域名检测方法、装置、设备及存储介质与流程

1.本公开涉及网络安全技术领域，尤其涉及一种域名检测方法、装置、设备及存储介质。


背景技术：

2.目前，恶意域名已经成为国内乃至全世界的网络安全领域最为关注的危害之一。
3.相关技术中的域名检测方案，将每个域名视作独立对象，只关注内部信息，数据维度不够全面，可能陷于局部视角，有较高的漏报率。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开提供一种域名检测方法、装置、设备及存储介质，至少在一定程度上解决相关技术中数据维度不够全面，漏报率较高的问题。
6.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
7.根据本公开的一个方面，提供一种域名检测方法，方法包括：
8.获取待检测域名和待检测域名对应的域间信息；
9.关联待检测域名和待检测域名对应的域间信息；
10.将关联后的待检测域名和待检测域名对应的域间信息，输入到预先训练的域名分类器中，得到待检测域名是否为目标域名的检测结果。
11.在本公开的一个实施例中，待检测域名对应的域间信息包括待检测域名的第一关联ip及其asn信息、待检测域名的第一关联域和第二关联域及其注册信息和子域名信息、第一关联域的第二关联ip地址和其asn 信息、第二关联域的第三关联ip地址和其asn信息。
12.在本公开的一个实施例中，将关联后的待检测域名和待检测域名对应的域间信息，输入到预先训练的分类器中之前，方法还包括：
13.获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括样本域名及其关联的域间信息；
14.利用训练样本集训练初始分类器，直至满足训练停止条件，得到训练后的域名分类器。
15.在本公开的一个实施例中，利用训练样本集训练初始分类器之前，方法还包括：
16.计算训练样本集中标记样本和未标记样本之间的相似度值；
17.删除相似度值大于预设阈值的未标记样本；
18.利用训练样本集训练初始分类器，包括：
19.利用删除相似度值大于预设阈值的未标记样本后的训练样本集训练初始分类器。
20.在本公开的一个实施例中，计算训练样本集中标记样本和未标记样本之间的相似
度值，包括：
21.计算训练样本集中标记样本和未标记样本之间的修正余弦相似度值。
22.在本公开的一个实施例中，利用训练样本集训练初始分类器之前，方法还包括：
23.删除训练样本集中无价值的未标记样本。
24.在本公开的一个实施例中，利用训练样本集训练初始分类器，包括：
25.基于动态阈值，利用训练样本集训练初始分类器；动态阈值是基于当前标记样本的数量和上次取最优阈值时标记样本的数量确定的。
26.根据本公开的另一个方面，提供一种域名检测装置，装置包括：
27.信息获取模块，用于获取待检测域名和待检测域名对应的域间信息；
28.信息关联模块，用于关联待检测域名和待检测域名对应的域间信息；
29.检测模块，用于将关联后的待检测域名和待检测域名对应的域间信息，输入到预先训练的域名分类器中，得到待检测域名是否为目标域名的检测结果。
30.根据本公开的再一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的域名检测方法。
31.根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的域名检测方法。
32.本公开的实施例所提供的域名检测方法，关联待检测域名和待检测域名对应的域间信息，将关联后的待检测域名和待检测域名对应的域间信息，输入到预先训练的域名分类器中，得到待检测域名是否为目标域名的检测结果。也就是说，本公开实施例中建立起了域名之间的间接联系数据，将待检测域名的数据维度拓宽使系统看的更多，从而降低恶意域名的漏报率。
33.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
34.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。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。
35.图1本公开实施例中一种域名检测方法流程示意图；
36.图2本公开实施例中模型训练流程示意图之一；
37.图3本公开实施例中模型训练流程示意图之二；
38.图4本公开实施例中模型训练流程示意图之三；
39.图5本公开实施例中模型训练流程示意图之四；
40.图6本公开实施例中一种域名检测装置示意图；和
41.图7本公开实施例中一种计算机设备的结构框图。
具体实施方式
42.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
43.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
44.基于背景技术部分可知，相关技术中存在数据维度不够全面，漏报率较高的问题。
45.当前主流的恶意域名检测算法是基于机器学习，比较流行的方法通常对正常和恶意样本集数量多并且质量要求高，通常会有同一数据源过拟合、不同数据源鲁棒性差、训练速度慢、不支持在线训练、训练得到的模型未进行更新等缺点。
46.在一个相关的技术方案中，提出了一种基于自我学习算法训练的分类器，改变了模型更新的模式，提高了训练速度，解决了在线训练实时检测问题，并且缓解了数据过拟合。但是，该方法仍然存在以下问题：
47.(1)数据维度不够全面，可能陷于局部视角，有较高的漏报率：相关技术中将每个域名视作独立对象，只关注内部信息，忽略了域名之间存在的直接或者间接关系。
48.(2)该分类器的鲁棒性不足：现有算法中使用固定的阈值来决断预测的置信度，面对灵活的、复杂的、新的数据，固定的阈值使得分类器泛化性能力弱。
49.(3)挑选出的待检测域名易受异常点干扰，导致误报率较高：在线学习算法中优先选择与训练集最短欧式距离的待检测域名进行预测和训练，无法应对异常值的干扰。
50.(4)待检测域名的价值性缺少判断，时间成本增加：有的在线学习算法只要是有效域名都参与训练，可能训练无价值的请求域名产生较大的时间成本。
51.本公开实施例提供了一种域名检测方法、装置、设备及存储介质，建立起了域名之间的间接联系数据，将待检测域名的数据维度拓宽使系统看的更多，从而至少可以解决上述方案中数据维度不够全面，漏报率较高的问题。
52.本公开实施例提供的域名检测方法可以由任意具备计算处理能力的电子设备执行。例如，该域名检测方法的执行主体，可以但不限于任一能够被配置为执行本公开实施例提供的域名检测方法的终端设备、服务器，或者，该方法的执行主体，还可以是能够执行该方法的客户端本身。
53.服务器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，还可以是提供云服务、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、 cdn(content delivery network，内容分发网络)、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。
54.终端可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、可穿戴设备、增强现实设备、虚拟现实设备等，本技术在此不做限制。
55.下面结合附图及实施例对本示例实施方式进行详细说明。
56.图1示出本公开实施例中一种域名检测方法流程图，如图1所示，本公开实施例中提供的域名检测方法包括如下步骤：
57.步骤s102，获取待检测域名和待检测域名对应的域间信息；
58.步骤s104，关联待检测域名和待检测域名对应的域间信息；
59.步骤s106，将关联后的待检测域名和待检测域名对应的域间信息，输入到预先训练的域名分类器中，得到待检测域名是否为目标域名的检测结果。
60.下面对上述步骤进行详细说明，具体如下所示：
61.这里的目标域名可以是恶意域名。恶意域名可以是通过传播恶意软件、发送垃圾邮件等方式进行恶意活动的域名站点。
62.域名，又称网域，是由一串用点分隔的名字组成的internet上某一台计算机或计算机组的名称，用于在数据传输时对计算机的定位标识。由于ip地址具有不方便记忆并且不能显示地址组织的名称和性质等缺点，人们设计出了域名，并通过网域名称系统(dns，domain name system)来将域名和ip地址相互映射，使人更方便地访问互联网，而不用去记住能够被机器直接读取的ip地址数串。
63.相关技术中，在检测域名时采用域内信息特征并且是相互独立的，包含了域名内部数据，比如域名结构性特征(如域名长度、深度、子域名平均长度等)、域名语言性特征(如是否包含数字、数字比率等)和域名统计性特征(如n-gram分布、平均请求数目等)；也包含了域名内部关联的数据，比如基于域名得到其注册信息、基于对应的目标ip得到asn信息。但是，缺少域间的关联数据这会使得模型陷于局部视角，存在较高的漏报率。
64.在一些实施例中，待检测域名对应的域间信息可以包括待检测域名的第一关联ip及其asn信息、待检测域名的第一关联域和第二关联域及其注册信息和子域名信息、第一关联域的第二关联ip地址和其asn信息、第二关联域的第三关联ip地址和其asn信息。
65.本公开实施例中，除了采集常规的dns流量数据(包括域名和它的注册信息、对应的ip地址和它的asn信息等等)还要域间数据。即采集目标域的第一关联ip及其asn信息、目标ip地址的第一关联域和第二关联域及其注册信息和他们的子域名信息、第一关联域的第二关联ip地址和其asn信息、第二关联域的第三关联ip地址和其asn信息。
66.本公开实施例中，建立起了域名之间的间接联系数据，将待检测的域名的数据维度拓宽使系统看的更多，从而实现降低恶意域名的漏报率。
67.在一些实施例中，上述步骤s106中之前，如图2所示，该方法还可以包括如下步骤：
68.步骤s202，获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括样本域名及其关联的域间信息；
69.步骤s204，利用训练样本集训练初始分类器，直至满足训练停止条件，得到训练后的域名分类器。
70.图3示出本公开实施例中一种训练初始分类器的流程，如图3所示，在将目标向量输入初始分类器之前，也就是前文中利用训练样本集训练初始分类器之前，还可以通过抗干扰的相似度最优模块处理样本数据。
71.基于此，上述方法还可以包括如下步骤：
72.计算训练样本集中标记样本和未标记样本之间的相似度值；
73.删除相似度值大于预设阈值的未标记样本；
74.相应地，上述步骤s204中利用训练样本集训练初始分类器，可以包括：
75.利用删除相似度值大于预设阈值的未标记样本后的训练样本集训练初始分类器。
76.作为一个示例，前文中计算训练样本集中标记样本和未标记样本之间的相似度值，这个相似度值可以采用修正余弦相似度值。使用修正余弦相似度一方面考虑了参与计算相似度的两者之间的变化趋势程度的相似性，另一方面还度量了两者数值上的差异程度。
77.相关技术中，在检测域名时，没有考虑奇异值的影响使用全部的数据和未标记数据计算欧氏距离得到平均值，从而筛选出最相似的未标记样本，即平均值最小的样本。但是，实际中伪装的恶意域名可能和个别正常域名欧氏距离非常小从而拉低平均值。
78.本公开实施例中，采用去极值的方法可以在一定程度上很好的规避这方面的影响，即在保持相似度最优的情况下去除潜在的异常值影响。
79.在不影响筛选实际最优相似度的情况下，可以采用去极值的手段来滤除奇异值的干扰，可选的，也可以使用其他度相似度度量方式，如：
[0080][0081][0082]
其中ai,bi分别代表向量a和b的各分量，表示分量i的平均值。
[0083]
具体的，得到未标记样本向量和每个标记样本向量的相似度，从小到大排序，丢弃首位各20％数量的值，剩余值取平均即可得到每个未标记样本的相似度，选取数值最小的即相似度最大的样本作为优先训练预测的目标向量。
[0084]
在一些实施例中，如图4所示，在通过抗干扰的相似度最优模块处理之前，还可以通过有效域名去伪模块处理样本数据。
[0085]
基于此，利用训练样本集训练初始分类器之前，该方法还可以包括：
[0086]
删除训练样本集中无价值的未标记样本。
[0087]
有效域名去伪模块。
[0088]
在数据筛选的的时候，一般只是得到有效数据，并不会过滤掉无价值的数据。有效数据指的是数据不缺失或者符合要求的数据，有效数据含有大量的无价值数据，并不会对模型的优化产生多少正向收益，是伪数据，需要去除来提高训练速度。
[0089]
具体的，那些被大量客户端访问的域名样本或者出现在标记样本中的域名样本都是无价值域名。
[0090]
有效域名去伪模块，可以在有效域名中去除无价值域名。例如，在被大多数客户端访问的域名，以及出现在良性域和恶性域的样本等，因为这些样本对于模型不会产生正向收益。
[0091]
在一些实施例中，如图5所示，可以基于动态阈值，利用训练样本集训练初始分类器；动态阈值是基于当前标记样本的数量和上次取最优阈值时标记样本的数量确定的。
[0092]
恶意域名在整个域名集中占比非常小，分布不均衡，合适的阈值选取是必要的。
[0093]
此外，恶意域名中不同类型的恶意行为所占比表现也不同，攻击者产生恶意域名
所携带的特征是不断变化的，并且对系统的防御具有针对性，不对地优化攻击手段。因此，在恶意域名这种复杂灵活的安全问题，采用固定阈值地方式相对于传统的机器学习/深度学习应用地领域会产生更高的漏报率和误报率。
[0094]
本公开实施例中使用动态阈值模块，阈值是动态变化的，相对于一成不变的被动防御，动态阈值能跟随攻击者的变化及时发现。并且随着训练的进行，阈值的能力也越来越好。
[0095]
作为一个示例，本公开实施例中采用p-r曲线来选取当前时刻的最优阈值，然后动态更新方式为k》＝f*m，其中k是当前标记样本的数量，m 是上次取最优阈值时的标记样本的数量，数量关系成立时更新阈值为当前最优值，阈值更新直到下个数量关系成立。
[0096]
p-r动态阈值模块，相比于现有技术的人工固定阈值，通过变化阈值得到p-r曲线方式，选取max(p+r)对应的阈值作为当前的最优阈值，标记上次最优阈值对应的标记样本数量为记为m，若当前的标记样本数量记为k大于等于系数函数f*m，则更新当前阈值，当前的标记样本数量此时标记m。一旦变更保持不变直至下个数量关系成立。
[0097]
p-r曲线的横纵坐标分别是recall和precision，计算公式如下：
[0098][0099]
其中把正例正确分类为正例，表示为tp；把正例错误分类为负例，表示为fn；把负例错误分类为正例，表示为fp。给定一个阈值则会有一个对应的p-r点。
[0100]
本公开实施例中，建立起了域名之间的间接联系数据，使用抗干扰的相似度最优模块在保持相似度最优的情况下去除潜在的异常值影响，通过p-r动态阈值模块动态更新阈值、提升方法的泛化能力，使得本方法能进行实时检测并且缓解过拟合的基础上，极大的降低了误报率和漏报率，提高了方法的鲁棒性；而且可选的，加入有效域名去伪模块，只需加入很少的付出，筛出无价值的有效域名请求就能极大的减少训练时间。
[0101]
基于同一发明构思，本公开实施例中还提供了一种域名检测装置，如下面的实施例所述。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
[0102]
图6示出本公开实施例中一种域名检测装置，如图6所示，该域名检测装置600包括：
[0103]
信息获取模块602，用于获取待检测域名和待检测域名对应的域间信息；
[0104]
信息关联模块604，用于关联待检测域名和待检测域名对应的域间信息；
[0105]
检测模块606，用于将关联后的待检测域名和待检测域名对应的域间信息，输入到预先训练的域名分类器中，得到待检测域名是否为目标域名的检测结果。
[0106]
在一些实施例中，待检测域名对应的域间信息可以包括待检测域名的第一关联ip及其asn信息、待检测域名的第一关联域和第二关联域及其注册信息和子域名信息、第一关联域的第二关联ip地址和其asn信息、第二关联域的第三关联ip地址和其asn信息。
[0107]
在一些实施例中，该域名检测装置600，还可以包括：
[0108]
样本获取模块，用于获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括样本域名及其关联的域间信息；
[0109]
模型训练模块，用于利用训练样本集训练初始分类器，直至满足训练停止条件，得
到训练后的域名分类器。
[0110]
在一些实施例中，该域名检测装置600，还可以包括：
[0111]
相似度计算模块，用于计算训练样本集中标记样本和未标记样本之间的相似度值；
[0112]
第一删除模块，用于删除相似度值大于预设阈值的未标记样本；
[0113]
相应地，利用训练样本集训练初始分类器，可以包括：
[0114]
利用删除相似度值大于预设阈值的未标记样本后的训练样本集训练初始分类器。
[0115]
在一些实施例中，相似度计算模块，具体用于：
[0116]
计算训练样本集中标记样本和未标记样本之间的修正余弦相似度值。
[0117]
在一些实施例中，该域名检测装置600，还可以包括：
[0118]
第二删除模块，用于删除训练样本集中无价值的未标记样本。
[0119]
在一些实施例中，模型训练模块利用训练样本集训练初始分类器，可以包括：
[0120]
基于动态阈值，利用训练样本集训练初始分类器；动态阈值是基于当前标记样本的数量和上次取最优阈值时标记样本的数量确定的。
[0121]
本技术实施例提供的路况预测装置，可以用于执行上述各方法实施例提供的路况预测方法，其实现原理和技术效果类似，为简介起见，在此不再赘述。
[0122]
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0123]
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图 7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0124]
如图7所示，电子设备700以通用计算设备的形式表现。电子设备 700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710) 的总线730。
[0125]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元710可以执行上述方法实施例如下步骤：
[0126]
获取待检测域名和待检测域名对应的域间信息；
[0127]
关联待检测域名和待检测域名对应的域间信息；
[0128]
将关联后的待检测域名和待检测域名对应的域间信息，输入到预先训练的域名分类器中，得到待检测域名是否为目标域名的检测结果。
[0129]
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(rom)7203。
[0130]
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0131]
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构
的局域总线。
[0132]
电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备 700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、 raid系统、磁带驱动器以及数据备份存储系统等。
[0133]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是 cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0134]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
[0135]
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom 或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0136]
在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0137]
可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0138]
在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网
(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0139]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0140]
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0141]
通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是 cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
[0142]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。