異常數據檢測方法和裝置與流程

2023-05-26 19:57:51 3

本發明涉及數據檢測
技術領域：
，具體而言，涉及異常數據檢測方法和裝置。
背景技術：
：現有技術中在沒有領域或領域知識有限的情況下從近自然語言文本中檢測異常通常有所限制，例如，對於機器日誌，實現當機器日誌中出現異常時，可以利用機器學習得到的模型，從而檢測到機器日誌中的異常；對於機器學習，如果用於機器學習培訓的數據維度過大，則會帶來如下不良效果：1)計算量顯著上升，計算成本增加，機器學習的培訓效率下降；2)培訓結果易於過度擬合，即培訓結果更接近原來培訓數據集的特徵，而不是目標數據集的特徵。3)現有技術中通過簡單的削減數據維度，此種方法雖然可以帶來計算量的下降，但是該方法有時會去除對培訓目標具有代表性的維度，會使培訓結果的精度或可靠度下降。針對現有技術中所存在的用於培訓的數據維度大導致的問題，目前尚未提出有效的解決方案。技術實現要素：本發明提供了一種異常數據檢測方法和裝置，以解決現有技術中所存在的用於培訓的數據維度大導致的問題。根據本發明實施例的一個方面，提供了一種異常數據檢測方法，包括：獲取文本；從所述文本中提取多條數據，其中，所述多條數據中的每一條數據均由多個屬性值構成，每個屬性值對應該數據的一個屬性，所述每一條數據的屬性均相同；對所述每一條數據的屬性值進行匯合得到所述每一條數據的新屬性值，其中，所述每一條數據的新屬性值的個數小於匯合之前的所述每一條數據的屬性值的個數；使用所述每一條數據的新屬性值進行機器學習得到數據模型，其中，所述數據模型用於區分從文本中提取的數據是否為異常數據。進一步地，獲取所述文本包括：獲取所述文本中用自然語言表達的數據。進一步地，從所述文本中提取多條數據包括：將所述文本數據轉化為用於機器學習的多條數據。進一步地，將所述文本數據轉化為用於機器學習的多條數據包括：對所述文本數據進行正規化處理，其中，所述正規化處理為去除所述文本數據中的特殊字符和/或將所述文本數據中的大寫字母變為小寫字母和/或提取所述文本數據中的所述多個屬性值。進一步地，提取所述文本數據中的所述多個屬性值包括：通過分詞分析從所述用於機器學習的多條數據中提取多個屬性值或通過詞頻分析從所述用於機器學習的多條數據中提取多個屬性值。進一步地，對所述每一條數據的屬性值進行匯合得到所述每一條數據的新屬性值包括：對所述每一條數據的屬性值通過主成分分析進行匯合得到所述每一條數據的新屬性值。進一步地，對所述每一條數據的屬性值進行匯合得到所述每一條數據的新屬性值包括：將所述每一條數據的屬性值直接合併得到所述每一條數據的新屬性值。進一步地，對所述每一條數據的屬性值進行匯合得到所述每一條數據的新屬性值之後包括：獲取所述每一條數據的新屬性值的優先級；根據每一個新屬性值的優先級從所述所有新屬性值中篩選出所述一個或多個新屬性值；根據篩選出的所述一個或多個新屬性值進行機器學習得到數據模型。進一步地，使用所述每一條數據的新屬性值進行機器學習得到數據模型包括：根據所述每一條數據的新屬性值將所述每一條數據進行分類；對相同分類的數據根據發生時間和頻率進行學習得到所述數據模型，其中，所述發生時間和所述頻率作為區分異常數據的根據之一。根據本發明實施例的另一方面，提供了一種異常數據檢測裝置。根據本發明的異常數據檢測裝置包括：獲取單元，用於獲取文本；提取單元，用於從所述文本中提取多條數據，其中，所述多條數據中的每一條數據均由多個屬性值構成，每個屬性值對應該數據的一個屬性，所述每一條數據的屬性均相同；匯合單元，用於對所述每一條數據的屬性值進行匯合得到所述每一條數據的新屬性值，其中，所述每一條數據的新屬性值的個數小於匯合之前的所述每一條數據的屬性值的個數；學習單元，用於使用所述每一條數據的新屬性值進行機器學習得到數據模型，其中，所述數據模型用於區分從文本中提取的數據是否為異常數據。進一步地，所述獲取單元包括：第一獲取模塊，用於獲取所述文本中用自然語言表達的數據。進一步地，所述提取單元包括：轉化模塊，用於將所述文本數據轉化為用於機器學習的多條數據。進一步地，所述提取單元包括：提取模塊，用於將所述文本數據轉化為用於機器學習的多條數據之後通過分詞分析從所述用於機器學習的多條數據中提取多個屬性值或通過詞頻分析從所述用於機器學習的多條數據中提取多個屬性值。進一步地，所述匯合單元包括：分析模塊，用於對所述每一條數據的屬性值通過主成分分析進行匯合得到所述每一條數據的新屬性值。進一步地，所述匯合單元包括：合併模塊，用於將所述每一條數據的屬性值直接合併得到所述每一條數據的新屬性值。進一步地，所述匯合單元，還包括：第二獲取模塊，用於對所述每一條數據的屬性值進行匯合得到所述每一條數據的新屬性值之後獲取所述每一條數據的新屬性值的優先級；篩選模塊，用於根據每一個新屬性值的優先級從所述所有新屬性值中篩選出所述一個或多個新屬性值；學習模塊，用於根據篩選出的所述一個或多個新屬性值進行機器學習得到數據模型。進一步地，所述學習單元包括：分類模塊，用於根據所述每一條數據的新屬性值將所述每一條數據進行分類；獲取模塊，用於對相同分類的數據根據發生時間和頻率進行學習得到所述數據模型，其中，所述發生時間和所述頻率作為區分異常數據的根據之一。根據本發明實施例的另一方面，提供了一種存儲介質，所述存儲介質包括存儲的程序，其中，在所述程序運行時控制所述存儲介質所在設備執行上述方法。根據發明實施例，一種異常數據檢測方法採用獲取文本；從所述文本中提取多條數據，其中，所述多條數據中的每一條數據均由多個屬性值構成，每個屬性值對應該數據的一個屬性，所述每一條數據的屬性均相同；對所述每一條數據的屬性值進行匯合得到所述每一條數據的新屬性值，其中，所述每一條數據的新屬性值的個數小於匯合之前的所述每一條數據的屬性值的個數；使用所述每一條數據的新屬性值進行機器學習得到數據模型，其中，所述數據模型用於區分從文本中提取的數據是否為異常數據。通過本發明解決了現有技術中所存在的用於培訓的數據維度大導致的問題，提高培訓效率的同時提高了培訓結果的準確度。附圖說明構成本申請的一部分的附圖用來提供對本發明的進一步理解，本發明的示意性實施例及其說明用於解釋本發明，並不構成對本發明的不當限定。在附圖中：圖1是根據本發明實施例的一種異常數據檢測方法的流程圖；圖2是根據本發明實施例的一種異常數據檢測裝置的結構圖。具體實施方式需要說明的是，在不衝突的情況下，本申請中的實施例及實施例中的特徵可以相互組合。下面將參考附圖並結合實施例來詳細說明本發明。為了使本
技術領域：
的人員更好地理解本發明方案，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分的實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本發明保護的範圍。需要說明的是，本發明的說明書和權利要求書及上述附圖中的術語「第一」、「第二」等是用於區別類似的對象，而不必用於描述特定的順序或先後次序。應該理解這樣使用的數據在適當情況下可以互換，以便這裡描述的本發明的實施例。此外，術語「包括」和「具有」以及他們的任何變形，意圖在於覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限於清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對於這些過程、方法、產品或設備固有的其它步驟或單元。本發明實施例提供了一種異常數據檢測方法。圖1是根據本發明實施例的一種異常數據檢測方法的流程圖。如圖1所示，該方法包括步驟如下：步驟s102，獲取文本；步驟s104，從文本中提取多條數據，其中，多條數據中的每一條數據均由多個屬性值構成，每個屬性值對應該數據的一個屬性，每一條數據的屬性均相同；步驟s106，對每一條數據的屬性值進行匯合得到每一條數據的新屬性值，其中，每一條數據的新屬性值的個數小於匯合之前的每一條數據的屬性值的個數；步驟s108，使用每一條數據的新屬性值進行機器學習得到數據模型，其中，數據模型用於區分從文本中提取的數據是否為異常數據。例如，當機器日記中有幾千條記錄，直接對它們進行機器學習培訓時會存在兩個問題，一個是計算量太過龐大，另一個是由於數據記錄很多，所以在訓練時很容易將比較少的特別數據排除掉，而這些數據往往就是有問題的數據，是需要進行檢測到異常的數據。每一條記錄都由不同的屬性值組成，比如一條數據記錄是s＝f(x)/datexyz11…,則該條記錄中的屬性值有s、date、11、＝f(x)/、xyz等，通過本實施例的方法將幾千條記錄的屬性值進行劃分為不同的類別，即不同的屬性，比如s對應屬性是字母、date對應屬性是日期、11對應屬性是數字。然後將很多不同的維度(多一個屬性代表多一個維度)縮減為少數幾個維度，也就是每條數據記錄分配了新的屬性，每條數據記錄在新的屬性的劃分下都有新的屬性值，比如，新的屬性值可以為s＝f(x)/xyz和date11，對新的屬性值進行機器學習得到數據模型，根據該數據模型區分判斷每一條數據記錄是否為異常數據。在上述步驟採用了將數據的屬性值進行降維，這不同於現有技術中，直接使用數據進行機器學習培訓得到檢測模型的方法。從而解決了現有技術中所存在的用於培訓的數據維度大導致的問題，在提高培訓效率的同時提高了培訓結果的準確度，同時可以在沒有領域知識或者領域知識有限的情況下運用該實施例對異常數據進行較準確的檢測。在上述文本中獲取的數據可以是多種形式的數據，在一個可選的實施方式中，獲取的數據形式可以是用自然語言表達的數據，還可以是用其他語言表達的數據。通過該方式可以檢測任何基於自然語言的異常檢測，比如，一組統計表格數據等，還可以對表格形式的數據進行異常檢測，可以對機器日記形式的數據進行異常檢測，從而增加了異常檢測的普遍性，使本實施例的方法適用於多種情況。在獲取到用自然語言表達的文本數據後，可以將所檢驗的對象轉化為便於機器學習的數據，在一個可選的實施方式中，即將文本數據轉化為用於機器學習的多條數據。通過上述過程將文本數據轉化為適用於機器學習的數據後，更加便於培訓模型，從而增加機器學習的效率。將文本數據轉化為適用於機器學習的數據主要是通過正規化對文本數據進行處理，正規化處理可以有三種不同的實施方式，每種實施方式之間可以任意進行組合，第一個可選的實施方式是：去除文本數據中的特殊字符；第二種可選的實施方式是：將文本數據中的大寫字母變為小寫字母；第三種可選的實施方式是：提取所述文本數據中的所述多個屬性值。上述將文本數據轉化為用於機器學習的多條數據時需要提取所述文本數據中的所述多個屬性值，每一條數據可能是連續的一些數字字母組成的，這種數據是沒有辦法了解到其屬性值的，而在很多沒有領域知識或者領域知識有限的情況下時，所得到的數據文本都常常是沒有屬性值的，遇到以上這些情況時，還可以對多條數據提取屬性值，提取屬性值的方式有兩種，在一個可選的實施方式中，可以通過分詞分析的方法從用於機器學習的多條數據中提取多個屬性值，分詞分析是通過規劃分詞、統計分詞或混合分詞對將一組數據作為一個句子進行分詞處理，拆分為多個分詞，下面以規劃分詞對上述分詞分析進行解釋，比如一條數據為「error＝21date3monthxyz」，通過在預先設定的分詞詞典中尋找類似的詞進行分詞，比如分詞詞典中設置了「error」、「date」、「month」，就將這些詞切下，作為特徵提取出來，也就是作為數據的屬性值提取出來。上述規劃分詞的分詞方法適用於已有分詞詞典的情況下，有時一組數據中會出現一些詞典中沒有出現的詞，也就是完全沒有領域知識的情況，則可以使用統計分詞的方法將一條數據進行拆分，比如，一條數據為「date21date3monthxyz」，則通過統計分詞將該條數據拆分為「21」、「3」、「xyz」、「date」和「month」等。再比如一條數據為「getandpublishwebservice@fail.」,首先將該文本數據進行正規化處理轉化為用於機器學習的數據，此時該條數據變為「getandpublishwebservicefail」該條數據中的大寫字母變為了小寫字母，特殊字符@被去除，然後在沒有領域知識的情況下，通過統計分詞的方式將該條數據差分為「get」、「and」、「publish」、「web」、「service」、「fail」。本實施例中統計分詞的方法可以支持中文或英文，在進行統計分詞時，可以將原有數據拆分為一個或一個以上的詞所組成的分詞詞組，例如，我喜歡蘋果，可以進行分詞處理後變為我、喜歡、蘋果，也可以進行統計分詞後分解為我喜歡、喜歡蘋果。除了上述通過分詞分析的方法從多條數據中提取多個屬性值，還可以通過詞頻分析從用於機器學習的多條數據中提取多個屬性值，即對每一數據統計重複出現的詞，將重複出現概率大的詞作為一個屬性值提取出，例如，一條數據為「date21date3monthxyz」通過詞頻統計分析方法將詞頻出現概率最高的「date」提取出。從而更加便於機器學習，增加機器學習的準確性和效率。在上述步驟中，對每一條數據的屬性值進行匯合得到每一條數據的新屬性值時有兩種實施方式，第一種實施方式是對每一條數據的屬性值通過主成分分析進行匯合得到每一條數據的新屬性值。主成分分析是將多維進行降維的一種方法，主成分分析也稱主分量分析，利用降維的思想把多指標轉化為少數幾個綜合指標。在數學變換中保持變量的總方差不變，使第一變量具有最大的方差，稱為第一主成分，第二變量的方差次大，並且和第一變量不相關，稱為第二主成分。依次類推，1個變量就有1個主成分。本實施例的每一條數據經過主成分分析後，將原本的指標轉化為新的指標，也就是將每一條數據的屬性變為了新的屬性，新的屬性小於原本的屬性數量，每一條數據的屬性值也變為新的屬性值。第二種實施方式是將每一條數據的屬性值直接合併得到每一條數據的新屬性值。直接合併是指將一些類似的屬性直接合併，比如都是數字形式的屬性可以作為一種類似的屬性，再比如都是時間形式的屬性可以作為一種類似的屬性，還可以將文本形式的屬性值對應的屬性作為一種類似的屬性，然後可以合併上述這些類似屬性對應的屬性值，從而達到降維的目的。通過上述合併方式，利用無損的特徵合併有效的減少數據維度的同時，又不降低機器學習的效果，還可以保證所保留的數據維度仍然可以具有最大限度的代表性，從而增加異常檢測的準確性。對每一條數據的屬性值進行匯合得到每一條數據的新屬性值之後，還可以根據新屬性值得優先級來篩選數據模型，在一個可選的實施方式中，可以先獲取每一條數據的新屬性值的優先級；再根據每一個新屬性值的優先級從所有新屬性值中篩選出一個或多個新屬性值；最後根據篩選出的一個或多個新屬性值進行機器學習得到數據模型。新的屬性值的優先級可以是指新的屬性值中最能代表數據特點的屬性值，也可以是根據不同情況來指定一個優先級，比如，統計一組數據時，更加關注帶有「error」一詞的數據異常情況，因此可以將單詞屬性中的帶有「error」一詞開頭詞組的數據作為最高優先級。根據該屬性值進行機器學習得到數據模型。通過上述過程中的選取優先級來篩選掉一部分屬性值，減少數據的維度，將篩選出的新屬性值進行機器學習得到數據模型，從而增加計算的速度，減少計算成本。在對每一條數據的新屬性值進行機器學習得到數據模型時，還可以將異常數據的發生時間和頻率作為篩選異常數據的標準，例如可以根據每一條數據的新屬性值將每一條數據進行分類；對相同分類的數據根據發生時間和頻率進行學習得到數據模型，其中，發生時間和頻率作為區分異常數據的根據之一。下面舉例對於發生時間作為區分異常數據進行說明：當一組數據在某一段時間內反覆出現時就可以得到的數學模型，當該組數據突然不再出現時就可以立刻判定為異常。有時機器日記出現問題時，會表現為同樣的數據反覆出現的情況，或者下面舉例對於頻率作為區分異常數據進行說明：根據一組數據出現的頻率學習建立判定異常數據的數學模型，當該組數據出現的頻率突然改變時，則可以根據數學模型判定為異常的數據。下面結合一個可選的實施例進行說明。表1是根據本發明實施例的一種異常數據檢測方法的待檢測數據表，如表1所示，表1在該數據表中，每一橫排代表一組數據，每組數據有很多列，即有很多屬性，比如gender、height等，數據的每一個屬性都有對應的屬性值，每一條數據均由多個屬性值構成。比如，id為1的第1條數據的屬性值有：1、165、55、1、1，分別對應的屬性為：gender、height、age、city、occupation。表1中待檢測數據表的city和occupation等列可以使用數字替代；對表1中每一組數據的屬性值通過主成分分析進行降維得到每一條數據的新屬性值(新的feature)，表2是根據本發明實施例的一種異常數據檢測方法的降維數據表，如表2所示：表2通過降維，本實施例將5列變成了3列，分別是pc1、pc2、pc3，新的feature(新的屬性值)是原有列的線性變換，具體變換公式如下：pc1＝-0.3085328*gender+0.3260416*height+0.5555709*age+0.5013550*city-0.4883529*occupation；pc2＝0.3574484*gender-0.5767465*height+0.4192386*age-0.3488463*city-0.4920766*occupation；pc3＝-0.87057667*gender-0.43415427*height-0.09021272*age-0.20623074*city-0.05419287*occupation；經過變化後的數據表如表3所示：表3每組數據的屬性變為pc1、pc2、pc3，但是新的屬性值是由原有的屬性值經過變換得到，也就是由原有的屬性組成，所以新的屬性保留有原有屬性的信息特點。將經過變化後的數據表中每一條數據的新屬性值進行機器學習得到數據模型，通過數據模型區分從文本中提取的數據是否為異常數據。下面結合另一個可選的實施例進行說明。以表4為例，表4是根據本發明實施例的一種異常數據檢測方法的待檢測數據表，先判斷表4待檢測數據表中每組數據的屬性值是文本、數字還是時間，將每組數據的文本，數字，時間等列分別進行直接合併，得到每組數據的新屬性值。合併後的數據表如表5所示。表4idnumerictext1165，55男，北京，it2180，29男，上海，公務員3172，40男，深圳，金融4144，38男，北京，金融5132，26男，北京，公務員6170，45女，上海，it7160，23女，上海，金融8150，45女，上海，金融9174，23女，北京，公務員10163，67女，深圳，金融表5將經過變化後的數據表中每一條數據的新屬性值進行機器學習得到數據模型，通過數據模型區分從文本中提取的數據是否為異常數據。本發明實施例還提供了一種異常數據檢測裝置。該裝置可以通過獲取單元、提取單元、匯合單元和學習單元實現其功能。需要說明的是，本發明實施例的一種異常數據檢測裝置可以用於執行本發明實施例所提供的一種異常數據檢測方法，本發明實施例的一種異常數據檢測方法也可以通過本發明實施例所提供的一種異常數據檢測裝置來執行。圖2是根據本發明實施例的一種異常數據檢測裝置的示意圖。如圖2所示，一種異常數據檢測裝置包括：獲取單元22，用於獲取文本；提取單元24，用於從文本中提取多條數據，其中，多條數據中的每一條數據均由多個屬性值構成，每個屬性值對應該數據的一個屬性，每一條數據的屬性均相同；匯合單元26，用於對每一條數據的屬性值進行匯合得到每一條數據的新屬性值，其中，每一條數據的新屬性值的個數小於匯合之前的每一條數據的屬性值的個數；學習單元28，用於使用每一條數據的新屬性值進行機器學習得到數據模型，其中，數據模型用於區分從文本中提取的數據是否為異常數據。在一個可選的實施方式中，獲取單元包括：第一獲取模塊，用於獲取文本中用自然語言表達的數據。在一個可選的實施方式中，提取單元包括：轉化模塊，用於將文本數據轉化為用於機器學習的多條數據。在一個可選的實施方式中，提取單元包括：提取模塊，用於將文本數據轉化為用於機器學習的多條數據之後通過分詞分析從用於機器學習的多條數據中提取多個屬性值或通過詞頻分析從用於機器學習的多條數據中提取多個屬性值。在一個可選的實施方式中，匯合單元包括：分析模塊，用於對每一條數據的屬性值通過主成分分析進行匯合得到每一條數據的新屬性值。在一個可選的實施方式中，匯合單元包括：合併模塊，用於將每一條數據的屬性值直接合併得到每一條數據的新屬性值。在一個可選的實施方式中，匯合單元，還包括：第二獲取模塊，用於對每一條數據的屬性值進行匯合得到每一條數據的新屬性值之後獲取每一條數據的新屬性值的優先級；篩選模塊，用於根據每一個新屬性值的優先級從所有新屬性值中篩選出一個或多個新屬性值；學習模塊，用於根據篩選出的一個或多個新屬性值進行機器學習得到數據模型。在一個可選的實施方式中，學習單元包括：分類模塊，用於根據每一條數據的新屬性值將每一條數據進行分類；獲取模塊，用於對相同分類的數據根據發生時間和頻率進行學習得到數據模型，其中，發生時間和頻率作為區分異常數據的根據之一。上述一種異常數據檢測裝置實施例是與一種異常數據檢測方法相對應的，所以對於有益效果不再贅述。通過上述實施例的分析描述，相對於現有技術檢測來說，上述實施例中的部分可選實施方式有以下技術上的效果：對於機器學習，如果用於培訓的數據維度過大，則會帶來如下不良效果：1)計算量顯著上升，計算成本增加，培訓效率下降；2)培訓結果易於過度擬合(即培訓結果更接近培訓數據集的特徵，而不是目標數據集的特徵)。本發明實施例提供了一種存儲介質，存儲介質包括存儲的程序，其中，在程序運行時控制存儲介質所在設備執行上述方法。簡單的削減數據維度雖然可以帶來計算量的下降，但是如果去除的是對培訓目標具有代表性的維度，那麼也會造成培訓結果的精度或可靠度下降。因此我們需要利用有效的方法來降低數據的維度，同時保證所保留的維度仍然可以具有最大限度的代表性(即無損降維)。本實施例利用無損的特徵合併減少數據維度，同時不降低機器學習的效果。需要說明的是，對於前述的各方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明並不受所描述的動作順序的限制，因為依據本發明，某些步驟可以採用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬於優選實施例，所涉及的動作和模塊並不一定是本發明所必須的。在上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關描述。在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置，可通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性或其它的形式。所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。所述集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可為個人計算機、移動終端、伺服器或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動硬碟、磁碟或者光碟等各種可以存儲程序代碼的介質。以上所述僅為本發明的優選實施例而已，並不用於限制本發明，對於本領域的技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。當前第1頁12