饼图以及动画等二维平面表现形式，应用于各个行业的数据分析产品。然而，实践中发现，随着业务数据量增多，这些可视化技术对海量数据的呈现效果仍较为扁平化，容易导致用户产生视觉疲劳，不利于及时发现信息安全风险。技术实现要素：本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种数据可视化方法及装置、存储介质，能够改善对海量数据的可视化效果。根据本申请的第一方面实施例的一种数据可视化方法，包括：获取业务操作数据；根据所述业务操作数据，生成业务状态机；将所述业务状态机与预先构建的神经网络模型进行数据融合，获得融合后的神经网络模型，使得所述业务状态机在所述融合后的神经网络模型中可视化呈现。根据本申请实施例的一种数据可视化方法，至少具有如下有益效果：在本申请实施例中，通过获取业务操作数据，根据业务操作数据生成业务状态机，再将业务状态机与预先构建的神经网络模型进行数据融合，获得融合后的神经网络模型，能够模拟人脑神经元结构，从多个视觉维度呈现新增的业务操作内容及动态变化流程，使得业务状态机在融合后的神经网络模型中可视化呈现，因此突破了扁平化呈现方式，有效改善了大数据量的可视化效果。此外，还能够符合人脑思维，便于管理员快速定位数据变化及关联异常，改善了对信息安全风险的响应速度。根据本申请的一些实施例，所述将所述业务状态机与预先构建的神经网络模型进行数据融合，获得融合后的神经网络模型，包括：将所述业务状态机与预先构建的神经网络模型所包含的多种现有状态机进行数据融合，使得不同状态机之间相关联的状态节点建立连接关系；以所述业务状态机中各状态节点为神经元节点，并以所述业务状态机中各状态节点对应的连接关系为各神经元节点对应的轴突关系，将所述业务状态机添加到所述神经网络模型中，获得融合后的神经网络模型。根据本申请的一些实施例，所述将所述业务状态机与预先构建的神经网络模型进行数据融合之前，所述方法还包括：获取预设的安全元素信息；根据所述安全元素信息进行数据采集，获得信息安全数据；对所述信息安全数据进行数据融合分析，构建多种信息安全状态机；根据多种信息安全状态机进行神经网络构建，获得神经网络模型。根据本申请的一些实施例，所述安全元素信息包括多种安全数据类型以及每种安全数据类型下的多个字段属性；所述根据所述安全元素信息进行数据采集，获得信息安全数据，包括：根据每种安全数据类型以及每种安全数据类型下的多个字段类型，构建每种安全数据类型的本体结构；基于每种安全数据类型的本体结构进行数据采集，获得每种安全数据类型的实例化图谱；所述对所述信息安全数据进行数据融合分析，构建多种信息安全状态机，包括：将每种安全数据类型的实例化图谱进行数据融合分析，构建多种信息安全状态机。根据本申请的一些实施例，所述安全元素信息包括资产数据类型、攻击数据类型、漏洞数据类型和安全机制类型。根据本申请的一些实施例，所述方法还包括：获取配置管理参数，所述配置管理参数用于管理神经网络的配置内容；结合所述配置管理参数对所述融合后的神经网络模型进行配置管理。根据本申请的一些实施例，所述结合所述配置管理参数对所述融合后的神经网络模型进行配置管理，包括：根据所述配置管理参数，对所述融合后的神经网络模型所包含的状态机进行数据分析，确定所述融合后的神经网络模型所包含的状态机中各组成要素的可视化对象属性；结合各组成要素的可视化对象属性，对各组成要素在所述融合后的神经网络模型中对应的网络要素进行可视化处理。根据本申请第二方面实施例的一种数据可视化装置，所述装置包括：获取模块，用于获取业务操作数据；生成模块，用于根据所述业务操作数据，生成业务状态机；融合模块，用于将所述业务状态机与预先构建的神经网络模型进行数据融合，获得融合后的神经网络模型，使得所述业务状态机在所述融合后的神经网络模型中可视化呈现。根据本申请第三方面实施例的一种数据可视化装置，包括：一个或多个存储器；一个或多个处理器，用于执行存储在所述一个或多个存储器中的一个或多个计算机程序，还用于执行如本申请第一方面实施例所述的方法。根据本申请第四方面实施例的一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如本申请第一方面实施例所述的方法。根据本申请第五方面实施例的一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如本申请第一方面实施例所述的方法。本申请的附加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，或通过本申请的实践了解到。附图说明本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请实施例公开的一种数据可视化方法的实施例示意图；图2为本申请实施例中一种神经网络模型的部分可视化示意图；图3为本申请实施例公开的另一种数据可视化方法的流程示意图；图4为本申请实施例所应用的一种软件架构示意图；图5为本申请实施例公开的一种数据可视化装置的结构示意图；图6为本申请实施例公开的另一种数据可视化装置的结构示意图。具体实施方式下面详细描述本申请的实施例，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，仅用于解释本申请，而不能理解为对本申请的限制。在本申请的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。本申请实施例公开一种数据可视化方法及装置、存储介质，能够提高海量数据的可视化效果。该方法可适用于具有计算处理功能的终端上，终端可以包括手机、平板电脑、笔记本电脑、个人计算机（personalcomputer，pc）、移动互联网设备以及服务器等，本申请实施例不做限定。以下结合附图进行详细描述。请参阅图1，图1为本申请实施例公开的一种数据可视化方法的实施例示意图。101、获取业务操作数据。在本申请实施例中，业务操作数据可以是在操作系统中执行业务操作时所记录的数据，用于描述业务操作的具体内容及过程，故这些数据可以包括操作用户信息、操作时间、操作终端、网络协议、具体操作事件、到达目标及获得资源等，对此不做具体限定。比如，如果业务操作类型为网站访问操作，则业务操作数据可以包括用户机型、网络类型、用户本机地址、访问路径轨迹及访问时间等。具体的，在一些实现方式中，通过设定需捕获的业务操作类型，可以采用数据埋点技术（比如拦截器插件）对设定的业务操作类型进行事件监听与捕获，从而获得指定格式的业务操作数据，实现对业务操作数据的实时采集。其中，业务操作类型和业务操作数据的格式都可以人为设定，适用于多样化的业务场景需求。102、根据业务操作数据，生成业务状态机。在本申请实施例中，业务状态机用于对业务操作数据进行建模，从而有效地反馈在相应业务操作周期内经历的状态序列及流程变化。针对步骤102，具体的，可以对业务操作数据进行分析，获得状态表，状态表可以包括三种信息类型，即状态信息、用于触发从一个状态信息切换至另一个状态信息的事件信息以及用于描述状态信息的属性信息。基于此，以状态信息为状态节点、以事件信息为不同状态节点之间的连接关系，并以属性信息为各状态节点的属性值，可以构建出业务状态机。示例性的，针对用户在显示界面上点击文件夹的业务操作，打开文件夹a，以及打开文件夹a的下属文件夹b是不同的状态信息，则对文件夹a的双击操作（或双击时间）为触发切换状态信息的事件信息，而属性信息可以包括各文件夹的存储位置、占用空间和创建时间等。103、将业务状态机与预先构建的神经网络模型进行数据融合，获得融合后的神经网络模型，使得业务状态机在融合后的神经网络模型中可视化呈现。在本申请实施例中，神经网络模型是以生物神经系统的神经元结构为基础构建的模型，用于模拟人脑神经元网络进行信息处理。神经网络模型可以采用脉冲神经网络、卷积神经网络或者循环神经网络等人工神经网络，对此不做具体限定。其中，当采用脉冲神经网络时，具体还可以分为前馈型脉冲神经网络、递归型脉冲神经网络或者混合型脉冲神经网络等。脉冲神经网络可以充分利用时空层次的信息，从而更好地模拟人脑神经元来记录网络动态变化。请参阅图2，图2为本申请实施例中一种神经网络模型的部分可视化示意图。如图2所示，神经网络模型包括大量神经元节点20，神经元节点20之间的轴突关系21用于记载神经元节点20之间的连接关系，而神经元节点20的树突22还可以用于记载神经元节点20的属性信息。可见，在获取到新增的业务操作数据时，无需投入人力针对特定业务设计与制作三维模型，而是将基于业务操作数据生成的业务状态机融合到神经网络模型中，便可以基于神经元结构展示丰富的业务数据内容，且数据关系及操作流程清楚易读，实现了业务状态机可视化的动态性。在一些可选的实现方式中，神经网络模型可以包括对多种状态机的神经网络建模结果。因此，步骤103具体可以为：将业务状态机与预先构建的神经网络模型所包含的多种现有状态机进行数据融合，使得不同状态机之间相关联的状态节点建立连接关系。之后，以业务状态机中各状态节点为神经元节点，并以业务状态机中各状态节点对应的连接关系为各神经元节点对应的轴突关系，将业务状态机添加到神经网络模型中，获得融合后的神经网络模型。可选的，在将业务状态机添加到神经网络模型时，还可以根据业务状态机中各状态节点的属性值生成各神经元节点对应的树突信息，进一步增加可对神经元节点记载的相关数据量。其中，对多种状态机进行数据融合的方式具体可以采用聚类融合算法、归并算法或者决策级融合算法等机器学习算法，对此不做具体限定。可见，这样既完成了从业务状态机向神经元结构的转变，便于业务状态机融合到神经网络模型中，还能够细粒到业务状态机的每一步过程、运动轨迹、关联关系、关联要素和时空范围等，通过数据融合技术，从多种现有状态机中找出与业务状态机具有数据关联关系的状态节点，从而建立业务状态机与神经网络模型中现有状态机的数据关联关系，减少了冗余的重复数据，并且有利于对业务状态机进行关联数据分析。可见，实施上述方法实施例，能够模拟人脑神经元结构，从多个视觉维度呈现新增的业务操作内容及动态变化流程，使得业务状态机在融合后的神经网络模型中可视化呈现，因此突破了扁平化呈现方式，有效改善了大数据量的可视化效果。此外，还能够符合人脑思维，便于管理员快速定位数据变化及关联异常，改善了对信息安全风险的响应速度。请参阅图3，图3为本申请实施例公开的另一种数据可视化方法的流程示意图。301、获取预设的安全元素信息。在本申请实施例中，安全元素信息可以是人为设定，且用于定义态势感知网络信息安全的安全元素。具体来说，安全元素信息可以包括定义的安全数据类型，安全数据类型至少可以包括资产数据类型、攻击数据类型、漏洞数据类型和安全机制类型，对此不做限定。进一步的，安全元素信息还可以包括不同安全数据类型下的多个字段属性，具体可参考表1所示，亦不做具体限定。表1安全元素信息定义表安全数据类型字段属性资产数据类型硬件信息：cpu、内存、磁盘等；软件信息：操作系统、网络服务、网络进程、软件分类、名称、版本、厂家等；文件信息：文件名、文件路径等；以及，用户资料信息等攻击数据类型发生时间、攻击源ip地址、攻击源端口、协议、目标ip地址、目标端口等漏洞数据类型cve编号、漏洞名称、影响文件路径等安全机制类型加密机制、安全认证机制、访问控制策略等302、根据安全元素信息进行数据采集，获得信息安全数据。303、对信息安全数据进行数据融合分析，构建多种信息安全状态机。作为一种可选的实施方式，当安全元素信息包括多种安全数据类型以及每种安全数据类型下的多个字段属性，步骤302具体可以为：第一步：根据每种安全数据类型以及每种安全数据类型下的多个字段类型，构建每种安全数据类型的本体结构。其中，本体结构是一种语义数据模型结构，用于描述数据类型、字段属性及其相互关系。在一些实现方式中，还可以将构建的所有本体结构加入本体库，实现对本体库中各本体结构的灵活添加与调用。以表1所示的安全元素信息定义表为例，可以根据资产数据类型、攻击数据类型、漏洞数据类型和安全机制类型这四种安全数据类型，构建四种不同类型的本体结构。进一步的，每种安全数据类型的本体结构还可以根据安全数据类型下具有层级关系的字段属性，定义有相应的字段属性节点。第二步：基于每种安全数据类型的本体结构进行数据采集，获得每种安全数据类型的实例化图谱。示例性的，资产数据类型的本体结构中存在字段属性节点“文件信息”，则在一种实例化方式中，可以对电脑c盘进行文件信息采集，以对“文件信息”这一字段属性节点进行实例化，并形成一个知识图谱，即“c盘-m个目录文件-每个目录文件下的所有子文件”。类似的，如果本体结构包括多个字段属性节点，则每个字段属性节点均可以通过数据采集实现实例化，最终形成强大的实例化图谱。相应的，步骤303具体可以为：将每种安全数据类型的实例化图谱进行数据融合分析，构建多种信息安全状态机。具体来说，针对每种安全数据类型，可以以数据融合后的实例化图谱中各节点为信息安全状态机的状态节点，以上述实例化图谱中的连接边为信息安全状态机中各状态节点对应的连接关系，构建信息安全状态机。示例性的，针对资产数据类型、攻击数据类型、漏洞数据类型以及安全机制类型各自对应的实例化图谱，可以分别构建资产状态机、攻击状态机以及漏洞状态机。可见，通过对待采集的安全数据类型、字段属性及其相互关系构建通用化的本体结构，形成了结构良好的分类学层次结构，从而基于本体结构进行数据采集，再将采集到的数据经过数据抽取、数据融合及数据推理等步骤，即可构建出不同安全数据类型的实例化图谱，能够实现对采集数据的智能挖掘及关联分析，满足构建状态机的数据准备需求。304、根据多种信息安全状态机进行神经网络构建，获得神经网络模型。在本申请实施例中，具体的，首先，将多种信息安全状态机进行数据融合，以对不同信息安全状态机之间相关联的状态节点建立连接关系。比如，漏洞状态机中，状态节点p1的下属状态节点p2记载有漏洞发生的文件信息，若资产状态机的另一状态节点p3记载有相同的文件信息，则可以建立状态节点p1和状态节点p3的连接关系。之后，再针对每种信息安全状态机，以信息安全状态机中各状态节点为神经元节点，以信息安全状态机中各状态节点对应的连接关系为各神经元节点对应的轴突关系，并以信息安全状态机中各状态节点的属性值为各神经元节点对应的树突信息，生成神经网络模型。可见，实施上述步骤301至步骤304，能够对全网信息安全数据进行采集和分析，构建出神经网络模型，从而以多维度的神经元网络结构呈现海量信息安全数据，便于大数据集成管理。作为一种可选的实施方式，在构建神经网络模型之后，还可以获取对任一安全数据类型的动态数据，再将动态数据与神经网络模型中相应安全数据类型的信息安全状态机进行数据融合，以更新信息安全状态机，进而更新神经网络模型，能够实现高效且准确的网络安全态势感知，联动呈现安全元素信息的动态变化。比如，当采集到新增的黑客攻击数据时，可以利用黑客攻击数据更新神经网络模型所包含的攻击状态机；当采集到新增的网络异常数据时，可以利用网络异常数据更新资产状态机。305、获取业务操作数据。306、根据业务操作数据，生成业务状态机。307、将业务状态机与预先构建的神经网络模型进行数据融合，获得融合后的神经网络模型，使得业务状态机在融合后的神经网络模型中可视化呈现。在本申请实施例中，步骤305至步骤307可以参照图1所示方法实施例中对步骤101至步骤103的描述，在此不再赘述。308、获取配置管理参数，配置管理参数用于管理神经网络的配置内容。在本申请实施例中，配置管理参数可以包括阈值管理参数、图标配置参数以及节点管理参数等，对此不做具体限定。其中，阈值管理参数可用于设定改变神经网络配置的数据阈值，图标配置参数用于管理图标库以及神经网络采用的图标配置，节点管理参数用于管理神经网络的神经元节点配置。309、结合配置管理参数对融合后的神经网络模型进行配置管理。作为一种可选的实施方式，步骤309具体可以为：根据配置管理参数，对融合后的神经网络模型所包含的状态机进行数据分析，确定融合后的神经网络模型所包含的状态机中各组成要素的可视化对象属性；结合各组成要素的可视化对象属性，对各组成要素在融合后的神经网络模型中对应的网络要素进行可视化处理。其中，状态机的组成要素可以包括状态节点、状态节点的属性值以及状态节点之间的连接关系，神经网络模型中的网络要素可以包括神经元节点、神经元节点的树突以及神经元节点之间的轴突关系，而可视化对象属性可以包括图标类型（比如球形、棱形或立方体等）、大小或者颜色等，均不做具体限定。具体的，在一种实现方式中，当配置管理参数包括阈值管理参数和图标管理参数时，针对融合后的神经网络模型所包含的状态机，可以对指定的状态节点进行阈值分析，并根据阈值分析结果确定指定状态节点的可视化对象属性。其中，指定的状态节点可以是预先设置为基于数据驱动变换图标的节点。举例来说，假设指定的状态节点是用于记载设备cpu使用率的节点，对该状态节点设定的阈值管理参数包括70%和85%，而图标管理参数中，分别对正常、告警以及严重状态的状态节点配置绿色图标、黄色图标和红色图标。在对该状态节点进行阈值分析后，若状态节点记载的设备cpu使用率小于或等于70%，则状态节点正常，确定对相应神经元节点采用绿色图标；若状态节点记载的设备cpu使用率处于70%至85％之间，则状态节点告警，确定对相应神经元节点采用黄色图标；若若状态节点记载的设备cpu使用率处于70%至85％之间，则状态节点告警，确定对相应神经元节点采用红色图标。在其他可选的实施方式中，基于图标管理参数，还可以根据不同状态机所对应的数据类型、状态节点的数据采集时间或者状态节点的数据重要级等，对相应的网络要素采用不同的图标配置。一种实现方式中，融合后的神经网络模型中，资产状态机、攻击状态机、漏洞状态机、安全状态机以业务状态机对应的网络要素分别采用不同的图标类型，以相互区分。另一种实现方式中，状态节点的数据采集时间越早，则为相应神经元节点配置的图标越小，反之，则为相应神经元节点配置的图标越大，便于更直观地捕捉最新数据。又一种实现方式中，状态节点对应的连接关系数量与其数据重要级成正比，而当状态节点的数据重要级越高，则为相应的神经元节点配置的图标越大，便于定位重要数据。可以理解的是，上述结合配置管理参数对融合后的神经网络模型进行配置管理的具体实施方式同样适用于步骤304中构建的神经网络模型，不再赘述。可见，实施上述步骤308和309，能够模拟人脑神经元实时通信机制，将状态机数据与配置管理参数相结合，从而基于数据驱动实现对神经网络进行配置内容管理，使得神经网络的可视化效果更加多样化，适用于更多的网络管理需求。综上，请参阅图4，图4为本申请实施例所应用的一种软件架构示意图。通过如图4所示的软件架构，实现了数据采集、融合、建模以及处理分析的全过程。其中，采集模块采集信息安全数据。状态机管理模块可以采用大数据人工智能分析引擎对采集到的信息安全数据进行数据融合，生成多种状态机。可视化模块可以利用脉冲神经网络学习算法以及三维建模技术，对状态机管理模块中的多种状态机进行神经网络构建，生成可视化的神经网络模型。而配置管理模块可以通过读取状态机管理模块中各状态机的数据，执行对可视化模块中神经网络模型的可视化配置管理。可见，实施上述方法实施例，能够模拟人脑神经元结构，从多个视觉维度呈现新增的业务操作内容及动态变化流程，使得业务状态机在融合后的神经网络模型中可视化呈现，因此突破了扁平化呈现方式，有效改善了大数据量的可视化效果。此外，还能够符合人脑思维，便于管理员快速定位数据变化及关联异常，改善了对信息安全风险的响应速度；此外，还能够基于数据驱动实现对神经网络进行配置内容管理，使得神经网络的可视化效果更加多样化，适用于更多的网络管理需求。上述对本申请实施例中的数据可视化方法进行了说明，下面对本申请实施例中的数据可视化装置进行说明。请参阅图5，图5为本申请实施例公开的一种数据可视化装置的结构示意图，包括：获取模块501，用于获取业务操作数据；生成模块502，用于根据业务操作数据，生成业务状态机；融合模块503，用于将业务状态机与预先构建的神经网络模型进行数据融合，获得融合后的神经网络模型，使得业务状态机在融合后的神经网络模型中可视化呈现。在本申请实施例中，作为一种可选的实施方式，融合模块503，具体用于将业务状态机与预先构建的神经网络模型所包含的多种现有状态机进行数据融合，使得不同状态机之间相关联的状态节点建立连接关系；以业务状态机中各状态节点为神经元节点，并以业务状态机中各状态节点对应的连接关系为各神经元节点对应的轴突关系，将业务状态机添加到神经网络模型中，获得融合后的神经网络模型。在本申请实施例中，作为一种可选的实施方式，该装置还可以包括采集模块和构建模块，其中：获取模块501还用于在融合模块503将业务状态机与预先构建的神经网络模型进行数据融合之前，获取预设的安全元素信息。采集模块，用于根据安全元素信息进行数据采集，获得信息安全数据。构建模块，用于对信息安全数据进行数据融合分析，构建多种信息安全状态机；根据多种信息安全状态机进行神经网络构建，获得神经网络模型。进一步的，作为一种可选的实施方式，安全元素信息包括多种安全数据类型以及每种安全数据类型下的多个字段属性。采集模块，具体用于根据每种安全数据类型以及每种安全数据类型下的多个字段类型，构建每种安全数据类型的本体结构；基于每种安全数据类型的本体结构进行数据采集，获得每种安全数据类型的实例化图谱。构建模块，还用于将每种安全数据类型的实例化图谱进行数据融合分析，构建多种信息安全状态机。进一步的，作为一种可选的实施方式，安全元素信息包括资产数据类型、攻击数据类型、漏洞数据类型和安全机制类型。在本申请实施例中，作为一种可选的实施方式，该装置还包括管理模块。获取模块501，还用于获取配置管理参数，配置管理参数用于管理神经网络的配置内容。管理模块，用于结合配置管理参数对融合后的神经网络模型进行配置管理。进一步的，作为一种可选的实施方式，管理模块，具体用于根据配置管理参数，对融合后的神经网络模型所包含的状态机进行数据分析，确定融合后的神经网络模型所包含的状态机中各组成要素的可视化对象属性；结合各组成要素的可视化对象属性，对各组成要素在融合后的神经网络模型中对应的网络要素进行可视化处理。需要说明的是，本实施例的具体实现过程可参见上述方法实施例所述的具体实现过程，在此不再叙述。请参阅图6，图6为本申请实施例公开的另一种数据可视化装置的结构示意图，包括：一个或多个存储器601；一个或多个处理器602，用于执行存储在一个或多个存储器601中的一个或多个计算机程序，以执行上述各实施例中描述的方法。需要说明的是，本实施例的具体实现过程可参见上述方法实施例所述的具体实现过程，在此不再叙述。本申请实施例提供一种计算机可读存储介质，其上存储有计算机指令，该计算机指令运行时使计算机执行上述方法实施例所描述的数据可视化方法。本申请实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器（read-onlymemory，rom）、随机存储器（randomaccessmemory，ram）、可编程只读存储器（programmableread-onlymemory，prom）、可擦除可编程只读存储器（erasableprogrammablereadonlymemory，eprom）、一次可编程只读存储器（one-timeprogrammablereadonlymemory，otprom）、电子抹除式可复写只读存储器（electrically-erasableprogrammableread-onlymemory，eeprom）、只读光盘（compactdiscread-onlymemory，cd-rom）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。当前第1页12