一种故障定位方法、系统、电子设备及存储介质

技术领域

本申请涉及服务器硬件设备管理技术领域，特别涉及一种故障定位方法、一种故障定位系统、一种电子设备及一种存储介质。

背景技术

随着机器学习和深度学习的发展，服务器智能运维管理就步入高速发展的航道。在AIOps(Artificial Intelligence for IT Operations，智能运维)发展趋势下，以服务器的多源数据为驱动，智能故障监测及诊断溯源技术引起广泛关注。

相关技术中主要利用日志数据实现故障诊断，在上述故障诊断的过程中需要由有运维经验的人员维护故障日志的关键字的数据表，当有新的日志数据时，通过比对关键字定位故障。但是人为定义的日志关键字主观性太强，随着技术发展，服务器运行日志、硬件日志数量逐渐庞大，上述故障诊断方式的诊断准确率较低，不利于业务拓展。

因此，如何提高设备故障定位的准确率是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种故障定位方法、一种故障定位系统、一种电子设备及一种存储介质，能够提高设备故障定位的准确率。

为解决上述技术问题，本申请提供一种故障定位方法，该故障定位方法包括：

获取目标装置的待检日志数据，根据所述待检日志数据中每一词汇的出现频次计算词汇权重，并将词汇权重排名前N位的词汇设置为目标关键词；

根据所有所述目标关键词的词汇权重生成N维的目标特征向量，并将所述目标特征向量与规则库中的预设特征向量进行相似度比对；其中，所述规则库中包括预设特征向量与故障根因的对应关系，预设特征向量为故障日志数据对应的特征向量；

判断所述规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量；

若存在，则确定所述规则库中与所述目标特征向量相似度最高的预设特征向量对应的故障根因，并根据所述故障根因生成所述目标装置的故障定位结果。

可选的，根据所述待检日志数据中每一词汇的出现频次计算词汇权重，包括：

对所述待检日志数据执行预处理操作；其中，所述预处理操作包括格式统一操作、词汇删除操作和词汇转换操作；

根据预处理后的待检日志数据中每一词汇的出现频次计算词汇权重。

可选的，根据所述待检日志数据中每一词汇的出现频次计算词汇权重，包括：

基于TF-IDF算法计算所述待检测日志数据中每一词汇的词汇权重。

可选的，所述规则库的构建过程包括：

获取所述故障日志数据和每一所述故障日志数据对应的故障根因；

生成包括所有所述故障日志数据的语料库，通过TF-IDF算法计算所述语料库中每一词汇在相应的故障日志数据中的词汇权重，并生成词袋模型；其中，所述词袋模型为二维表，所述词袋模型中的每一行表示所述语料库中的每一词汇，所述词袋模型的每一列表示每一所述故障日志数据，所述词袋模型中的元素为词汇在故障日志数据中的词汇权重；

根据所述词袋模型将每一故障日志数据中词汇权重排名前N位的词汇作为样本词汇，并根据所有所述样本词汇的词汇权重生成所述故障日志数据对应的N维的预设特征向量；

将同一所述故障日志数据的预设特征向量与故障根因的对应关系存储至所述规则库。

可选的，所述故障定位结果包括故障位置、故障类别和故障发生时间。

可选的，在判断所述规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量之前，还包括：

计算所述目标特征向量与所述规则库中的预设特征向量的余弦值，并将所述余弦值作为所述目标特征向量与预设特征向量的相似度。

可选的，在根据所述故障根因生成所述目标装置的故障定位结果之后，还包括：

将所述故障定位结果发送至人机交互界面，以便用户输入评价信息；

当所述评价信息为诊断错误时，接收用户输入的实际故障根因，并利用所述实际故障根因与所述目标特征向量更新所述规则库。

本申请还提供了一种故障定位系统，该系统包括：

关键词确定模块，用于获取目标装置的待检日志数据，根据所述待检日志数据中每一词汇的出现频次计算词汇权重，并将词汇权重排名前N位的词汇设置为目标关键词；

特征比对模块，用于根据所有所述目标关键词的词汇权重生成N维的目标特征向量，并将所述目标特征向量与规则库中的预设特征向量进行相似度比对；其中，所述规则库中包括预设特征向量与故障根因的对应关系，预设特征向量为故障日志数据对应的特征向量；

定位模块，用于判断所述规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量；若存在，则确定所述规则库中与所述目标特征向量相似度最高的预设特征向量对应的故障根因，并根据所述故障根因生成所述目标装置的故障定位结果。

本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述故障定位方法执行的步骤。

本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述故障定位方法执行的步骤。

本申请提供了一种故障定位方法，包括：获取目标装置的待检日志数据，根据所述待检日志数据中每一词汇的出现频次计算词汇权重，并将词汇权重排名前N位的词汇设置为目标关键词；根据所有所述目标关键词的词汇权重生成N维的目标特征向量，并将所述目标特征向量与规则库中的预设特征向量进行相似度比对；其中，所述规则库中包括预设特征向量与故障根因的对应关系，预设特征向量为故障日志数据对应的特征向量；判断所述规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量；若存在，则确定所述规则库中与所述目标特征向量相似度最高的预设特征向量对应的故障根因，并根据所述故障根因生成所述目标装置的故障定位结果。

本申请在获取目标日志的待检日志数据之后，根据待检日志数据中每一词汇出现的频次计权词汇权重，将词汇权重排名前N位的词汇作为目标关键词。利用目标关键词生成目标特征向量实现特征比对，根据规则库中与目标特征向量相似度最高的预设特征向量对应的故障根因生成故障定位结果。本申请根据待检日志数据中的词汇出现频次确定用于构建目标特征向量的目标关键词，能够避免由于人为定义关键字带来的误差，因此本申请能够提高设备故障定位的准确率。本申请同时还提供了一种故障定位系统、一种电子设备和一种存储介质，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。

图1为本申请实施例所提供的一种故障定位方法的流程图；

图2为本申请实施例所提供的一种规则库构建方法的流程图；

图3为本申请实施例所提供的一种基于设备日志挖掘的故障根因溯源的系统的结构示意图；

图4为本申请实施例所提供的一种故障定位系统的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

下面请参见图1，图1为本申请实施例所提供的一种故障定位方法的流程图。

具体步骤可以包括：

S101：获取目标装置的待检日志数据，根据所述待检日志数据中每一词汇的出现频次计算词汇权重，并将词汇权重排名前N位的词汇设置为目标关键词；

其中，本实施例可以应用于故障诊断设备，故障诊断设备可以与目标装置连接，根据目标装置的待检日志数据进行故障定位，本实施例不限定目标装置的种类和数量。

当本实施例应用于服务器时，本实施例的执行主体可以为服务器的故障诊断系统，故障诊断系统可以利用机器数据收集模块批量地收集服务器硬件装置产生的日志数据。本实施例也可以利用Ansible开源运维工具实现无代理地将工具包下发至除服务器之外的被管理机器上，以便实现对服务器资产的维护。在交互页面中用户可以选择收集哪些机器的数据，可以自定义收集数据的时间范围，也可以自定义组合模块，例如可以只勾选BMC模块、BIOS模块及硬盘模块，然后下发至被管机器，工具包完成收集之后将数据打包返回故障诊断系统。

在得到目标装置的待检日志数据之后，可以根据待检日志数据中每一词汇的出现频次计算词汇权重，并将词汇权重排名前N位的词汇设置为目标关键词。具体的，本实施例可以基于TF-IDF算法计算所述待检测日志数据中每一词汇的词汇权重。本实施例可以基于统计的特征提取算法TF-IDF选择日志的关键字，相较于当前由业务人员手动筛选关键字，本实施例有更优异发准确度和扩展性。利用日志的关键字作为特征项，构建日志特征向量，从而将日志文档这种非结构化且不利于计算机处理的日志数据转变为一组N维向量，方便后续相似度对比处理。

S102：根据所有目标关键词的词汇权重生成N维的目标特征向量，并将所述目标特征向量与规则库中的预设特征向量进行相似度比对；

其中，在得到待检日志数据的目标关键词的基础上，本步骤可以将N个目标关键词看成N维坐标系，目标关键词的词汇权重为N维坐标系中对应的坐标值，以使一个单位数据标识位N维空间内的向量，即得到N维的目标特征向量。通过本步骤能够使非结构的日志数据转化为结构化的特征向量。

在本步骤之前还可以存在构建规则库的操作，规则库中包括故障日志数据对应的预设特征向量，还可以包括每一预设特征向量对应的故障根因，即规则库中包括预设特征向量与故障根因的对应关系。

本实施例可以将目标特征向量与规则库中每一预设特征向量逐个对比，得到目标特征向量与各个预设特征向量之间的相似度。目标特征向量与预设特征向量之间的相似度越大，目标装置的实际故障根因与预设特征向量对应的故障根因的相似度越大。

S103：判断规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量；若存在，则进入步骤S104；若不存在，则结束流程。

其中，本步骤可以在S102目标特征向量与各个预设特征向量进行相似度比对的过程中执行，若所有的预设特征向量与目标特征向量的相似度均不大于预设值，则说明目标装置不存在任一预设特征向量对应的故障根因，可以判定目标装置不存在故障，也可以判定目标装置存在未知故障，还可以输出本次故障诊断失败的提示信息。

作为一种可行的实施方式，在判断所述规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量之前，还计算所述目标特征向量与所述规则库中的预设特征向量的余弦值，并将所述余弦值作为所述目标特征向量与预设特征向量的相似度。

S104：确定规则库中与目标特征向量相似度最高的预设特征向量对应的故障根因，并根据故障根因生成所述目标装置的故障定位结果。

其中，本步骤建立在已经确定规则库中存在与所述目标特征向量相似度大于预设值的预设特征向量的基础上，此时可以确定规则库中与目标特征向量相似度最高的预设特征向量，并根据与目标特征向量相似度最高的预设特征向量对应的故障根因生成目标装置的故障定位结果。具体的，故障定位结果可以包括目标装置的故障位置、故障类别和故障发生时间。其中故障位置和故障类别可以根据故障根因确定，故障发生时间可以根据待检日志数据对应的日志生成时间确定。

作为一种可行的实施方式，在根据所述故障根因生成所述目标装置的故障定位结果之后，还可以将所述故障定位结果发送至人机交互界面，以便用户输入评价信息；当所述评价信息为诊断错误时，接收用户输入的实际故障根因，并利用所述实际故障根因与所述目标特征向量更新所述规则库。本实施例通过收集硬件设备日志，使用基于统计的特征提取方案TF-IDF算法，结合设备日志的特点改进该算法，以短语的形式作为特征来提取，构建日志特征向量模型，区分异常日志，按照规则库的约定查找故障根因，实现对服务器故障根因溯源与定位。

本实施例在获取目标日志的待检日志数据之后，根据待检日志数据中每一词汇出现的频次计权词汇权重，将词汇权重排名前N位的词汇作为目标关键词。利用目标关键词生成目标特征向量实现特征比对，根据规则库中与目标特征向量相似度最高的预设特征向量对应的故障根因生成故障定位结果。本实施例根据待检日志数据中的词汇出现频次确定用于构建目标特征向量的目标关键词，能够避免由于人为定义关键字带来的误差，因此本实施例能够提高设备故障定位的准确率。

作为对于图1对应实施例的进一步介绍，S101中根据所述待检日志数据中每一词汇的出现频次计算词汇权重的过程可以包括以下步骤：对所述待检日志数据执行预处理操作；其中，所述预处理操作包括格式统一操作、词汇删除操作和词汇转换操作；根据预处理后的待检日志数据中每一词汇的出现频次计算词汇权重。

作为一种可行的实施方式，本实施例可以利用数据预处理模块实现对待检日志数据的预处理。具体的，预处理操作可以包括以下三个步骤：

步骤1：由于直接获取的待检日志数据通常以压缩数据包的形式存在，因此可以解压数据包得到待检日志数据，将待检日志数据按照时间、机器、设备分类(不同硬件设备运行输出数据格式，种类各不同)，并对各个待检日志数据执行格式统一操作，得到同一日志格式的待检日志数据。

本实施例将日志数据按照时间、机器、设备分类(不同硬件设备运行输出数据格式，种类各不同)，统一各模块收集日志格式方便后续模块处理。

步骤2：对待检日志数据的实际内容进行处理，处理的过程可以包括拓展缩略语、删除特殊字符、删除停用词、还原或者提取词根。

其中，拓展缩略语指：将缩略语恢复为缩略之前的词语内容，例如可以将缩略语CPU进行扩展得到Central Processing Unit。删除特殊字符指：删除待检日志数据中的特殊字符，特殊字符可以包括标点符号。删除停用词指：删除待检日志数据中已经停用的词汇；本实施例可以维护一种停用词表，删除待检日志数据中出现在停用词表内的词汇。还原或提取词根指：提取变形词汇(如过去式、正在进行时)的词根；例如单词watches，watched和watching，它们表意相同，可以通过去除词缀保留词根watch得到词汇的基本形式，达到减少处理数据量的目的。

步骤3：本实施例可以维护一个无作用词库，包含基本日志格式所含词汇，例如：on，Info，Index，2019等和逆向词频IDF非常高的词汇，利用无作用词库，去除日志数据中无用的噪音，减少后续特征提取的数据量(目前标准的设备日志均为英文，分词实现相对中文简单)，为后续文本特征提取及异常检测做准备。本实施例中无作用词库的表示格式设计为：[I

在上述预处理过程中，词汇删除操作包括：删除特殊字符、删除停用词和删除无作用词；词汇转换操作包括：拓展缩略语、还原或者提取词根。通过上述方式能够减小数据处理量并提高目标关键词识别率。

请参见图2，图2为本申请实施例所提供的一种规则库构建方法的流程图，本实施例是对图1对应实施例中提到的规则库的构建过程，可以将本实施例与图1对应的实施例相结合得到进一步的实施方式，本实施例可以包括以下步骤：

S201：获取所述故障日志数据和每一所述故障日志数据对应的故障根因；

S202：生成包括所有所述故障日志数据的语料库，通过TF-IDF算法计算所述语料库中每一词汇在相应的故障日志数据中的词汇权重，并生成词袋模型；

其中，所述词袋模型为二维表，所述词袋模型中的每一行表示所述语料库中的每一词汇，所述词袋模型的每一列表示每一所述故障日志数据，所述词袋模型中的元素为词汇在故障日志数据中的词汇权重；

S203：根据所述词袋模型将每一故障日志数据中词汇权重排名前N位的词汇作为样本词汇，并根据所有所述样本词汇的词汇权重生成所述故障日志数据对应的N维的预设特征向量；

S204：将同一所述故障日志数据的预设特征向量与故障根因的对应关系存储至所述规则库。

本实施例中的规则库中可以包括多个预设特征向量与故障根因的对应关系，在故障诊断的过程中，可以将待检日志数据的目标特征向量与预设特征向量相比对，进而根据相似度比对结果输出故障定位结果。

下面通过在实际应用中的实施例说明上述实施例描述的流程。请参见图3，图3为本申请实施例所提供的一种基于设备日志挖掘的故障根因溯源的系统的结构示意图。本实施例提供了一种基于设备日志挖掘的故障根因溯源的系统，该系统可以包括以下功能模块：机器数据收集模块，数据预处理模块，特征具化模块，异常过滤定位模块和用户交互模块。

机器数据收集模块，用于批量地收集服务器硬件设备产生的日志数据。

数据预处理模块，用于对机器数据收集模块手机的日志数据进行预处理。

特征具化模块的功能是通过算法将文本数据的特征词提取出来，将文本数据转换为结构数据，以便计算机处理。本实施例可以维护一个基本日志语料库和词袋模型，语料库含有所有硬件设备基本日志数据(本实施例中，一条日志称为一个单位数据)。词袋模型是一张二维表，词袋模型根据语料库生成，词袋模型的行代表语料库包含的所有词汇，词袋模型的列代表语料库的单位日志，词袋模型中的单个元素是某个词对该单位数据的权重。本实施例可以通过基于统计的TF-IDF算法，计算得到单位数据中每个词汇的权重。

词频为某词汇出现次数与文档总词数之比，其词频计算公式为：

其中，TF为词频，C(x)为词汇x的出现次数，C为文档总词数。

逆向词频计算公式如下：

其中，IDF(x)为词汇x的逆向词频，N代表语料库中文本的总数，而N(x)代表语料库中包含词汇x的文本总数。

本实施例可以根据词频TF与逆向文件频率IDF(x)计算得到单位数据中每个词汇的权重，具体的，可以将词频TF与逆向文件频率IDF(x)的乘积作为每个词汇的权重。

本实施例可以选择词汇权重排序的前N位组成日志数据的关键词，将关键词t

异常过滤定位模块，用于在分类输入的单位日志数据中筛除正常日志数据，保留异常日志数据并分类。本异常过滤定位模块可以通过特征具化模块生成的向量数据，计算余弦值得到相似度以便完成分类。

具体的，本实施例可以通过以下公式计算余弦值：

其中，sim

异常过滤定位模块可以通过规则库中的预设特征向量，对输入的异常向量定位，通过用户交互模块输出定位结果，完成故障监测。

用户交互模块用于实现以下两种功能：功能1，用户交互模块支持接收专家录入常见故障日志信息及故障根因，同时向数据预处理模块发出请求，同步更新基本日志语料库及词袋模型，提取故障日志信息的特征，并且为故障根因编号入库生成规则库；功能2，用户在页面选择收集不同设备日志数据并检测故障，系统在诊断之后返回诊断结果，即告知系统此次诊断是否正确，若有误则输入新的故障根因数据，更新规则库。

上述实施例中的特征具化模块利用基于统计的特征提取算法去处理服务器硬件设备日志数据，利用特征向量区分日志数据，并运用到日志处理及故障定位业务中，通过算法提取关键词，不仅减少人工工作量，同时降低主观性造成的偏差。本实施例提供了一种完整并且独立小巧的系统装置，与其他服务器管理系统结合灵活，用户交互模块增加专家入口，通过这个接口可以不断更新语料库，保持规则库的更新，提高故障定位的准确性。

上述基于设备日志挖掘的故障根因溯源过程如下：

阶段一：准备阶段

1.业务人员上传基本日志数据及故障错误日志文件，整理故障源及故障类别，录入系统。系统预处理模块实现删除冗余数据，更新语料库及无作用词库的功能。

2.特征具化模块接收数据，筛除正常日志数据，利用预处理模块的基本日志语料库计算错误日志的词汇权重，提取日志文本特征，根据所有特征项构建特征向量。

3.异常监测定位模块接收数据，使用业务人员录入的故障源、故障类别数据以及特征向量，生成规则库。本实施例可以利用余弦相似性计算日志之间的相似度，实现日志的分类，根据此分类生成故障诊断规则库。

阶段二：诊断阶段

1.用户使用用户交互模块，向被管机器下发收集日志工具包。

2.预处理模块接收工具包捕获日志，解压日志，删除冗余数据。

3.特征具化模块接收数据，根据词袋模型计算日志数据词汇权重，选取权重前N个值，生成特征向量。

4.异常检测定位模块接收数据，利用余弦相似度公式，计算输入数据与规则库中向量的相似性，定位故障类别及故障根因。

5.将结果输出到用户交互模块，在界面中显示故障诊断定位结果。

上述实施例提出了一种基于设备日志挖掘的故障根因溯源的方案，使用基于统计的特征提取方式将日志这种非结构化的数据变成易于计算机处理的结构数据。日志以服务器的硬件设备为单位，以算法作为支撑，统一处理多设备数据，减少了故障排查的难度，提升了故障诊断的效率和定位的的准确性。进一步的，本实施例的系统与管理服务器客户端结合灵活，与使用机器学习来生成规则库的方案相比，对于设备的性能要求较低。

请参见图4，图4为本申请实施例所提供的一种故障定位系统的结构示意图；

该系统可以包括：

关键词确定模块100，用于获取目标装置的待检日志数据，根据所述待检日志数据中每一词汇的出现频次计算词汇权重，并将词汇权重排名前N位的词汇设置为目标关键词；

特征比对模块200，用于根据所有所述目标关键词的词汇权重生成N维的目标特征向量，并将所述目标特征向量与规则库中的预设特征向量进行相似度比对；其中，所述规则库中包括预设特征向量与故障根因的对应关系，预设特征向量为故障日志数据对应的特征向量；

定位模块300，用于判断所述规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量；若存在，则确定所述规则库中与所述目标特征向量相似度最高的预设特征向量对应的故障根因，并根据所述故障根因生成所述目标装置的故障定位结果。

本实施例在获取目标日志的待检日志数据之后，根据待检日志数据中每一词汇出现的频次计权词汇权重，将词汇权重排名前N位的词汇作为目标关键词。利用目标关键词生成目标特征向量实现特征比对，根据规则库中与目标特征向量相似度最高的预设特征向量对应的故障根因生成故障定位结果。本实施例根据待检日志数据中的词汇出现频次确定用于构建目标特征向量的目标关键词，能够避免由于人为定义关键字带来的误差，因此本实施例能够提高设备故障定位的准确率。

进一步的，关键词确定模块100，包括：

预处理单元，用于对所述待检日志数据执行预处理操作；其中，所述预处理操作包括格式统一操作、词汇删除操作和词汇转换操作；

权重计算单元，用于根据预处理后的待检日志数据中每一词汇的出现频次计算词汇权重。

进一步的，关键词确定模块100根据所述待检日志数据中每一词汇的出现频次计算词汇权重的过程包括：基于TF-IDF算法计算所述待检测日志数据中每一词汇的词汇权重。

进一步的，还包括：

规则库构建模块，用于获取所述故障日志数据和每一所述故障日志数据对应的故障根因；还用于生成包括所有所述故障日志数据的语料库，通过TF-IDF算法计算所述语料库中每一词汇在相应的故障日志数据中的词汇权重，并生成词袋模型；其中，所述词袋模型为二维表，所述词袋模型中的每一行表示所述语料库中的每一词汇，所述词袋模型的每一列表示每一所述故障日志数据，所述词袋模型中的元素为词汇在故障日志数据中的词汇权重；还用于根据所述词袋模型将每一故障日志数据中词汇权重排名前N位的词汇作为样本词汇，并根据所有所述样本词汇的词汇权重生成所述故障日志数据对应的N维的预设特征向量；还用于将同一所述故障日志数据的预设特征向量与故障根因的对应关系存储至所述规则库。

进一步的，所述故障定位结果包括故障位置、故障类别和故障发生时间。

进一步的，还包括：

相似度计算模块，用于在判断所述规则库中是否存在与所述目标特征向量相似度大于预设值的预设特征向量之前，计算所述目标特征向量与所述规则库中的预设特征向量的余弦值，并将所述余弦值作为所述目标特征向量与预设特征向量的相似度。

进一步的，还包括：

交互模块，用于在根据所述故障根因生成所述目标装置的故障定位结果之后，将所述故障定位结果发送至人机交互界面，以便用户输入评价信息；还用于当所述评价信息为诊断错误时，接收用户输入的实际故障根因，并利用所述实际故障根因与所述目标特征向量更新所述规则库。

由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。