网络异常流量检测方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及计算机领域，尤其涉及一种网络异常流量检测方法、装置、电子设备及存储介质。


背景技术：

2.网络异常流量的来源包括计算机病毒、黑客入侵、网络蠕虫、拒绝网络服务、使用非法软件、网络设备故障、非法占用网络带宽等，网络异常流量的检测是目前入侵检测系统研究的一个重要分支。
3.现有技术中，由网络管理人员依据经验和对历史网络数据的观测分析，设定一个基线阈值作为判断网络异常流量的标准，例如，在检测到网络流量比特率高于对应的基于阈值时，则认为产生异常流量。
4.然而，一方面，由于基线阈值由人为设定，因此，基线阈值的主观选择性较大，进而基于基线阈值来进行网络异常流量检测结果的准确性有待提高，另一方面，对于具有复杂行为的网络业务，仅通过一个基线阈值来进行网络异常流量检测，很容易出现将正常网络流量识别为异常网络流量。


技术实现要素：

5.鉴于此，本发明实施例提供一种网络异常流量检测方法、装置、电子设备及存储介质。
6.第一方面，本发明实施例提供一种网络异常流量检测方法，包括：
7.从流量采集设备采集到的网络流量中提取流量特征数据，所述流量采集设备用于针对待检测网络进行流量采集；
8.将所述流量特征数据与多个正常流量特征数据范围分别进行比对，多个所述正常流量特征数据范围通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到；
9.当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量，以及将所述流量特征数据输入至已训练的识别模型，得到所述网络流量所属的异常类别。
10.在一个可能的实施方式中，所述将所述流量特征数据与多个正常流量特征数据范围进行比对，包括：
11.依据所述网络流量的采集时间，确定所述网络流量所属的时间片段；
12.将所述流量特征数据与所述网络流量所属的时间片段对应的多个正常流量特征数据范围分别进行比对。
13.在一个可能的实施方式中，在所述流量特征数据包括多个特征维度的情况下，所述将所述流量特征数据与多个正常流量特征数据范围分别进行比对，包括：
14.针对所述流量特征数据中的每一特征维度，将所述特征维度下的流量特征数据与
所述特征维度下的多个正常流量特征数据范围分别进行比对；
15.所述当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量，包括：
16.当比对出存在任意一个特征维度下的流量特征数据不处于所述特征维度下任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量。
17.在一个可能的实施方式中，所述方法还包括：
18.获取训练样本集，其中，所述训练样本包括流量特征数据和对应的标签，所述标签用于表征所述流量特征数据对应的网络流量是否为异常网络流量，以及表征异常网络流量所属的异常类别；
19.利用所述训练样本集，并按照有监督学习方式，对初始模型进行训练，得到所述识别模型。
20.在一个可能的实施方式中，所述方法还包括：
21.在确定所述网络流量为异常网络流量时，输出用于指示出现异常网络流量的告警消息。
22.第二方面，本发明实施例提供一种网络异常流量检测装置，包括：
23.特征提取模块，用于从流量采集设备采集到的网络流量中提取流量特征数据，所述流量采集设备用于针对待检测网络进行流量采集；
24.异常识别模块，用于将所述流量特征数据与多个正常流量特征数据范围分别进行比对，多个所述正常流量特征数据范围通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到；当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量；
25.类别识别模块，用于当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，将所述流量特征数据输入至已训练的识别模型，得到所述网络流量所属的异常类别。
26.第三方面，本发明实施例提供一种电子设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的网络异常流量检测程序，以实现第一方面中任一项所述的网络异常流量检测方法。
27.第四方面，本发明实施例提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一项所述的网络异常流量检测方法。
28.本发明实施例提供的技术方案，通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析，得到多个正常流量特征数据范围，一方面，由于正常流量特征数据范围是通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到的，这相较于由人为设定基线阈值的方式，摒弃了人为设定的主观选择性，使得正常流量特征数据范围更加准确，另一方面，由于刻画得到了多个正常流量特征数据范围，这相较于单一的基线阈值而言，能够实现针对行为复杂的业务，准确刻画出其流量特征；进一步的，通过将流量特征数据与多个正常流量特征数据范围分别进行比对，当比对出流量特征数据不处于任意一个正常流量特征数据范围时，确定网络流量为异常网络流量，则能够提高网络异常流量检测结果的准确性。再者，通过在确定网络流量为异常网络流
量时，将流量特征数据输入至已训练的识别模型，得到网络流量所属的异常类别，能够从而实现全面地网络异常流量检测，并且，由于识别出异常网络流量和识别出异常网络流量的异常类别是分步骤实施的，具体的是在识别出异常网络流量时再进一步识别异常网络流量的异常类别，这相较于现有技术中，采用同一机器学习模型同时得到异常识别结果和异常类别识别结果而言，能够实现在存在异常网络流量的情况下，无需等待异常类别识别结果，即可及时输出存在异常网络流量的识别结果，从而提高了网络异常流量识别的及时性。
附图说明
29.图1为本发明实施例提供的一种网络异常流量检测方法的实施例流程图；
30.图2为本发明实施例提供的另一种网络异常流量检测方法的实施例流程图；
31.图3为本发明实施例提供的又一种网络异常流量检测方法的实施例流程图；
32.图4为本发明实施例提供的一种网络异常流量检测装置的实施例框图；
33.图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
34.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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做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。
35.下面结合附图以具体实施例对本发明提供的网络异常流量检测方法做进一步的解释说明，实施例并不构成对本发明实施例的限定。
36.参见图1，为本发明实施例提供的一种网络异常流量检测方法的实施例流程图。如图1所示，该方法可包括以下步骤：
37.步骤101、从流量采集设备采集到的网络流量中提取流量特征数据，流量采集设备用于针对待检测网络进行流量采集。
38.在一些实施例中，可在待检测网络中交换机的镜像端口处设置流量采集设备(或者流量采集系统)，以由流量采集设备针对待检测网络进行流量采集。
39.本发明实施例中，从流量采集设备采集到的网络流量中提取流量特征数据，该流量特征数据可包括下述一个或几个特征维度：比特率、包速、tcp流量占比率、udp流量占比率等。由此可见，本发明实施例中，无需对网络流量进行深度解析，适用于实时网络异常流量检测场景。
40.步骤102、将流量特征数据与多个正常流量特征数据范围进行比对，多个正常流量特征数据范围通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到。
41.步骤103、当比对出流量特征数据不处于任意一个正常流量特征数据范围时，确定网络流量为异常网络流量，以及将流量特征数据输入至已训练的识别模型，得到网络流量所属的异常类别。
42.由步骤102和步骤103的描述可见，本发明实施例中，通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析，得到多个正常流量特征数据范
围。在进行网络异常流量检测时，将流量特征数据与多个正常流量特征数据范围分别进行比对，当比对出流量特征数据不处于任意一个正常流量特征数据范围时，确定网络流量为异常网络流量。此外，当比对出流量特征数据处于任意一个正常流量特征数据范围时，确定网络流量为正常网络流量。
43.举例来说，通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析，得到a、b、c三个正常流量特征数据范围。按照上述描述，当比对出流量特征数据处于a或者b或者c时，确定网络流量为正常网络流量；当比对出流量特征数据既不处于a，也不处于b，也不处于c时，确定网络流量为异常网络流量。
44.通过该种处理，能够实现针对行为复杂的业务准确刻画出其流量特征，例如，对于周期性业务，在某个时间段内出现较高流量峰值或者较低流量峰值均为正常的流量特征，采用上述方式刻画这种类型业务的流量特征时，较高流量峰值和较低流量峰值会被划分进两个正常流量的特征簇中，从而更准确地刻画出流量特征，进而能够提高网络异常流量识别的准确性，避免将正常网络流量误识别为异常网络流量。
45.此外，由上述描述可知，流量特征数据可包括多个特征维度，相应的，上述正常流量特征数据范围也可包括多个特征维度。基于此，在流量特征数据包括多个特征维度的情况下，则针对流量特征数据中的每一特征维度，将该特征维度下的流量特征数据与该特征维度下的多个正常流量特征数据范围分别进行比对，当比对出存在任意一个特征维度下的流量特征数据不处于特征维度下任意一个正常流量特征数据范围时，确定网络流量为异常网络流量。此外，当比对出任意一个特征维度下的流量特征数据均处于该特征维度下任意一个正常流量特征数据范围时，确定网络流量为正常网络流量。
46.举例来说，假设流量特征数据包括比特率和包速两个特征维度，并假设通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析，得到比特率这一特征维度下的a和b两个正常流量特征数据范围，和包速这一特征维度下的c和d两个正常流量特征数据范围。按照上述描述，假设比对出比特率这一特征维度下的流量特征数据处于a或者b，但是包速这一特征维度下的流量特征数据既不处于c，也不处于d，因此，将网络流量确定为异常网络流量。
47.通过该种处理，可以从多个特征维度来进行网络异常流量检测，提高网络异常流量检测结果的准确性。
48.本发明实施例中，当比对出流量特征数据不处于任意一个正常流量特征数据范围时，也即确定网络流量为异常网络流量时，进一步将流量特征数据输入至已训练的识别模型，得到网络流量所属的异常类别，这里，异常类别包括但不限于：各种网络攻击、网络蠕虫、计算机病毒、黑客入侵、拒绝网络服务、使用非法软件、网络设备故障、非法占用网络带宽等。
49.由此可见，本发明实施例中，不仅可以识别出异常网络流量，还能够识别出异常网络流量的异常类别，从而实现全面地网络异常流量检测。并且，由于识别出异常网络流量和识别出异常网络流量的异常类别是分步骤实施的，具体的是在识别出异常网络流量时再进一步识别异常网络流量的异常类别，这相较于现有技术中，采用同一机器学习模型同时得到异常识别结果和异常类别识别结果而言，能够实现在存在异常网络流量的情况下，无需等待异常类别识别结果，即可及时输出存在异常网络流量的识别结果，从而提高了网络异
常流量识别的及时性。
50.此外，在一些实施例中，在确定网络流量为异常网络流量时，输出用于指示出现异常网络流量的告警消息。可选的，该告警消息可通过事件推送方式实现。
51.在一些实施例中，在确定网络流量为异常网络流量时，还可将异常网络流量分离，以对异常网络流量做报文分析等进一步操作。
52.本发明实施例提供的技术方案，通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析，得到多个正常流量特征数据范围，一方面，由于正常流量特征数据范围是通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到的，这相较于由人为设定基线阈值的方式，摒弃了人为设定的主观选择性，使得正常流量特征数据范围更加准确，另一方面，由于刻画得到了多个正常流量特征数据范围，这相较于单一的基线阈值而言，能够实现针对行为复杂的业务，准确刻画出其流量特征；进一步的，通过将流量特征数据与多个正常流量特征数据范围分别进行比对，当比对出流量特征数据不处于任意一个正常流量特征数据范围时，确定网络流量为异常网络流量，则能够提高网络异常流量检测结果的准确性。再者，通过在确定网络流量为异常网络流量时，将流量特征数据输入至已训练的识别模型，得到网络流量所属的异常类别，能够从而实现全面地网络异常流量检测，并且，由于识别出异常网络流量和识别出异常网络流量的异常类别是分步骤实施的，具体的是在识别出异常网络流量时再进一步识别异常网络流量的异常类别，这相较于现有技术中，采用同一机器学习模型同时得到异常识别结果和异常类别识别结果而言，能够实现在存在异常网络流量的情况下，无需等待异常类别识别结果，即可及时输出存在异常网络流量的识别结果，从而提高了网络异常流量识别的及时性。
53.参见图2，为本发明实施例提供的另一种网络异常流量检测方法的实施例流程图，该图2所示方法在上述图1所示方法的基础上，可包括以下步骤：
54.步骤201、从流量采集设备采集到的网络流量中提取流量特征数据。
55.本步骤的详细描述可以参见上述图1所示流程中的相关描述，这里不再赘述。
56.步骤202、依据网络流量的采集时间，确定网络流量所属的时间片段。
57.举例来说，假设设定时间段包括以下6个时间片段：0时-4时、4时-8时、8时-12时、12时-16时、16时-20时、20时-24时，并假设网络流量的采集时间为上午9时，那么可以确定该网络流量所属的时间片段为8时-12时这一时间片段。
58.步骤203、将流量特征数据与网络流量所属的时间片段对应的多个正常流量特征数据范围分别进行比对。
59.步骤204、当比对出出流量特征数据不处于任意一个正常流量特征数据范围时，确定网络流量为异常网络流量，以及将流量特征数据输入至已训练的识别模型，得到网络流量所属的异常类别。
60.由上述步骤201至步骤204的描述可见，本发明实施例中，以时间片段为粒度对网络流量特征进行区分，如此，可以针对网络业务的各个阶段(例如流量高发期、平衡期以及低发期)均能够较为准确地刻画出各自的网络流量特征，从而能够更为准确地判别是否有网络异常流量产生。
61.参见图3，为本发明实施例提供的又一种网络异常流量检测方法的实施例流程图，该图3所示方法在上述图1和图2所示方法的基础上，描述如何训练得到识别模型，可包括以
下步骤：
62.步骤301、获取训练样本集，其中，训练样本包括流量特征数据和对应的标签，标签用于表征流量特征数据对应的网络流量是否为异常网络流量，以及表征异常网络流量所属的异常类别。
63.上述训练样本集中既包括正常网络流量的流量特征数据，又包括异常网络流量的流量特征数据。进一步的，异常网络流量的流量特征数据包括各种异常类别的异常网络流量的流量特征数据。
64.步骤302、利用训练样本集，并按照有监督学习方式，对初始模型进行训练，得到识别模型。
65.在一些实施例中，可采用集成学习的思路，选择随机森林算法(一种有监督学习算法)，对初始的分类器进行训练，之后将训练得到的多个分类器进行集成，得到识别模型。
66.需要说明的是，在实践中，还可以采用除随机森林算法以外的其他有监督学习算法，例如k-临近算法，本发明实施例对此不做限制。
67.通过图3所示流程，能够训练出一个用于识别异常网络流量所属的异常类别的识别模型。
68.与前述网络异常流量检测方法的实施例相对应，本发明还提供网络异常流量检测装置的实施例。
69.参见图4，为本发明实施例提供的一种网络异常流量检测装置的实施例框图。如图4所示，该装置包括：特征提取模块41、异常识别模块42以及类别识别模块43。
70.其中，特征提取模块41，用于从流量采集设备采集到的网络流量中提取流量特征数据，所述流量采集设备用于针对待检测网络进行流量采集；
71.异常识别模块42，用于将所述流量特征数据与多个正常流量特征数据范围分别进行比对，多个所述正常流量特征数据范围通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到；当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量；
72.类别识别模块43，用于当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，将所述流量特征数据输入至已训练的识别模型，得到所述网络流量所属的异常类别。
73.在一个可能的实施方式中，所述异常识别模块42，包括(图中未示出)：
74.时间确定单元，用于依据所述网络流量的采集时间，确定所述网络流量所属的时间片段；
75.比对单元，用于将所述流量特征数据与所述网络流量所属的时间片段对应的多个正常流量特征数据范围分别进行比对。
76.在一个可能的实施方式中，所述异常识别模块42，具体用于：
77.在所述流量特征数据包括多个特征维度的情况下，针对所述流量特征数据中的每一特征维度，将所述特征维度下的流量特征数据与所述特征维度下的多个正常流量特征数据范围分别进行比对；
78.当比对出存在任意一个特征维度下的流量特征数据不处于所述特征维度下任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量。
79.在一个可能的实施方式中，所述装置还包括(图中未示出)：
80.样本获取模块，用于获取训练样本集，其中，所述训练样本包括流量特征数据和对应的标签，所述标签用于表征所述流量特征数据对应的网络流量是否为异常网络流量，以及表征异常网络流量所属的异常类别；
81.模型训练模块，用于利用所述训练样本集，并按照有监督学习方式，对初始模型进行训练，得到所述识别模型。
82.在一个可能的实施方式中，所述装置还包括(图中未示出)：
83.告警模块，用于在确定所述网络流量为异常网络流量时，输出用于指示出现异常网络流量的告警消息。
84.图5为本发明实施例提供的一种的电子设备的结构示意图，图5所示的电子设备500包括：至少一个处理器501、存储器502、至少一个网络接口504和其他用户接口503。电子设备500中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
85.其中，用户接口503可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
86.可以理解，本发明实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-onlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledataratesdram，ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本文描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
87.在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统5021和应用程序5022。
88.其中，操作系统5021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序5022，包含各种应用程序，例如媒体播放器(mediaplayer)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序5022中。
89.在本发明实施例中，通过调用存储器502存储的程序或指令，具体的，可以是应用程序5022中存储的程序或指令，处理器501用于执行各方法实施例所提供的方法步骤，例如包括：
90.从流量采集设备采集到的网络流量中提取流量特征数据，所述流量采集设备用于针对待检测网络进行流量采集；
91.将所述流量特征数据与多个正常流量特征数据范围分别进行比对，多个所述正常流量特征数据范围通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到；
92.当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量，以及将所述流量特征数据输入至已训练的识别模型，得到所述网络流量所属的异常类别。
93.上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(fieldprogrammablegatearray，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元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502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
94.可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(applicationspecificintegratedcircuits，asic)、数字信号处理器(digitalsignalprocessing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmablelogicdevice，pld)、现场可编程门阵列(field-programmablegatearray，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
95.对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
96.本实施例提供的电子设备可以是如图5中所示的电子设备，可执行如图1至3中网络异常流量检测方法的所有步骤，进而实现图1至3所示网络异常流量检测方法的技术效果，具体请参照图1至3相关描述，为简洁描述，在此不作赘述。
97.本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
98.当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在电子设备侧执行的网络异常流量检测方法。
99.所述处理器用于执行存储器中存储的网络异常流量检测程序，以实现以下在电子设备侧执行的网络异常流量检测方法的步骤：
100.从流量采集设备采集到的网络流量中提取流量特征数据，所述流量采集设备用于
针对待检测网络进行流量采集；
101.将所述流量特征数据与多个正常流量特征数据范围分别进行比对，多个所述正常流量特征数据范围通过采用无监督学习算法对设定历史时间段内采集到的流量特征数据进行统计分析得到；
102.当比对出所述流量特征数据不处于任意一个所述正常流量特征数据范围时，确定所述网络流量为异常网络流量，以及将所述流量特征数据输入至已训练的识别模型，得到所述网络流量所属的异常类别。
103.专业人员应该还可以进一步意识到，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，在上述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发明的范围。
104.结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
105.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。