一种抢购类交易异常检测方法、系统、设备及存储介质与流程

1.本文涉及机器学习领域，尤其涉及一种抢购类交易异常检测方法、系统、设备及存储介质。


背景技术：

2.信贷业务又称信贷资产或贷款业务，是商业银行重要的资产业务，通过放款收回本金和利息，扣除成本后获得利润，是商业银行的主要盈利手段。
3.对于小微企业贷款，由于小微贷款单笔金额较少(不超过1000万)的特征，基层业务人员需发起更多的信贷额度抓取才能完成业务指标。例如：要完成1亿元贷款额度，通过小微贷款，至少需进行10次信贷额度抓取。因此，在商业银行每月发放贷款额度时，基层业务人员会集中高频发起额度抓取交易(类似于线上购物中的秒杀抢购)。实际工作中已发现部分基层业务人员使用外挂系统在多台服务器，以毫秒级的方式进行抢信贷额度操作，采用外挂系统抢购的方式将会对信贷业务信息系统造成较大的性能压力，甚至可能会造成全局性的信贷业务信息系统故障。对于异常交易的检测，目前仅是通过系统性能容量波动后进行分析排查确定，无法快速定位响应，存在较大的系统风险。
4.另外，对于购物平台的特殊节日(例如双十一、618等)的购物，基金及纪念币等的抢购，也存在抢购类交易异常分析不及时，会对交易系统造成较大负担，使部分人无法合理合法的抢购到心仪物品，存在用户体验差的缺陷。


技术实现要素：

5.本文用于解决现有技术中，无法实时检测抢购类交易是否异常，并进行异常响应，存在较大的系统风险，同时，还存在用户体验差的缺陷。
6.为了解决上述技术问题，本文的第一方面提供一种抢购类交易异常检测方法，包括：
7.采集业务服务器中的抢购类交易请求日志，抢购类交易请求日志包括：交易请求发起的用户标识或设备标识、交易请求发起时刻；
8.将采集的抢购类交易请求日志输入至异常分类器中，得到分类结果，其中，所述异常分类器根据历史抢购类交易请求日志预先训练得到；
9.若分类结果为异常，则执行异常处理操作。
10.作文本文的进一步实施例中，采集业务服务器中的抢购类交易请求日志，包括：
11.在所述业务服务器中预先布置信息收集工具；
12.利用所述信息收集工具，采集业务服务器中的抢购类交易请求日志。
13.作文本文的进一步实施例中，执行异常处理操作，包括：
14.拒绝所述用户标识或设备标识发起的抢购类交易请求；和/或
15.发送所述用户标识或设备标识至系统管理员。
16.作文本文的进一步实施例中，所述异常分类器的训练过程包括：
17.采集历史抢购类交易请求日志；
18.对历史抢购类交易请求日志进行异常标注，得到历史抢购类交易请求日志的标签；
19.根据历史抢购类交易请求日志及历史抢购类交易请求日志的标签，训练svm分类器，得到异常分类器。
20.作文本文的进一步实施例中，对历史抢购类交易请求日志进行异常标注，得到历史抢购类交易请求日志的标签，包括：
21.将满足异常条件的抢购类交易请求日志设定为异常标签，其中，异常条件为：同一用户标识或设备标识在第一预定时间段内发起的抢购类交易请求个数超过预定量，和/或同一用户标识或设备标识交易间隔小于第二预定时间段；
22.将不满足异常条件的抢购类交易请求日志设定为正常标签。
23.作文本文的进一步实施例中，根据历史抢购类交易请求日志及历史抢购类交易请求日志的标签，训练svm分类器，得到异常分类器，包括：
24.利用python中的sklearn模块，建立svm分类器；
25.将历史抢购类交易请求日志作为输入，历史抢购类交易请求日志的标签作为输出，训练svm分类器中的未知参数；
26.将训练得到的未知参数输入至svm分类器中，得到异常分类器。
27.作文本文的进一步实施例中，将训练得到的未知参数输入至svm分类器中，得到异常分类器之后，还包括：
28.对所述异常分类器进行检测，判断检测准确率是否大于预定值，若判断结果为是，则确定所述异常分类器准确，若判断结果为否，则调整所述svm分类器的核函数，重复上述训练及检测的步骤，直至判断结果为是为止。
29.本文的第二方面，提供一种抢购类交易异常检测系统，包括：
30.采集模块，用于采集业务服务器中的抢购类交易请求日志，抢购类交易请求日志包括：交易请求发起的用户标识或设备标识、交易请求发起时刻；
31.分类模块，用于将采集的抢购类交易请求日志输入至异常分类器中，得到分类结果，其中，所述异常分类器根据历史抢购类交易请求日志预先训练得到；
32.处理模块，用于若分类结果为异常，则执行异常处理操作。
33.本文的第三方面提供一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行根据前述任一实施例所述的抢购类交易异常检测方法的指令。
34.本文的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行根据前述任一实施例所述的抢购类交易异常检测方法的指令。
35.本文提供的抢购类交易异常检测方法、系统、设备及存储介质，通过采集业务服务器中的抢购类交易请求日志；将采集的抢购类交易请求日志输入至异常分类器中，得到分类结果，其中，所述异常分类器根据历史抢购类交易请求日志预先训练得到；若分类结果为异常，则执行异常处理操作，利用异常分类器能够提高异常抢购类交易的检测速度，迅速定位异常位置，为系统应急处理提供数据支撑，避免恶意抢购操作，提高用户体验。
36.为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
37.为了更清楚地说明本文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文的一些实施例，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。
38.图1示出了本文实施例抢购类交易异常检测方法的流程图；
39.图2示出了本文实施例线性可分的svm示意图；
40.图3a示出了一实施例的椭圆分离面的示意图；
41.图3b示出了图3a椭圆分离面转换为图3b中直线的示意图；
42.图4示出了本文实施例异常分类器训练过程的示意图；
43.图5示出了本文实施例svm分类器训练过程的第一示意图；
44.图6示出了本文实施例svm分类器训练过程的第二示意图；
45.图7示出了本文实施例抢购类交易异常检测系统的结构图；
46.图8示出了本文实施例计算机设备的结构图。
47.附图符号说明：
48.710、采集模块；
49.720、分类模块；
50.730、处理模块；
51.802、计算机设备；
52.804、处理器；
53.806、存储器；
54.808、驱动机构；
55.810、输入/输出模块；
56.812、输入设备；
57.814、输出设备；
58.816、呈现设备；
59.818、图形用户接口；
60.820、网络接口；
61.822、通信链路；
62.824、通信总线。
具体实施方式
63.下面将结合本文实施例中的附图，对本文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文一部分实施例，而不是全部的实施例。基于本文中的实施例，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，都属于本文保护的范围。
64.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
65.本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
66.需要说明的是，本文的抢购类交易异常检测方法及系统可用于金融领域，例如信贷额度抢购交易，基金、股票等抢购交易，也可用于除金融领域之外的电子商务领域，例如购物平台在特殊节日的秒杀、抢购交易等，本文的抢购类交易异常检测方法及系统的应用领域不做限定。
67.现有技术中，对于小微企业贷款的抢购类交易，已发现部分基层业务人员使用外挂系统在多台服务器，以毫秒级的方式发起信贷额度抓取交易(本文所述的信贷额度抓取指的是每月银行的总行会给予小于市场需求的放款额度，在给各支行固定信贷额度基础上，提供部分浮动信贷额度，由各支行争抢，类似于网购的秒杀)的操作，该情况对信贷业务信息系统造成较大的性能压力，甚至可能会造成全局性的信贷业务信息系统故障。对于异常交易的检测，目前仅能通过系统性能容量波动后进行分析排查确定，无法快速定位响应，存在较大的系统风险。另外，对于购物平台特殊节日(例如双十一、618等)的购物，基金及纪念币等的抢购，也存在抢购类交易异常分析不及时，会对交易系统造成较大负担，使部分人无法合理合法的抢购到心仪物品，存在用户体验差的缺陷。
68.为了解决上述技术问题，本文的一实施例中，提供一种抢购类交易异常检测方法，执行于异常分析服务器中，如图1所示，包括：
69.步骤110，采集业务服务器中的抢购类交易请求日志，抢购类交易请求日志包括：交易请求发起的用户标识或设备标识、交易请求发起时刻；
70.步骤120，将采集的抢购类交易请求日志输入至异常分类器中，得到分类结果，其中，所述异常分类器根据历史抢购类交易请求日志预先训练得到；
71.步骤130，若分类结果为异常，则执行异常处理操作。
72.具体的，步骤110中，业务服务器为接收并响应用户发起的抢购类交易请求的设备。抢购类交易包括但不限于信贷额度抓取抢购、商品整点限时抢购等，抢购类交易具体为何可视抢购类交易异常检测方法具体应用领域而定，本文对此不做具体限定。
73.用户标识用于唯一定位用户，例如为用户号id。设备标识用于唯一定位设备，例如为设备编号、ip地址等。抢购类交易请求日志除了包括交易请求发起的用户标识或设备标识、交易请求发起时刻之外，还可包括交易名、交易金额、交易流水号等多个相关要素。
74.步骤120中的异常分类器可由svm(support vector machines)分类器训练得到。具体训练过程参见后续实施例，此处不再详述。
75.svm是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。根据问题复杂度，svm可以分为线性可分线性svm、线性不可分的线性svm、非线性svm。
76.线性可分的svm问题可描述为在全部分类正确的情况下，最大化间隔的线性分类约束最优问题，即获取图2中margin的最大值，图2中b
11
,b
12
,b
21
,b
22
为如下公式中b的取值范围，b1及b2为两个超平面，用于进行分类。
77.对应算法公式为：
[0078][0079]
其中，w及b表示系数，y
i
表示输出，对应本文中的异常与否；x
i
表示数据样本，对应本文中的抢购类交易请求日志；表示两次交易时间间隔，小于该时间间隔的为异常交易，大于该时间间隔的为正常交易；y
i
(w
×
x
i
b)表示超平面表达式。
[0080]
线性不可分意味着有样本点不满足约束条件，为了解决该问题，对每个样本点引入一个松弛变量ξ
i
≥0，这样上述算法中的约束条件变为：
[0081]
y
i
(w
×
x
i
b)≥1
‑
ξ
i
。
[0082]
其中，松弛变量的具体取值可根据实际情况进行确定，本文对此不作限定。
[0083]
非线性分类问题则需要引入空间变换函数将低维空间映射至高维后实现线性可分，例如将图3a中的椭圆分离面通过空间转换为图3b中的直线。这里的变换函数即为核函数。常见的核函数有：线性核函数、多项式核函数、高斯核函数等。
[0084]
异常分类器得到的分类结果包括：异常及正常。异常说明发起交易请求的用户或设备存在风险。异常处理操作包括但不限于：拒绝异常结果相对应的用户标识或设备标识发起的抢购类交易请求，具体实施时，可通过调度业务系统的限流接口，实现对用户标识及设备标识进行后续交易；发送异常结果相对应的用户标识或设备标识至系统管理员，以便系统管理员及时核实异常结果。具体实施时，可通过监控平台、邮件、短信等方式通知系统管理员，由系统管理员对异常的请求进行进一步跟踪及进行后续处理。
[0085]
本实施例通过利用异常分类器，能够实时识别出异常的抢购类交易请求日志，提高异常抢购类交易的检测速度，迅速定位异常位置，为系统应急处理提供数据支撑。
[0086]
本文一实施例中，考虑到抢购类交易系统包括多个业务服务器，且同一用户标识或设备标识发出的抢购类交易请求日志离散的分布在各个业务服务器中。本文所述的抢购累计交易异常检测方法的执行程序布置于抢购类交易系统的汇总服务器中，其中，汇总服务器为独立于业务服务器的服务器。
[0087]
上述步骤110中，采集业务服务器中的抢购类交易请求日志，包括：在所述业务服务器中预先布置信息收集工具；利用所述信息收集工具，采集业务服务器中的抢购类交易请求日志。具体实施时，信息收集工具例如采用fluentd工具，该工具用于采集业务服务器中的抢购类交易请求日志。
[0088]
本实施例通过在业务服务器中布置信息收集工具，将多个应用服务器产生的抢购类交易请求日志汇总至汇总服务器后进行异常判断，能够准确地识别抢购类交易是否异常。
[0089]
本文一实施例中，如图4所示，异常分类器的训练过程包括：
[0090]
步骤410，采集历史抢购类交易请求日志；
[0091]
步骤420，对历史抢购类交易请求日志进行异常标注，得到历史抢购类交易请求日志的标签；
[0092]
步骤430，根据历史抢购类交易请求日志及历史抢购类交易请求日志的标签，训练svm分类器，得到异常分类器。
[0093]
步骤410中，可从业务服务器的数据库中获取历史抢购类交易请求日志，获取的历史抢购类交易请求日志例如为过去一个月、三个月等时间段的所有业务服务器的抢购类交易请求日志，每一抢购类交易请求日志可看作一样本数据，包括：访问端ip地址、用户id、交易名、交易发起时刻等多个要素。
[0094]
具体实施时，为了提高后续步骤420异常标注速度，上述步骤410采集到的历史抢购类交易请求日志之后，还包括：对采集的历史抢购类交易请求日志按照业务发起时刻进行排序处理。
[0095]
步骤420执行时，包括：将满足异常条件的抢购类交易请求日志设定为异常标签，其中，异常条件为：同一用户标识或设备标识在第一预定时间段内发起的抢购类交易请求日志个数超过预定量，和/或同一用户标识或设备标识交易间隔小于第二预定时间段；将不满足异常条件的抢购类交易请求日志设定为正常标签。
[0096]
其中，第一预定时间段大于第二预定时间段，第一预定时间段例如为1分钟，第二预定时间段例如为1秒钟，本文对第一预定时间段及第二预定时间段具体取值不作限定。
[0097]
具体实施时，还可将样本数据按照日期随机均匀的划分为训练数据及验证数据，且保证两类数据中均包含异常数据。训练数据用于训练异常分类器，验证数据用于验证异常分类器的准确性。
[0098]
一些实施例中，如图5所示，步骤430根据历史抢购类交易请求日志及历史抢购类交易请求日志的标签，训练svm分类器，得到异常分类器，包括：
[0099]
步骤510，利用python中的sklearn(scikit
‑
learn)模块，建立svm分类器；
[0100]
步骤520，将历史抢购类交易请求日志作为输入，历史抢购类交易请求日志的标签作为输出，训练svm分类器中的未知参数；
[0101]
步骤530，将训练得到的未知参数输入至svm分类器中，得到异常分类器。
[0102]
详细的说，步骤510建立的svm分类器中包括线性svm分类器及非线性svm分类器，分别为linearsvc和svc。
[0103]
在sklearn模块中，写如下语句即可调用svm：
[0104]
from sklearn import svm；
[0105]
svm创建脚本如下：
[0106]
model＝svm.svc(kernel＝’rbf’,c＝1.0,gamma＝0.001)。
[0107]
其中，脚本中各参数的含义为：
[0108]
1)kernel代表核函数，有四种选择：linear(线性核函数，用于线性可分的情况)、poly(多项式核函数，用于将数据从低维映射到高维)、rbf(高斯核函数，将低维映射到高维，所需参数较少)、sigmoid(用于神经网络的映射)，系统默认为rbf，可根据实际情况进行调整；
[0109]
2)参数c代表目标函数的惩罚系数，默认1.0，参数c可根据实际情况进行调整；
[0110]
3)参数gamma代表核山上的系数，默认为样本特征值的倒数。
[0111]
将训练数据输入至svm分类器后进行训练构建异常分类器。
[0112]
本实施例能够简化异常分类器的构建过程，提高svm分类器的建模效率及精度。
[0113]
本文一实施例中，如图6所示，在上述步骤530训练得到异常分类器之后，还包括：
[0114]
步骤540，对步骤530建立得到的异常分类器进行检测，判断检测准确率是否大于预定值，若判断结果为是，则确定所述异常分类器准确，若判断结果为否，则返回步骤510调整所述svm分类器的核函数(即调整python中scikit
‑
learn(sklearn)模块的输入参数，重复上述训练及检测的步骤，直至检测准确率小于或等于预定值为止。
[0115]
具体实施时，可利用验证数据对步骤530计算得到的异常分类器进行检测，预定值例如为90％，可根据实际情况进行设定，本文对其取值不作具体限定。核函数调整时，可按照预先指定顺序进行调整，还可随机进行调整，本文对此不作具体限定。
[0116]
本文提供的抢购类交易异常检测方法，基于预先建立的异常分类器来判断抢购类交易请求日志是否为异常交易，在判断异常情况下，执行异常处理操作，例如对异常交易发起用户或客户端(设备)进行主动交易限流，并同步通知系统管理员。抢购类交易异常检测方法加强了系统的自我保护机制和加强了监控覆盖，降低了由于业务异常交易而导致系统故障的风险。
[0117]
基于同一发明构思，本文还提供一种抢购类交易异常检测系统，如下面的实施例所述。由于抢购类交易异常检测系统解决问题的原理与抢购类交易异常检测方法相似，因此抢购类交易异常检测系统的实施可以参见抢购类交易异常检测方法，重复之处不再赘述。
[0118]
具体的，如图7所示，抢购类交易异常检测系统，包括：
[0119]
采集模块710，用于采集业务服务器中的抢购类交易请求日志，抢购类交易请求日志包括：交易请求发起的用户标识或设备标识、交易请求发起时刻；
[0120]
分类模块720，用于将采集的抢购类交易请求日志输入至异常分类器中，得到分类结果，其中，所述异常分类器根据历史抢购类交易请求日志预先训练得到；
[0121]
处理模块730，用于若分类结果为异常，则执行异常处理操作。
[0122]
具体的，采集模块710采集业务服务器中的抢购类交易请求日志，包括：
[0123]
在所述业务服务器中预先布置信息收集工具；
[0124]
利用所述信息收集工具，采集业务服务器中的抢购类交易请求日志。
[0125]
处理模块730行异常处理操作的过程包括：拒绝所述用户标识或设备标识发起的抢购类交易请求；和/或发送所述用户标识或设备标识至系统管理员。
[0126]
本实施例提供的抢购类异常检测系统通过采集业务服务器中的抢购类交易请求日志，抢购类交易请求日志包括：发起抢购类交易请求日志的用户标识或设备标识、请求发起时刻；将采集的抢购类交易请求日志输入至异常分类器中，得到分类结果，其中，所述异常分类器根据历史抢购类交易请求日志预先训练得到；若分类结果为异常，则执行异常处理操作，能够利用异常分类器提高异常抢购类交易的检测速度，迅速定位异常位置，为系统应急处理提供数据支撑，避免恶意抢购操作，提高用户体验。
[0127]
为了更清楚说明本文技术方案，下面以一具体实施例进行详细说明，抢购类交易
异常检测方法包括两个部分：
[0128]
第一部分：异常分类器模型建立。
[0129]
1)采集历史抢购类交易请求日志；
[0130]
2)对历史抢购类交易请求日志进行异常标注，得到历史抢购类交易请求日志的标签；
[0131]
具体的，异常标注过程包括：将满足异常条件的抢购类交易请求日志设定为异常标签，其中，异常条件为：同一用户标识或设备标识在第一预定时间段内发起的抢购类交易请求日志个数超过预定量以及同一用户标识或设备标识交易间隔小于第二预定时间段。将不满足异常条件的抢购类交易请求日志设定为正常标签；
[0132]
3)根据历史抢购类交易请求日志及历史抢购类交易请求日志的标签，训练svm分类器，得到异常分类器。
[0133]
具体的，异常分类器的训练过程包括：
[0134]
(1)利用python中的sklearn模块，建立svm分类器；
[0135]
(2)将历史抢购类交易请求日志作为输入，历史抢购类交易请求日志的标签作为输出，训练svm分类器中的未知参数；
[0136]
(3)将训练得到的未知参数输入至svm分类器中，得到异常分类器；
[0137]
(4)对所述异常分类器进行检测，判断检测准确率是否大于预定值，若判断结果为是，则确定所述异常分类器准确，若判断结果为否，则调整所述svm分类器的核函数，重复上述训练及检测的步骤，直至判断结果为是为止。
[0138]
由于日常交易较大，判断准确率太低会导致大量误报，本文训练得到的异常分类器能够达到报警准确率与误报的平衡。
[0139]
第二部分：抢购类交易异常检测方法的实施。
[0140]
将第一部分训练得到的异常分类器部署至汇总服务器中，在业务服务器中布置日志收集工具fluentd，抢购类交易异常检测过程包括：
[0141]
1)利用fluentd工具采集业务服务器中的抢购类交易请求日志，抢购类交易请求日志包括：发起抢购类交易请求设备的ip(即源端ip)、用户id、交易名、交易发起时刻。具体实施时，若fluentd工具采集了多类交易的交易日志，则在获取这些交易日志之后，还包括：按照交易名对交易日志进行筛选，以筛选出抢购类交易请求日志。
[0142]
2)将采集的抢购类交易请求日志输入至异常分类器中，得到分类结果，其中，所述异常分类器根据历史抢购类交易请求日志预先训练得到。
[0143]
3)若分类结果为异常，则根据异常交易中的设备ip及用户id对后续交易请求进行限流处理，例如拒绝接受异常交易中的设备ip及用户id发出的抢购类交易请求，并同时将异常交易中的设备ip及用户id通过邮件、短信等方式发送至系统管理员。若分类结果为正常，则业务服务器无需特殊化处理，正常响应抢购类交易即可。
[0144]
本文基于异常分类器来判断抢购类交易是否为异常交易，在判断为异常交易的情况下，对判断为异常的情况下，对异常交易发起人或客户端进行主动交易限流，并同步通知系统管理员，能够加强抢购类交易系统的自我保护机制并加强了监控覆盖，降低了由于业务异常交易而导致系统故障的风险。
[0145]
本文一实施例中，还提供一种计算机设备，如图8所示，计算机设备802可以包括一
个或多个处理器804，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
[0146]
计算机设备802还可以包括输入/输出模块810(i/o)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814))。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口818(gui)。在其他实施例中，还可以不包括输入/输出模块810(i/o)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
[0147]
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0148]
对应于图1、图4至图6中的方法，本文实施例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上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0149]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1、图4至图6所示的方法。
[0150]
应理解，在本文的各种实施例中，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，而不应对本文实施例的实施过程构成任何限定。
[0151]
还应理解，在本文实施例中，术语“和/或”仅仅是一种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这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0152]
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文的范围。
[0153]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，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。
[0154]
在本文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。另外，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，也可以是电的，机械的或其它的形式连接。
[0155]
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文实施例方案的目的。
[0156]
另外，在本文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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0157]
所述集成的单元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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本文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(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0158]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。