故障检测模型的建模方法、防护实现方法及相关设备与流程

1.本公开涉及计算机技术领域，尤其涉及一种故障检测模型的建模方法、应用程序的防护方法、装置、计算机设备、可读存储介质及程序。


背景技术：

2.目前，云计算、区块链和第六代移动通信等新技术的发展带动了海量的服务器新需求，服务器也朝着集约化一体化管理演进。虚拟化的服务器资源带来了更高效的资源利用率，但也为故障检测带来了很大困难，过于复杂的内部结构让开发人员很难迅速调试和测试。因此，如何通过智能化技术快速判断故障发生的时间和类型是未来十分意义的研究方向。


技术实现要素：

3.本公开实施例提供了一种故障检测模型的建模方法、应用程序的防护方法、装置、计算机设备、可读存储介质及程序，涉及计算机技术领域，建立的故障检测模型，提升了故障检测的检测准确度。
4.本公开实施例提供了一种故障检测模型的建模方法，包括：获取日志数据；将日志数据进行分组，其中每组日志数据均属于同一程序；将日志数据以组为单位进行标注；将完成标注的日志数据组转换成词嵌入矩阵组；将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力。
5.在一个实施例中，将日志数据以组为单位进行标注包括：在日志数据为故障日志时，将日志数据以组为单位标注为故障日志数据；在日志数据为非故障日志时，将日志数据以组为单位标注为非故障日志数据。
6.在一个实施例中，将日志数据以组为单位进行标注包括：计算日志数据组中每组日志数据与非故障或导致故障的方差；根据方差确定根据日志数据组获取语义向量时的权重。
7.在一个实施例中，将完成标注的日志数据组转换成词嵌入矩阵组包括：根据完成标注的日志数据组中第一日志的位置信息获取第一日志的位置编码；根据第一日志的类别信息构造生成矩阵；将第一日志的位置编码与生成矩阵相乘以获得第一日志的类别编码；将第一日志的位置编码与第一日志的类别编码组合获得第一日志的词嵌入矩阵；根据完成标注的日志数据组中所有日志的词嵌入矩阵获取词嵌入矩阵组。
8.在一个实施例中，将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模包括：将词嵌入矩阵组作为输入对序列至序列神经网络进行训练以完成故障检测模型的建模。
9.本公开实施例提供了一种应用程序的防护方法，包括：获取用户程序的访问日志数据；将访问日志数据转换成词嵌入矩阵；将访问日志数据的词嵌入矩阵输入至通过训练的故障检测模型进行检测；在故障检测模型检测为正常访问日志时，允许用户程序访问；在
故障检测模型检测为异常访问日志时，拒绝用户程序访问；其中故障检测模型是如上实施例中任一项的方法所建立的故障检测模型。
10.本公开实施例提供了一种故障检测模型的建模装置，包括：第一获取模块，用于获取日志数据；分组模块，用于将日志数据进行分组，其中每组日志数据均属于同一程序；标注模块，用于将日志数据以组为单位进行标注；第一转换模块，用于将完成标注的日志数据组转换成词嵌入矩阵组；训练模块，用于将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力。
11.本公开实施例提供了一种应用程序的防护装置，包括：第二获取模块，用于获取用户程序的访问日志数据；第二转换模块，用于将访问日志数据转换成词嵌入矩阵；输入模块，用于将访问日志数据的词嵌入矩阵输入至通过训练的故障检测模型进行检测；确定模块，用于在故障检测模型检测为正常访问日志时，允许用户程序访问；确定模块，还用于在故障检测模型检测为异常访问日志时，拒绝用户程序访问；其中故障检测模型是如上实施例中任一项的方法所建立的故障检测模型。
12.本公开实施例提供了一种计算机设备，包括处理器、存储器、输入输出接口；处理器分别与存储器和输入输出接口相连，其中，输入输出接口用于接收数据及输出数据，存储器用于存储计算机程序，处理器用于调用计算机程序，以使得计算机设备执行如上实施例中任一项的方法。
13.本公开实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序适于由处理器加载并执行，以使得具有处理器的计算机设备执行如上实施例中任一项的方法。
14.本公开实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上实施例中任一项的方法。
15.本技术的故障检测模型的建模方法，通过获取日志数据；将日志数据进行分组，其中每组日志数据均属于同一程序；将日志数据以组为单位进行标注；将完成标注的日志数据组转换成词嵌入矩阵组；将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力，能够建立根据日志数据对故障进行检测的故障检测模型，提升了故障检测的检测准确度。
附图说明
16.为了更清楚地说明本公开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公开的一些实施例，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。
17.图1示出了可以应用本公开实施方式的故障检测模型的建模方法的示例性系统架构的示意图；
18.图2是本公开实施例提供的一种故障检测模型的建模方法的流程图；
19.图3示出了一个实施例的词嵌入矩阵组的形成的示意图；
20.图4示出了一个实施例的神经网络的训练或预测结构图；
21.图5是本公开实施例提供的一种应用程序的防护方法的流程图；
22.图6是本公开实施例提供的一种故障检测模型的建模装置的结构示意图；
23.图7是本公开实施例提供的一种应用程序的防护装置的结构示意图；
24.图8是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
25.下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
26.在本公开实施例中，可以基于序列至序列(seq2seq)技术，获取日志数据；将日志数据进行分组，其中每组日志数据均属于同一程序；将日志数据以组为单位进行标注；将完成标注的日志数据组转换成词嵌入矩阵组；将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力，从而建立能够根据日志数据对故障进行检测的故障检测模型。
27.下面首先对本公开的一些术语进行说明：
28.序列至序列seq2seq，是以编码(encode)和解码(decode)为代表的架构方式，seq2seq模型是根据输入序列x来生成输出序列y，在翻译、文本自动摘要和机器人自动问答以及一些回归预测任务上有着广泛的运用。以encode和decode为代表的seq2seq模型，encode意思是将输入序列转化成一个固定长度的向量，decode意思是将输入的固定长度向量解码成输出序列。其中编码解码的方式可以是rnn(recurrent neural network，循环神经网络)、cnn(convolutional neural network，卷积神经网络)、lstm(长短期记忆网络，long short term memory)、gru(gate recurrent unit，门循环单元)等。
29.词嵌入，自然语言处理(nlp)中语言模型与表征学习技术的统称。概念上而言，它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。词嵌入的方法包括人工神经网络、对词语同现矩阵降维、概率模型以及单词所在上下文的显式表示等。在底层输入中，使用词嵌入来表示词组的方法极大提升了nlp中语法分析器和文本情感分析等的效果。
30.线性分组码，一个[n,k]线性分组码，是把信息划成k个码元为一段(称为信息组)，通过编码器变成长度为n个码元的一组，作为[n,k]线性分组码的一个码字。若每位码元的取值有q种(q为素数幂，q进制)，则共有q的k次方个码字。
[0031]
汉明距离，是一个概念，它表示两个(相同长度)字符串对应位置的不同字符的数量，以d(x,y)表示两个字x,y之间的汉明距离。对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。
[0032]
本公开实施例提供的方案涉及seq2seq、nlp和线性分组等技术。
[0033]
图1示出了可以应用本公开实施方式的故障检测模型的建模方法的示例性系统架构100的示意图。
[0034]
如图1所示，系统架构100可以包括终端101、102、103中的一种或多种，网络104和服务器105。网络104是用以在终端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0035]
应该理解，图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
[0036]
终端101、102、103通过网络104与服务器105交互，可以接收或发送消息等。终端101、102、103可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。
[0037]
服务器105可以是提供各种服务的服务器。例如终端103(也可以是终端101或102)向服务器105发送故障检测模型的建模的指令，服务器105可以获取日志数据；将日志数据进行分组，其中每组日志数据均属于同一程序；将日志数据以组为单位进行标注；将完成标注的日志数据组转换成词嵌入矩阵组；将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力。
[0038]
图1中系统架构也可以应用本技术的应用程序的防护方法。本技术的故障检测模型在完成建模后，可以设置在服务器105，在用户通过终端103(也可以是终端101或102)向服务器105发出调用请求时，服务器105端的故障检测模型可以对用户程序的访问日志数据进行检测，在故障检测模型检测为正常访问日志时，允许用户访问；在故障检测模型检测为异常访问日志时，拒绝用户访问。
[0039]
其中，终端可以是手机(如终端101)或平板电脑(如终端102)，还可以是台式计算机(如终端101)等，在此不做限制。其中，终端中可以显示应用程序，该应用程序可以是故障检测模型的建模的应用程序等。其中，图1中的终端仅为例举出的部分设备，在本公开中终端并不仅限于该图1中所例举的设备。
[0040]
可以理解的是，本公开实施例中所提及的终端可以是一种用户设备，本公开实施例中的服务器包括但不限于服务器或服务器组成的集群。其中，以上所提及的终端可以是一种电子设备，包括但不限于手机、平板电脑、智能语音交互设备、智能家电、车载终端、台式电脑、笔记本电脑、掌上电脑、车载设备、增强现实/虚拟现实(augmented reality/virtual reality，ar/vr)设备、头盔显示器、智能电视、可穿戴设备、智能音箱、数码相机、摄像头及其他具备网络接入能力的移动互联网设备(mobile internet device，mid)，或者火车、轮船、飞行等场景下的终端设备等。
[0041]
其中，以上所提及的服务器可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、车路协同、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统。
[0042]
可选的，本公开实施例中所涉及的数据可以存储在云平台中，或者可以基于云存储技术、区块链技术对该数据进行存储，在此不做限制。
[0043]
日志数据是在程序中嵌入的打印输出代码所产生的文本数据。日志数据记录了程序运行时的变量和执行状态等关键信息。通过日志数据，能够定位异常请求，追踪程序执行逻辑，执行更加细粒度的故障诊断。日志数据作为文本数据，既可以为机器学习的特征工程提供信息，也是属于深度学习广泛应用的自然语言处理。
[0044]
图2是本公开实施例提供的一种故障检测模型的建模方法的流程图。本公开实施例提供的方法可以由图1实施例中的终端或服务器执行，或由终端和服务器交互执行。
[0045]
如图2所示，本公开实施例提供的方法可以包括如下步骤。
[0046]
在步骤s210中，获取日志数据。
[0047]
在该步骤中，终端或服务器获取日志数据。其中，该步骤中的日志数据可以是用于对模型进行训练和测试的日志数据，
[0048]
在步骤s20中，将日志数据进行分组，其中每组日志数据均属于同一程序。
[0049]
在该步骤中，终端或服务器将日志数据进行分组，其中每组日志数据均属于同一程序。例如一个程序访问服务器后，形成了多条日志数据，将该多条日志数据进行分组，例如以30条为一组，不足30条的以零补齐，以确保每组日志数据均属于同一程序。
[0050]
在步骤s230中，将日志数据以组为单位进行标注。
[0051]
在该步骤中，终端或服务器将日志数据以组为单位进行标注。在一个实施例中，在日志数据为故障日志时，将日志数据以组为单位标注为故障日志数据；在日志数据为非故障日志时，将日志数据以组为单位标注为非故障日志数据。在一个实施例中，计算日志数据组中每组日志数据与非故障或导致故障的方差；根据方差确定根据日志数据组获取语义向量时的权重。其中，语义向量是seq2seq等神经网络的中间变量。
[0052]
在步骤s240中，将完成标注的日志数据组转换成词嵌入矩阵组。
[0053]
在该步骤中，终端或服务器将完成标注的日志数据组转换成词嵌入矩阵组。其中，在一个实施例中，根据完成标注的日志数据组中第一日志的位置信息获取第一日志的位置编码；根据第一日志的类别信息构造生成矩阵；将第一日志的位置编码与生成矩阵相乘以获得第一日志的类别编码；将第一日志的位置编码与第一日志的类别编码组合获得第一日志的词嵌入矩阵；根据完成标注的日志数据组中所有日志的词嵌入矩阵获取词嵌入矩阵组。其中，第一日志是日志数据组中的任一个日志。
[0054]
在步骤s250中，将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力。
[0055]
在该步骤中，终端或服务器将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力。在一个实施例中，将词嵌入矩阵组作为输入对序列至序列seq2seq神经网络进行训练以完成故障检测模型的建模。
[0056]
图2的故障检测模型的建模方法，通过获取日志数据；将日志数据进行分组，其中每组日志数据均属于同一程序；将日志数据以组为单位进行标注；将完成标注的日志数据组转换成词嵌入矩阵组；将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力，能够建立根据日志数据对故障进行检测的故障检测模型。
[0057]
下面结合具体示例对故障检测模型的建模方法进行说明书。
[0058]
图3示出了一个实施例的词嵌入矩阵组的形成的示意图。
[0059]
如图3所示，将日志数据的位置信息形成位置编码；根据日志数据的类别信息构造生成矩阵，将日志数据的位置编码与生成矩阵相乘以获得日志数据的类别编码；将日志数据的位置编码与日志数据的类别编码组合获得日志数据的词嵌入矩阵；多个日志(例如30个)形成词嵌入矩阵组。其中，图3中的日志数据转换可以是将完成标注的日志数据组转换成词嵌入矩阵组。
[0060]
图3中的词嵌入矩阵组的转换方法，通过在日志数据的位置编码(文本内容编码)的基础上增加类别编码，增大了日志数据向量之间的汉明距离，如果日志数据属于同一种类，那么汉明距离小，如果日志数据属于不同种类，那么汉明距离大；可以为训练数据增加新的区别特征，有利于模型的训练。
[0061]
图3的词嵌入矩阵组的形成示出了，将日志数据转换为词嵌入矩阵组的方法流程，通过在日志数据的位置编码(文本内容)的基础上增加类别编码，增大了日志数据之间的汉明距离。
[0062]
图4示出了一个实施例的神经网络的训练或预测结构图。
[0063]
如图4所示，神经网络例如为seq2seq；句子向量可以是完成标注的日志数据组转换成的词嵌入矩阵组，每个句子向量例如可以包括30个日志的词嵌入矩阵组；句子向量1-句子向量4作为输入以输入至编码器；根据不同句子对故障检测的方差确定不同句子在获取对应语义向量(例如c1)时的权重。句子向量1输出例如可以是句子向量1是何种故障。
[0064]
seq2seq在每个时刻的输出结果会受到全部输入序列的约束。它本质上可以看做条件性语言模型(公式1)：
[0065]
p(y
│
x)＝p(y_1
│
x)p(y_2
│
y_1,x)
…
(公式1)
[0066]
其中，p(y|x)代表x事件发生情况下y出现的概率，其他的同理。
[0067]
seq2seq的编码器采用了循环神经网络计算输入序列的隐藏状态(通常会保留最后一个隐藏状态)，该隐藏状态会经过一个全连接层后被传递给解码器，编码器的输入是词向量矩阵经过卷积及池化后得到的向量，以定长(30个日志信息一组)送入到编码器中。
[0068]
解码器也采用了循环神经网络，在训练时会接收编码器提供的隐藏状态与卷积层的输出向量作为输入，在预测时没有目标序列，会接受上一时刻解码器的输出及编码器提供的隐藏状态作为输入，并输出下一时刻预测的概率分布。
[0069]
图4的神经网络的训练方法，根据不同句子对故障检测的方差确定不同句子在获取对应语义向量(例如c1)时的权重，可以提高所训练模型的识别故障准确率。
[0070]
图5是本公开实施例提供的一种应用程序的防护方法的流程图。本公开实施例提供的方法可以由图1实施例中的服务器执行。
[0071]
本技术上述的故障检测模型在完成建模后，可以设置在图1中系统架构的服务器105端，在用户通过终端103(也可以是终端101或102)向服务器105发出调用请求时，会生成相应的访问日志数据，服务器105端的故障检测模型可以通过图5的方法对用户程序的访问日志数据进行检测。
[0072]
如图5所示，本公开实施例提供的方法可以包括如下步骤：
[0073]
在步骤s510中，获取用户程序的访问日志数据；
[0074]
在步骤s520中，将访问日志数据转换成词嵌入矩阵；
[0075]
在步骤s530中，将访问日志数据的词嵌入矩阵输入至通过训练的故障检测模型进行检测；
[0076]
在步骤s540中，在故障检测模型检测为正常访问日志时，允许用户程序访问；
[0077]
在步骤s550中，在故障检测模型检测为异常访问日志时，拒绝用户程序访问。
[0078]
本公开的应用程序的防护方法，在接收用户程序的调用请求时，获取用户程序的访问日志数据；将访问日志数据转换成词嵌入矩阵；将访问日志数据的词嵌入矩阵输入至
通过训练的故障检测模型进行检测；在故障检测模型检测为正常访问日志时，允许用户程序访问；在故障检测模型检测为异常访问日志时，拒绝用户程序访问，能够实现对用户程序的访问的检测。
[0079]
图6是本公开实施例提供的一种故障检测模型的建模装置的结构示意图。
[0080]
如图6所示，本公开实施例提供的故障检测模型的建模装置600可以包括：
[0081]
第一获取模块610，用于获取日志数据；
[0082]
分组模块620，用于将日志数据进行分组，其中每组日志数据均属于同一程序；
[0083]
标注模块630，用于将日志数据以组为单位进行标注；
[0084]
第一转换模块640，用于将完成标注的日志数据组转换成词嵌入矩阵组；
[0085]
训练模块650，用于将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力。
[0086]
本技术的故障检测模型的建模装置，通过第一获取模块用于获取日志数据；分组模块用于将日志数据进行分组，其中每组日志数据均属于同一程序；标注模块用于将日志数据以组为单位进行标注；第一转换模块用于将完成标注的日志数据组转换成词嵌入矩阵组；训练模块用于将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力，从而建立能够根据日志数据对故障进行检测的故障检测模型。
[0087]
图7是本公开实施例提供的一种应用程序的防护装置的结构示意图。
[0088]
如图7所示，本公开实施例提供的应用程序的防护装置700可以包括：
[0089]
第二获取模块710，用于获取用户程序的访问日志数据；
[0090]
第二转换模块720，用于将访问日志数据转换成词嵌入矩阵；
[0091]
输入模块730，用于将访问日志数据的词嵌入矩阵输入至通过训练的故障检测模型进行检测；
[0092]
确定模块740，用于在故障检测模型检测为正常访问日志时，允许用户程序访问；
[0093]
确定模块740，还用于在故障检测模型检测为异常访问日志时，拒绝用户程序访问；
[0094]
其中故障检测模型是如上故障检测模型的建模方法中任一项实施例所建立的故障检测模型。
[0095]
本公开的应用程序的防护装置，通过第二获取模块用于获取用户程序的访问日志数据；第二转换模块用于将访问日志数据转换成词嵌入矩阵；输入模块用于将访问日志数据的词嵌入矩阵输入至通过训练的故障检测模型进行检测；确定模块用于在故障检测模型检测为正常访问日志时，允许用户程序访问；能够实现对用户程序的访问的检测。
[0096]
参见图8，图8是本公开实施例提供的一种计算机设备800的结构示意图。如图8所示，本公开实施例中的计算机设备可以包括：一个或多个处理器801、存储器802和输入输出接口803。该处理器801、存储器802和输入输出接口803通过总线804连接。存储器802用于存储计算机程序，该计算机程序包括程序指令，输入输出接口803用于接收数据及输出数据，如用于宿主机与计算机设备之间进行数据交互，或者用于在宿主机中的各个虚拟机之间进行数据交互；处理器801用于执行存储器802存储的程序指令。
[0097]
其中，该处理器801可以执行如下操作：
[0098]
获取日志数据；将日志数据进行分组，其中每组日志数据均属于同一程序；将日志数据以组为单位进行标注；将完成标注的日志数据组转换成词嵌入矩阵组；将词嵌入矩阵组作为输入对神经网络进行训练以完成故障检测模型的建模，以使故障检测模型具备根据日志数据识别故障的能力。
[0099]
或者，该处理器801可以执行如下操作：
[0100]
获取用户程序的访问日志数据；将访问日志数据转换成词嵌入矩阵；将访问日志数据的词嵌入矩阵输入至通过训练的故障检测模型进行检测；在故障检测模型检测为正常访问日志时，允许用户程序访问；在故障检测模型检测为异常访问日志时，拒绝用户程序访问。
[0101]
在一些可行的实施方式中，该处理器801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(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，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。
[0102]
该存储器802可以包括只读存储器和随机存取存储器，并向处理器801和输入输出接口803提供指令和数据。存储器802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802还可以存储设备类型的信息。
[0103]
具体实现中，该计算机设备可通过其内置的各个功能模块执行如上述实施例中各个步骤所提供的实现方式，具体可参见上述实施例中各个步骤所提供的实现方式，在此不再赘述。
[0104]
本公开实施例通过提供一种计算机设备，包括：处理器、输入输出接口、存储器，通过处理器获取存储器中的计算机程序，执行上述实施例中所示方法的各个步骤，进行传输操作。
[0105]
本公开实施例还提供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，该计算机程序适于由该处理器加载并执行上述实施例中各个步骤所提供的方法，具体可参见上述实施例中各个步骤所提供的实现方式，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本公开所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本公开方法实施例的描述。作为示例，计算机程序可被部署为在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行。
[0106]
该计算机可读存储介质可以是前述任一实施例提供的装置或者该计算机设备的内部存储单元，例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
[0107]
本公开实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或
计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中的各种可选方式中所提供的方法。
[0108]
本公开实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
[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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在该说明中已经按照功能一般性地描述了各示例的组成及步骤。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公开的范围。
[0110]
本公开实施例提供的方法及相关装置是参照本公开实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程传输设备的处理器以产生一个机器，使得通过计算机或其他可编程传输设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程传输设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程传输设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
[0111]
以上所揭露的仅为本公开较佳实施例而已，当然不能以此来限定本公开之权利范围，因此依本公开权利要求所作的等同变化，仍属本公开所涵盖的范围。