交易数据的风险识别方法和风险识别装置与流程

1.本技术涉及人工智能领域，更具体地，涉及一种交易数据的风险识别方法和风险识别装置。


背景技术：

2.随着手机支付的普及，各种新型诈骗方式及渠道层出不穷，受骗用户逐渐呈现年轻化、多样化的趋势，因此，针对诈骗行为进行监测和提示对保护用户的财产安全具有重大意义。
3.金融机构常用的防诈骗方式主要为线下人工提醒，受众也多为老年人，而目前用户更常使用移动端进行支付，这样缺乏对线上的高风险交易的监测和提示。因此，目前亟需提供一种风险识别方法，以对用户的交易数据的风险程度进行识别。


技术实现要素：

4.本技术提供一种交易数据的风险识别方法和风险识别装置，可以识别线上高风险交易，有利于提高风险识别的准确率。
5.第一方面，提供了一种交易数据的风险识别方法，包括：获取当前交易的交易数据。将交易数据输入至风险识别模型，获得当前交易的风险识别结果，风险识别结果包括正常交易和高风险交易，该风险识别模型是通过对历史时间段的多笔交易的交易数据进行训练得到的，该历史时间段的交易数据在训练过程中被规范化为具有加权系数的多个特征属性数据，该加权系数用于表示该多个特征属性数据中每个特征属性数据对风险识别结果的影响程度。
6.在本技术中，数据处理设备可以采集用户当前的交易数据，对当前的交易数据进行在线监测和识别，得到交易数据的风险识别结果，该风险识别结果可以包括正常交易和高风险交易，这样基于大量历史交易数据训练的风险识别模型可以识别线上高风险交易，有利于提高风险识别的准确率，并且可以通过风险提示及时中止诈骗交易，减少用户的财产损失。
7.结合第一方面，在第一方面的某些实现方式中，特征属性数据包括下列至少一个：交易金额、交易频率、交易金额是否成倍增长、交易金额是否为特殊金额、交易账户的注册时间、交易账户的注册地址以及交易账户的户主性别。
8.结合第一方面，在第一方面的某些实现方式中，在将交易数据输入至风险识别模型，获得当前交易的风险识别结果之前，该方法还包括：对历史时间段的交易数据进行数据清洗和规范化处理，获得多个特征属性数据。根据多个特征属性数据中每个特征属性数据的标准差和平均值，确定每个特征属性数据的加权系数。根据多个特征属性数据和多个特征属性数据的加权系数，训练风险识别模型。
9.结合第一方面，在第一方面的某些实现方式中，多个特征属性数据中的第j个特征属性数据的加权系数表示如下：
[0010][0011]
其中，σj表示第j个特征属性数据的标准差，μj表示第j个特征属性数据的平均值，j为大于或等于1的整数。
[0012]
结合第一方面，在第一方面的某些实现方式中，在根据多个特征属性数据和多个特征属性数据的加权系数，训练风险识别模型之前，该方法还包括：将多个特征属性数据划分为多个训练样本和测试样本。根据多个特征属性数据和多个特征属性数据的加权系数，分别计算测试样本与多个训练样本中每个训练样本之间的欧式距离。基于测试样本与每个训练样本之间的欧式距离，从多个训练样本中确定k个训练样本，k个训练样本是多个训练样本中与测试样本的欧式距离最近的训练样本。基于k个训练样本的风险类别，确定测试样本的风险类别。调整k的取值，重复计算测试样本和多个训练样本中每个训练样本之间的欧式距离，训练风险识别模型。
[0013]
第二方面，提供了一种交易数据的风险识别装置，用于执行上述第一方面中任一种可能的实现方式中的方法。具体地，该装置包括用于执行上述第一方面中任一种可能的实现方式中的方法的模块。
[0014]
第三方面，提供了一种交易数据的风险识别装置，包括处理器，该处理器与存储器耦合，可用于执行存储器中的指令，以实现上述第一方面中任一种可能实现方式中的方法。可选地，该装置还包括存储器。可选地，该装置还包括通信接口，处理器与通信接口耦合。
[0015]
第四方面，提供了一种处理器，包括：输入电路、输出电路和处理电路。处理电路用于通过输入电路接收信号，并通过输出电路发射信号，使得处理器执行上述第一方面中任一种可能实现方式中的方法。
[0016]
在具体实现过程中，上述处理器可以为芯片，输入电路可以为输入管脚，输出电路可以为输出管脚，处理电路可以为晶体管、门电路、触发器和各种逻辑电路等。输入电路所接收的输入的信号可以是由例如但不限于接收器接收并输入的，输出电路所输出的信号可以是例如但不限于输出给发射器并由发射器发射的，且输入电路和输出电路可以是同一电路，该电路在不同的时刻分别用作输入电路和输出电路。本技术对处理器及各种电路的具体实现方式不做限定。
[0017]
第五方面，提供了一种处理装置，包括处理器和存储器。该处理器用于读取存储器中存储的指令，并可通过接收器接收信号，通过发射器发射信号，以执行上述第一方面中任一种可能实现方式中的方法。
[0018]
可选地，处理器为一个或多个，存储器为一个或多个。
[0019]
可选地，存储器可以与处理器集成在一起，或者存储器与处理器分离设置。
[0020]
在具体实现过程中，存储器可以为非瞬时性(non-transitory)存储器，例如只读存储器(read only memory，rom)，其可以与处理器集成在同一块芯片上，也可以分别设置在不同的芯片上，本技术对存储器的类型以及存储器与处理器的设置方式不做限定。
[0021]
应理解，相关的数据交互过程例如发送指示信息可以为从处理器输出指示信息的过程，接收能力信息可以为处理器接收输入能力信息的过程。具体地，处理输出的数据可以输出给发射器，处理器接收的输入数据可以来自接收器。其中，发射器和接收器可以统称为收发器。
[0022]
上述第五方面中的处理装置可以是一个芯片，该处理器可以通过硬件来实现也可以通过软件来实现，当通过硬件实现时，该处理器可以是逻辑电路、集成电路等；当通过软件来实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器可以集成在处理器中，可以位于该处理器之外，独立存在。
[0023]
第六方面，提供了一种计算机程序产品，计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当计算机程序被运行时，使得计算机执行上述第一方面中任一种可能实现方式中的方法。
[0024]
第七方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序(也可以称为代码，或指令)当其在计算机上运行时，使得计算机执行上述第一方面中任一种可能实现方式中的方法。
附图说明
[0025]
图1是一种k近邻(k-nearest neighbor，knn)算法的原理示意图；
[0026]
图2是本技术实施例提供的一种交易数据的风险识别方法的示意性流程图；
[0027]
图3是本技术实施例提供的另一种交易数据的风险识别方法的示意性流程图；
[0028]
图4是本技术实施例提供的一种交易数据的风险识别装置的示意性框图；
[0029]
图5是本技术实施例提供的另一种交易数据的风险识别装置的示意性框图。
具体实施方式
[0030]
在介绍本技术实施例提供的交易数据的风险识别方法和风险识别装置之前，先做出以下几点说明。
[0031]
第一，在下文示出的实施例中，各术语及英文缩略语，如风险识别模型、特征属性数据、加权系数等，均为方便描述而给出的示例性举例，不应对本技术构成任何限定。本技术并不排除在已有或未来的协议中定义其它能够实现相同或相似功能的术语的可能。
[0032]
第二，在下文示出的实施例中第一、第二以及各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围。
[0033]
第三，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“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的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a、b和c中的至少一项(个)，可以表示：a，或b，或c，或a和b，或a和c，或b和c，或a、b和c，其中a，b，c可以是单个，也可以是多个。
[0034]
随着手机支付的普及，各种新型诈骗方式及渠道层出不穷，受骗用户也呈现出年轻化、多样化的趋势。目前较为流行的防诈骗手段多为电信运营商对高风险号码进行监测预警，当境外号码或者高风险号码产生通话时，运营商可以进行短信推送预警。而金融机构常用的防诈骗手段主要集中在线下，针对易受骗人群(例如，老年人)的大额汇款，金融网点的服务人员可以通过询问用途等方式进行劝导，但是这种风险识别方式需要人工介入，效率低下，并且对高风险交易的识别依赖于工作人员的经验，对于风险识别的准确率不高。
[0035]
随着电子支付的普及，大多数用户更倾向于进行线上交易，但是目前缺乏对线上
的高风险交易的监测和提示。有鉴于此，本技术实施例提供一种交易数据的风险识别方法和风险识别装置，可以识别用户的线上交易的风险程度，提高风险识别的准确性。
[0036]
需要说明的是，本技术实施例的交易数据的风险识别方法和风险识别装置可用于人工智能领域，也可用于除人工智能领域以外的任意领域，本技术实施例对应用领域不作限定。
[0037]
下面首先对本技术实施例涉及的knn算法进行简单介绍。
[0038]
knn算法是一种常用的分类算法，k近邻表示k个最近的邻居，也就是每个样本都可以用它最接近的k个邻近样本来代表。如果一个待分类样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，那么这个待分类样本也属于这个类别，并且具有这个类别上样本的特征。
[0039]
图1是一种knn算法的原理示意图。如图1所示，图例1表示待分类样本，图例2表示一类已知类别的样本，图例3表示另一类已知类别的样本。假设k＝3，通过knn算法确定与待分类样本距离最近的三个已知类别的样本。由图1可知，在与待分类样本距离最近的三个已知类别的样本中，有两个是图例2表示的已知类别的样本，有一个是图例3表示的已知类别的样本，那么可以将待分类样本归类为图例2表示的已知类别的样本的类别。
[0040]
图2是本技术实施例提供的一种交易数据的风险识别方法200的示意性流程图。方法200可以通过数据处理设备执行，示例性地，数据处理设备可以是服务器或其它具有数据处理功能的设备，本技术实施例对此不作限定。
[0041]
方法200包括如下步骤：
[0042]
s201，获取当前交易的交易数据。
[0043]
s202，将交易数据输入至风险识别模型，获得当前交易的风险识别结果。
[0044]
其中，风险识别结果包括正常交易和高风险交易，风险识别模型是通过对历史时间段的多笔交易的交易数据进行训练得到的，该历史时间段的交易数据在训练过程中被规范化为具有加权系数的多个特征属性数据，该加权系数用于表示多个特征属性数据中每个特征属性数据对风险识别结果的影响程度。
[0045]
可选地，方法200还包括：在所述当前交易的风险识别结果为高风险交易的情况下，进行风险提示。
[0046]
在本技术实施例中，数据处理设备可以对历史时间段的多笔交易的交易数据进行数据规范化处理，得到历史时间段的交易数据的多个特征属性数据，并根据该多个特征属性数据进行离线模型训练，得到风险识别模型。在得到训练好的风险识别模型之后，数据处理设备可以采集用户当前的交易数据，对当前的交易数据进行在线监测和识别，得到交易数据的风险识别结果，该风险识别结果可以包括正常交易和高风险交易，这样可以识别线上高风险交易，有利于提高风险识别的准确率，并且可以通过风险提示及时中止诈骗交易，减少用户的财产损失。
[0047]
在风险识别模型识别到当前交易的风险识别结果为高风险交易的情况下，数据处理设备可以向当前被诈骗用户的终端设备、银行的后台维护设备、银行的管理设备或者公安机关的防诈骗设备等发送提示信息，该提示消息用于提示当前的交易为高风险交易。
[0048]
可选地，上述高风险交易包括高危账户交易、频繁转账交易、大额交易、特殊金额交易或者转账金额成倍增加交易中的至少一种。
[0049]
可选地，风险提示可以包括高危账户提示、转账次数频繁提示、大额交易提示、特殊金额提示或者交易额度成倍增加提示中的至少一种。
[0050]
示例性地，可以对历史时间段的多笔交易的交易数据采用机器学习算法进行分析得到上述风险识别模型。其中，机器学习算法可以是knn、支持向量机(support vector machine，svm)、k-均值(k-means)、决策树(decision tree)等。
[0051]
示例性地，数据处理设备可以将多个特征属性数据按照7：3划分为训练集和验证集。应理解，本技术实施例对训练集和验证集的比例不作限定。
[0052]
作为一个可选的实施例，上述特征属性数据包括下列至少一个：交易金额、交易频率、交易金额是否成倍增长、交易金额是否为特殊金额、交易账户的注册时间、交易账户的注册地址以及交易账户的户主性别。
[0053]
应理解，本技术实施例中的交易账户的注册时间包括交易双方的交易账户的注册时间。交易账户的注册地址包括交易双方的交易账户的注册地址。交易账户的户主性别包括交易双方的交易账户的户主性别。
[0054]
下面本技术实施例以knn算法为例，对风险识别模型的训练过程进行介绍。
[0055]
图3是本技术实施例提供的一种模型训练方法300的示意性流程图。方法200可以通过上述数据处理设备执行，方法300的步骤可以在方法200的步骤之前执行，但本技术实施例对此不作限定。方法300包括如下步骤：
[0056]
s301，对历史时间段的交易数据进行数据清洗和规范化处理，获得多个特征属性数据。
[0057]
示例性地，数据处理设备可以将历史时间段的交易双方的交易金额、交易频率、大额账单转出频率、交易金额是否成倍增加、是否特殊交易金额、交易账户的注册地址、交易账户的注册时间、交易账户的户主信息等交易数据作为样本数据训练风险识别模型。
[0058]
在本技术实施例中，在离线训练阶段，数据处理设备获取历史时间段的多笔交易的交易数据，由于获取的交易数据的样本集较大时会出现计算量大、空间开销大等情况，因此数据处理设备首先可以对交易数据进行数据清洗，去除对风险识别的作用不大的样本数据。例如，针对多次转账的诈骗情景，数据处理设备可以去除新账户、交易频率较低的样本数据。
[0059]
可选地，在数据清洗之后，数据处理设备可以将获取的样本数据进行缺失补全，例如，将缺失的数字使用0补全，将缺失的文本使用“nullvalue”补全以实现文本信息数字化。
[0060]
在数据清洗之后，由于knn算法需要使用计算欧氏距离，要求样本数据可以做比较量化，因此数据处理设备可以对样本数据中的非数值类型进行数据规范化处理，对于样本数据中的非数值类型，将其量化为数值类型。例如，将交易账户的注册地址量化为注册网点号，将交易账户的户主性别中的男性量化为-1，女性量化为1，将交易金额是成倍增加量化为1，将交易金额不是成倍增加量化为-1，将交易金额是特殊金额量化为1，将交易金额不是特殊金额量化为-1。
[0061]
示例性地，特殊金额可以是8888、1888、999等数值。
[0062]
在经过上述数据清洗和规范化处理之后，数据处理设备可以得到多个特征属性数据。
[0063]
s302，将多个特征属性数据划分为多个训练样本和测试样本。
[0064]
应理解，本技术实施例中，数据处理设备可以将上述训练集的多个特征属性数据划分为多个训练样本和测试样本，每个训练样本和每个测试样本都包括多个特征属性数据。
[0065]
可选地，数据处理设备可以采用10重交叉验证法，将训练集随机分为10个包，每次使用其中一个包作为测试样本，其余九个包作为上述多个训练样本计算欧氏距离，如此重复10次。
[0066]
s303，根据多个特征属性数据中每个特征属性数据的标准差和平均值，确定每个特征属性数据的加权系数。
[0067]
由于不同诈骗手段呈现出的特征属性数据有所差异，因此可以选择变异系数计算每个特征属性数据的权重系数，这样有利于消除样本中测量尺度和量纲的影响。多个特征属性数据中的第j个特征属性数据的加权系数的计算公式表示如下：
[0068][0069]
其中，σj表示第j个特征属性数据的标准差，μj表示第j个特征属性数据的平均值，j为大于或等于1的整数。σj可以通过如下公式得到：
[0070][0071]
其中，n表示样本的数量，μ
i,j
表示第i个样本中第j个特征属性数据。
[0072]
s304，根据多个特征属性数据和多个特征属性数据的加权系数，分别计算测试样本与多个训练样本中每个训练样本之间的欧式距离。
[0073]
传统计算欧氏距离的方法将每个特征属性数据对分类结果的影响视为一致，这与实际的防诈骗场景不符。通常，诈骗往往为短时间的高频特殊金额交易，所以样本数据中的交易金额、交易频率、交易金额是否成倍增长以及交易金额是否为特殊金额这四个特征属性数据应该占据更大权重。本技术实施例可以基于上述每个特征属性数据的加权系数，通过如下公式计算测试样本和训练样本之间的欧氏距离：
[0074][0075]
其中，d(x,y)表示测试样本和训练样本之间的欧氏距离，m表示特征属性数据的数量，αj表示第j个特征属性数据的加权系数，xj表示测试样本中第j个特征属性数据，yj表示训练样本中第j个特征属性数据。
[0076]
在knn算法中，k值的选取对分类结果的影响较大，选取过小可能会导致模型分类变多，出现过拟合，选取过大可能会受到距离较远的样本的影响，因此模型训练过程中需要计算训练样本和测试样本之间的欧式距离，不断优化k的取值不断调整优化k的取值。
[0077]
s305，基于测试样本与每个训练样本之间的欧式距离，从多个训练样本中确定k个训练样本，其中，k个训练样本是多个训练样本中与测试样本的欧式距离最近的训练样本。
[0078]
以上述10重交叉验证为例，每次验证中共有n个训练样本，记录每个训练样本t[]＝{(x1,y1),(x2,y2),
…
,(xm,ym)}。在第一次验证时，数据处理设备可以获取初始k值进行
模型训练，其中，初始k值可以是根据开发人员的经验选取的。示例性地，在之后的验证过程中，数据处理设备可以根据初始k值的大小逐渐减小或者增大k值。
[0079]
下面介绍从多个训练样本中确定k个训练样本的步骤。
[0080]
步骤一，根据初始k值选择k个训练样本作为测试样本的初始近邻，记录为t[1]，t[2]，
……
，t[k]，其中，k《n。
[0081]
步骤二，分别计算k个初始近邻与测试样本x之间的欧式距离，记为d(x,t[i])，i＝1，2，
……
，k。
[0082]
步骤三，数据处理设备将k个初始近邻与测试样本x之间的欧式距离从大到小排序，确定与测试样本的欧式距离最远的训练样本(下文中称为最远样本)，最远的欧式距离记为max d(x,t[i])，i＝1，2，
……
，k。
[0083]
步骤四，在剩余的训练样本中选择一个训练样本(下文中称为剩余训练样本)计算与测试样本x之间的欧式距离d，如果d》max d(x,t[i])，则由剩余训练样本替换上述最远样本，更新测试样本x的k个初始近邻。
[0084]
步骤五，重复上述步骤三和步骤四直至选出n个训练样本中与测试样本x的距离最近的k个最近邻样本，也就是多个训练样本中与测试样本的欧式距离最近的训练样本。
[0085]
s306，基于k个训练样本的风险类别，确定测试样本的风险类别。
[0086]
在本步骤中，数据处理设备可以根据少数服从多数的原则，让未知类别的测试样本归类为k个最近邻样本中最多数的风险类别。
[0087]
进一步地，数据处理设备可以计算初始k值下分类结果的误差率。
[0088]
s307，调整k的取值，重复计算测试样本和多个训练样本中每个训练样本之间的欧式距离，训练风险识别模型。
[0089]
示例性地，初始k值可以为1，之后数据处理设备可以每次将k值加1，直至达到预设的最大k值，风险识别模型训练结束。示例性地，最大k值可以为20，本技术实施例对此不作限定。
[0090]
应理解，每个k值都对应一个分类结果的误差率，数据处理设备可以确定对应最小误差率的k值作为最终的目标k值进行模型部署。
[0091]
可选地，数据处理设备可以使用上述验证集对风险识别模型进行验证并优化k值，之后部署风险识别模型，对线上的交易数据进行监控和风险识别，在识别到高风险交易时，数据处理设备可以向银行人员的终端设备、公安机关的防诈骗设备、用户的终端设备等发送提示信息提醒相关人员当前的交易为诈骗交易，从而减少用户的财产损失。
[0092]
应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0093]
上文中结合图2至图3，详细描述了根据本技术实施例的交易数据的风险识别方法，下面将结合图4和图5详细描述根据本技术实施例的交易数据的风险识别装置。
[0094]
图4示出了本技术实施例提供的一种交易数据的风险识别装置400的示意性框图，该装置400包括获取模块410和处理模块420。
[0095]
其中，获取模块410用于：获取当前交易的交易数据。处理模块420用于：将交易数据输入至风险识别模型，获得当前交易的风险识别结果。
[0096]
上述风险识别结果包括正常交易和高风险交易，该风险识别模型是通过对历史时
间段的多笔交易的交易数据进行训练得到的，该历史时间段的交易数据在训练过程中被规范化为具有加权系数的多个特征属性数据，该加权系数用于表示该多个特征属性数据中每个特征属性数据对风险识别结果的影响程度。
[0097]
可选地，特征属性数据包括下列至少一个：交易金额、交易频率、交易金额是否成倍增长、交易金额是否为特殊金额、交易账户的注册时间、交易账户的注册地址以及交易账户的户主性别。
[0098]
可选地，处理模块420用于：对历史时间段的交易数据进行数据清洗和规范化处理，获得多个特征属性数据；根据多个特征属性数据中每个特征属性数据的标准差和平均值，确定每个特征属性数据的加权系数；以及，根据多个特征属性数据和多个特征属性数据的加权系数，训练风险识别模型。
[0099]
可选地，多个特征属性数据中的第j个特征属性数据的加权系数表示如下：
[0100][0101]
其中，σj表示第j个特征属性数据的标准差，μj表示第j个特征属性数据的平均值，j为大于或等于1的整数。
[0102]
可选地，处理模块420用于：将多个特征属性数据划分为多个训练样本和测试样本；根据多个特征属性数据和多个特征属性数据的加权系数，分别计算测试样本与多个训练样本中每个训练样本之间的欧式距离；基于测试样本与每个训练样本之间的欧式距离，从多个训练样本中确定k个训练样本，k个训练样本是多个训练样本中与测试样本的欧式距离最近的训练样本；基于k个训练样本的风险类别，确定测试样本的风险类别；以及，调整k的取值，重复计算测试样本和多个训练样本中每个训练样本之间的欧式距离，训练风险识别模型。
[0103]
在一个可选的例子中，本领域技术人员可以理解，装置400可以具体为上述实施例中的数据处理设备，或者，上述实施例中数据处理设备的功能可以集成在装置400中。上述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。装置400可以用于执行上述方法实施例中与数据处理设备对应的各个流程和/或步骤。
[0104]
应理解，这里的装置400以功能模块的形式体现。这里的术语“模块”可以指应用特有集成电路(application specific integrated circuit，asic)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。在本技术的实施例，图4中的装置400也可以是芯片或者芯片系统，例如：片上系统(system on chip，soc)。
[0105]
图5是本技术实施例提供的另一种交易数据的风险识别装置500的示意性框图。该装置500包括处理器510、收发器520和存储器530。其中，处理器510、收发器520和存储器530通过内部连接通路互相通信，该存储器530用于存储指令，该处理器510用于执行该存储器530存储的指令，以控制该收发器520发送信号和/或接收信号。
[0106]
应理解，装置500可以具体为上述实施例中的数据处理设备，或者，上述实施例中数据处理设备的功能可以集成在装置500中，装置500可以用于执行上述方法实施例中与数据处理设备对应的各个步骤和/或流程。可选地，该存储器530可以包括只读存储器和随机
存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。该处理器510可以用于执行存储器中存储的指令，并且该处理器执行该指令时，该处理器可以执行上述方法实施例中与数据处理设备对应的各个步骤和/或流程。
[0107]
应理解，在本技术实施例中，该处理器510可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
[0108]
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本技术实施例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。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器执行存储器中的指令，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0109]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0110]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0111]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0112]
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单元来实现本实施例方案的目的。
[0113]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0114]
所述功能如果以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，本技术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)执行本技术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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0115]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。