游戏数据的处理方法和装置

技术领域

本发明涉及游戏领域，具体而言，涉及一种游戏数据的处理方法和装置。

背景技术

沙盒游戏(Sandbox Games)是一种由沙盘游戏演变而来的游戏类型，由一个或多个地图区域构成，往往包含多种游戏要素，包括角色扮演，动作、射击、驾驶等。沙盒游戏中玩家所扮演的虚拟角色能够改变或影响甚至创造世界，这也是沙盒游戏的特点。

一些玩家为了在游戏中获得更高的成绩，会引入一些第三方辅助软件在游戏中作弊，即开外挂，这一行为对游戏的公平性产生了很大的影响，从而影响了正常玩家的游戏体验，因此在游戏中识别出开外挂的作弊玩家对游戏的公平性非常重要。

目前在识别沙盒游戏中的作弊玩家时，通常是根据外挂的功能进行相关的适配，例如，识别加速挂，就检测玩家的速度等。但沙盒游戏具有多种模式，每种模式下都具有多种行为数据，且新外挂层出不穷，使得现有技术中采用单一的判断标准对外挂玩家进行识别，准确程度较低。

针对相关技术中识别外挂玩家不准确的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种游戏数据的处理方法和装置，以至少解决相关技术中识别外挂玩家不准确的技术问题。

根据本发明实施例的一个方面，提供了一种游戏数据的处理方法，包括：获取待识别对象在游戏过程中生成的游戏数据；将游戏数据输入至外挂识别模型，其中，外挂识别模型通过对样本游戏数据进行无监督学习得到；获取外挂识别模型输出的待识别对象对应的评价参数，并将评价参数与外挂识别模型对应的中心参数进行比对，其中，中心参数用于表征外挂识别模型针对多个游戏数据输出的评价参数的中心位置；在待识别对象对应的评价参数与中心参数之间的偏差大于预设值的情况下，确定待识别对象在游戏中引入第三方辅助软件。

进一步地，将游戏数据输入至外挂识别模型，包括：从待识别对象的游戏数据中筛选出属于目标类型的目标游戏数据；将目标游戏数据输入至外挂识别模型。

进一步地，上述方法还包括：获取外挂识别模型，该步骤包括：获取样本游戏数据，其中，样本游戏数据包括预设时间段内未包含标注的游戏数据，标注用于对游戏数据是否正常进行标识；通过初始模型和样本游戏数据进行无监督训练，得到外挂识别模型。

进一步地，初始模型通过高斯混合算法创建。

进一步地，获取样本游戏数据，包括：获取预设时间段内未包含样本标注的游戏数据；从未包含样本标注的游戏数据中筛选出目标类型的游戏数据；将筛选出的目标类型的样本游戏数据进行归一化处理，得到样本游戏数据。

进一步地，上述方法还包括：确定目标类型，该步骤包括：获取未包含标注的游戏数据，未包含标注的游戏数据包括多种参数，对未包含标注的游戏数据中的每种参数分别进行均值处理，得到未包含标注的游戏数据对应的多个第一均值，其中，标注用于对游戏数据是否正常进行标识；获取正常游戏数据，正常游戏数据包括多种参数，对正常游戏数据中的每种参数分别进行均值处理，得到正常游戏数据对应的多个第二均值，其中，正常游戏数据为未引入第三方辅助软件的对象对应的游戏数据；将未包含标注的游戏数据和正常游戏数据中，每类参数对应的第一均值和第二均值进行比对，获取第一均值和第二均值之差大于预设值的参数类型，并作为目标类型。

进一步地，上述方法还包括：基于外挂识别模型输出的多个待识别对象的评价参数，生成评价参数散点图，每个待识别对象的评价参数对应评价参数散点图中的一个散点；获取评价参数散点图中，散点聚集最多的第一位置和散点聚集次多的第二位置；确定第一位置对应的评价参数为中心参数，并确定第二位置对应的评价参数与中心参数之差为预设值。

根据本发明实施例的一个方面，提供了一种游戏数据的处理装置，包括：第一获取模块，用于获取待识别对象在游戏过程中生成的游戏数据；输入模块，用于将游戏数据输入至外挂识别模型，其中，外挂识别模型通过对样本游戏数据进行无监督学习得到；第二获取模块，用于获取外挂识别模型输出的待识别对象对应的评价参数，并将评价参数与外挂识别模型对应的中心参数进行比对，其中，中心参数用于表征外挂识别模型针对多个游戏数据输出的评价参数的中心位置；确定模块，用于在待识别对象对应的评价参数与中心参数之间的偏差大于预设值的情况下，确定待识别对象在游戏中引入第三方辅助软件。

根据本发明实施例的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的游戏数据的处理方法。

根据本发明实施例的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的游戏数据的处理方法。

在本发明实施例中，获取待识别对象在游戏过程中生成的游戏数据；将游戏数据输入至外挂识别模型，其中，外挂识别模型通过对样本游戏数据进行无监督学习得到；获取外挂识别模型输出的待识别对象对应的评价参数，并将评价参数与外挂识别模型对应的中心参数进行比对，其中，中心参数用于表征外挂识别模型针对多个游戏数据输出的评价参数的中心位置；在待识别对象对应的评价参数与中心参数之间的偏差大于预设值的情况下，确定待识别对象在游戏中引入第三方辅助软件。上述方案并不从外挂软件的外挂原理上对外挂玩家进行识别，而是基于游戏数据创建外挂识别模型，通过外挂识别模型从游戏数据的整体上进行分析，从而可以有效识别出未知种类的外挂，进而提高了游戏中外挂识别的准确性和实时性，解决了相关技术中识别外挂玩家不准确的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种游戏数据的处理方法的流程图；

图2是使用本申请所提供的外挂识别模型对游戏数据进行预测后输出的散点图；

图3是使用本申请所提供的外挂识别模型对游戏数据进行预测后得到的玩家数量与得分的示意图；

图4是使用本申请所提供的外挂识别模型对不同模式下的游戏数据进行预测后输出的散点图；

图5是根据本发明实施例的一种游戏数据的处理装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明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、系统、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。

根据本发明实施例，提供了一种游戏数据的处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种游戏数据的处理方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取待识别对象在游戏过程中生成的游戏数据。

具体的，上述待识别对象可以是目标游戏的玩家在目标游戏中的虚拟角色。此处的目标游戏可以是沙盒游戏(例如：我的世界、迷你世界等)，或其他包括虚拟角色的游戏。上述游戏数据可以是虚拟角色在游戏中的行为数据，例如：虚拟角色的移动速度、停留时间、攻击频率等参数。

上述步骤可以由目标游戏的反外挂服务器执行。该反外挂服务器实时获取游戏中所有玩家的游戏数据，以在游戏的过程中识别出开外挂的玩家。

步骤S104，将游戏数据输入至外挂识别模型，其中，外挂识别模型通过对样本游戏数据进行无监督学习得到。

具体的，上述外挂识别模型可以为神经网络模型，上述样本游戏数据用于对外挂识别模型进行训练。上述样本游戏数据是未进行标记的数据，从而由外挂识别模型来进行无监督学习。

在一种可选的实施例中，可以按照一定的周期进行外挂识别模型的生成。每次生成的外挂识别模型，可以在当前时刻到下一生成外挂识别模型的时刻之间，进行目标游戏中的外挂玩家的识别。

上述方案中，采用无监督学习的方式训练外挂识别模型，从而在缺乏先验知识的情况下获得用于进行外挂识别的神经网络模型。

步骤S106，获取外挂识别模型输出的待识别对象对应的评价参数，并将评价参数与外挂识别模型对应的中心参数进行比对，其中，中心参数用于表征外挂识别模型针对多个游戏数据输出的评价参数的中心位置

上述外挂识别模型进行的是无监督学习，未标注的样本游戏数据中，既包括正常的游戏数据，也包括开外挂的作弊游戏数据。由于正常的游戏数据的特征信息较为接近，因此会出现一定的相似性，使得正常游戏数据的评价参数具有一个中心，即上述中心擦书，距离该中心越近，为外挂游戏数据的可能性就越低。在此基础上，可以通过上述评价参数确定出待识别对象的游戏数据与中心的偏移程度，从而对待识别对象是否开挂进行确认。

步骤S108，在待识别对象对应的评价参数与中心参数之间的偏差大于预设值的情况下，确定待识别对象在游戏中引入第三方辅助软件。

具体的，上述引入第三方辅助软件的待识别对象即为开外挂的待识别对象。上述评价参数可以是外挂识别模型对输入的游戏数据的打分。

在一种可选的实施例中，在训练外挂识别模型的过程中，外挂识别模型学习到了样本游戏数据中正常游戏数据的得分分布，从而可以确定出正常游戏数据对应的中心得分。在识别的过程中，将游戏数据输入至外挂识别模型，得到外挂识别模型输出的游戏数据的得分，将待识别对象的游戏数据的得分与中心得分进行比对，如果二者之差大于预设值，则确定待识别对象在游戏过程中引入了第三方辅助软件，即确定待识别对象开挂。

普通玩家的正常游戏数据和外挂玩家的作弊游戏数据的区别实际并不十分明确，两者的数量差很容易让高斯混合算法的判断出错。在一种可选的实施例中，上述外挂识别模型是通过高斯混合算法创建的高斯混合模型，可以使用通过高斯混合模型求出的游戏数据的代价函数(score，用于判断样本与中心的偏离度)作为游戏数据的评价参数。

上述待识别对象可以是当前所有的玩家，通过上述方案，即可对游戏中的每个玩家是否开外挂进行了判断，从而从所有玩家中识别出开外挂的玩家。在识别出开外挂玩家之后，可以在游戏中对开外挂的玩家进行警告处理，或直接将玩家移除当前游戏。

需要说明的是，用于实施本实施例中的方法步骤的反外挂服务器可以部署于数据中心，游戏数据由游戏服务器直接发送至数据中心，这相比于相关技术中需要将游戏日志(log)传入数据中心进行外挂识别相比，进一步减少了外挂识别的延迟。

在新外挂层出不穷的情况下，采用单一的判断标准对外挂玩家进行识别，能够识别处理的外挂玩家的种类有限，准确程度较低。本申请上述实施例获取待识别对象在游戏过程中生成的游戏数据；将游戏数据输入至外挂识别模型，其中，外挂识别模型通过对样本游戏数据进行无监督学习得到；获取外挂识别模型输出的待识别对象对应的评价参数，并将评价参数与外挂识别模型对应的中心参数进行比对，其中，中心参数用于表征外挂识别模型针对多个游戏数据输出的评价参数的中心位置；在待识别对象对应的评价参数与中心参数之间的偏差大于预设值的情况下，确定待识别对象在游戏中引入第三方辅助软件。上述方案并不从外挂软件的外挂原理上对外挂玩家进行识别，而是基于游戏数据创建外挂识别模型，通过外挂识别模型从游戏数据的整体上进行分析，从而可以有效识别出未知种类的外挂，进而提高了游戏中外挂识别的准确性和实时性，解决了相关技术中识别外挂玩家不准确的技术问题，不仅可以有效的识别出使用了外挂的玩家，并且具有跨玩法的通用性。

作为一种可选的实施例，将游戏数据输入至外挂识别模型，包括：从待识别对象的游戏数据中筛选出属于目标类型的目标游戏数据；将目标游戏数据输入至外挂识别模型。

具体的，上述目标类型用于表示开外挂时具有一定影响的参数类型，这些参数类型的游戏数据在开外挂和不开外挂时具有较大的区别，因此可以基于这些类型的游戏数据进行外挂玩家的识别，从而可以剔除一些无用的游戏数据。

在一种可选的实施例中，实时获取到待识别玩家的游戏数据中，对游戏数据进行筛选，得到预设参数类型的游戏数据，再将目标类型的游戏数据输入至外挂识别模型进行识别。

需要说明的是，不同的外挂软件所影响的游戏参数不同，因此上述目标类型可以随着不同的外挂软件而变化，具体可以是按照一定的周期进行。该周期可以与生成外挂识别模型的周期相同，也可以与生成外挂识别模型的周期不同，

作为一种可选的实施例，上述方法还包括：获取外挂识别模型，该步骤包括：获取样本游戏数据，其中，样本游戏数据包括预设时间段内未包含标注的游戏数据，标注用于对游戏数据是否正常进行标识；通过初始模型和样本游戏数据进行无监督训练，得到外挂识别模型。

具体的，上述未包含标注的游戏数据用于表示未对是否开外挂进行标注的游戏数据。在一种可选的实施例中，在训练外挂识别模型时，可以获取最近的预设时间段(28天)的游戏数据作为样本游戏数据。样本游戏数据中既包括正常的游戏数据，也包括开外挂的作弊游戏数据。

在一种可选的实施例中，可以尽可能多的收集的对玩家的游戏数据，以单场为单位进行。例如，虚拟角色在半空中速度由下转上的次数(双跳)、虚拟角色在某个特定高度停留的时间、虚拟角色与方块进行碰撞的次数、虚拟角色脚下方块为空气的次数、虚拟角色攻击时与对方的距离、虚拟角色攻击时视野方向与相对坐标向量的点积(dot)、虚拟角色超出正常移动速度的远距离移动(此处可以包括远距离移动的时间，以及远距离移动时最高速度与正常速度的比值)、客户端异常的游戏模式变化次数、对其他玩家的长时间视线锁定等多种可能会被作弊影响到的参数。

作为一种可选的实施例，初始模型通过高斯混合算法创建。

高斯分布也即正态分布，可以根据外挂识别模型的待识别对象的游戏数据的评价出，与中心位置的偏移度，估测待识别对象的游戏数据的分布概率，从而对其是否作弊进行判断。

需要说明的是，有些类型的游戏数据并不能精确判断，例如，检测飞行相关的游戏数据，可能会在玩家登录卡顿时产生一些误报，但由于宏观上会有很多玩家的游戏数据具有相同的情况，高斯分布中如果大量游戏数据偏移相同的值，那判断的中心会相应的偏移。因此这些情况在获取样本游戏数据时不需要进行处理。

还需要说明的是，各种参数类型的游戏数据之间并不是孤立的，例如，关于游戏中虚拟角色的飞行可以检测到相关的多条游戏数据，这些相关的游戏数据中，一旦触发其中的某一条，很容易连带触发其他条，导致这方面数据的异常。而基于高斯混合算法的特性，可以不考虑到不同参数类型的游戏数据之间的关联关系，从而对所有参数类型的游戏数据进行统筹运算。

上述方案通过高斯混合算法构建初始模型，从而使得训练得到的外挂识别模型能够具有一定的稳定性，可以避免网络卡顿等外界因素对识别的影响，也可以避免相关游戏数据之间的相互影响，从而进一步提供了外挂识别时的准确定。

作为一种可选的实施例，获取样本游戏数据，包括：获取预设时间段内未包含样本标注的游戏数据；从未包含样本标注的游戏数据中筛选出目标类型的样本游戏数据；将筛选出的目标类型的游戏数据分别进行归一化处理，得到样本游戏数据。

具体的，上述归一化处理用于将游戏数据按照一定的规律缩放到接近的维度，即将游戏数据转换至一指定的区间内，从而能够避免在运算的过程中，受到某些数值过大的游戏参数的影响所引起的误差。

作为一种可选的实施例，上述方法还包括：确定目标类型，该步骤包括：获取未包含标注的游戏数据，未包含标注的游戏数据包括多种参数，对未包含标注的游戏数据中的每种参数分别进行均值处理，得到未包含标注的游戏数据对应的多个第一均值，其中，标注用于对游戏数据是否正常进行标识；获取正常游戏数据，正常游戏数据包括多种参数，对正常游戏数据中的每种参数分别进行均值处理，得到正常游戏数据对应的多个第二均值，其中，正常游戏数据为未引入第三方辅助软件的对象对应的游戏数据；将未包含标注的游戏数据和正常游戏数据中，每类参数对应的第一均值和第二均值进行比对，获取第一均值和第二均值之差大于预设值的参数类型，并作为目标类型。

上述步骤用于选择出可以用于判断玩家是否作弊的参数类型，这些参数类型较容易受到外挂软件的影响。上述方案得到的目标类型即为进行识别时，从待识别对象的游戏数据中进行筛选的目标类型。

Android系统和iOS系统在外挂使用的便利程度上有很大差别，因此大部分外挂都集中在Android系统中，基于此，在一种可选的实施例中，可以直接将从Android系统获得的游戏数据作为上述未包含标注的游戏数据，将从iOS系统中获取的游戏数据作为上述正常游戏数据，对未包含标注的游戏数据和正常游戏数据中的每种参数分别求其平均值，得到多个参数对应的第一均值和第二均值。多个第一均值和多个第二均值的差异较大，则表示该均值对应的参数会受到外挂软件的影响，从而将这些参数类型作为上述目标类型。

通过上述方案，从多种样本游戏数据中选择目标类型的样本游戏数据进行外挂识别模型，从而能够剔除不相关的参数，减少数据处理量，并提高外挂识别模型识别的准确程度。

作为一种可选的实施例，基于外挂识别模型输出的多个待识别对象的评价参数，生成评价参数散点图，每个待识别对象的评价参数对应评价参数散点图中的一个散点；获取评价参数散点图中，散点聚集最多的第一位置和散点聚集次多的第二位置；确定第一位置对应的评价参数为中心参数，并确定第二位置对应的评价参数与中心参数之差为预设值。

具体的，上述散点聚集次多的第二位置即可以作为正常玩家和外挂玩家的分界线。

上述用于与外挂识别模型输出的评价参数进行比对的预设值可以通过这样的方式得到。外挂的作弊游戏数据也存在一定的共性，因此其评价参数也存在一定的聚集，因此可以选择除正常游戏数据所引起的聚集之外的另一个聚集中心，即上述散点聚集次多的第二位置作为正常玩家和外挂玩家的分界线，从而使得该第二位置与散点聚集最多的第一位置之差构成上述预设值。图2是使用本申请所提供的外挂识别模型对游戏数据进行预测后输出的散点图，该散点图的横坐标用于表示玩家数量，纵坐标用于表示外挂识别模型输出的评价参数，根据该散点图可以看出，大部分玩家的得分都集中在0以上的部分，而在得分-48有个比较明显的聚集分层，通过从其他渠道交叉比对确定，得分小于-48的玩家作弊率非常高。因此基本上可以认定得分低于-48即为作弊玩家。

图3是使用本申请所提供的外挂识别模型对游戏数据进行预测后得到的玩家数量与得分的示意图；结合图3所示，横轴为外挂识别模型对游戏数据的打分，纵轴表示低于某个分数的玩家总数量，可以看出，在接近-48的位置，玩家数量发生突变，从而可以验证以-48为标准区分外挂玩家是可行的。

图4是使用本申请所提供的外挂识别模型对不同模式下的游戏数据进行预测后输出的散点图，可以看出不同游戏模式下的散点图具有相似的图像，因此可以确定本实施例所提供的方案适用于各种游戏模式。

再将识别出的外挂玩家移除游戏并封禁后，得到表一结果，其中，以游戏A的不同模式进行示例，A-1表示游戏A在1模式下，以此类推。序号为1、2、4表示已开启移除外挂玩家功能的结果，序号为3、5、6表示未开启移除外挂玩家功能的结果，由此比对可知，本实施例上述方案所识别的外挂玩家准确度高，能够有效降低玩家的作弊率。

表一

根据本发明实施例，提供了一种游戏数据的处理方法的实施例，图5是根据本发明实施例的一种游戏数据的处理装置的示意图，如图5所示，该装置包括：

第一获取模块50，用于获取待识别对象在游戏过程中生成的游戏数据；

输入模块52，用于将游戏数据输入至外挂识别模型，其中，外挂识别模型通过对样本游戏数据进行无监督学习得到；

第二获取模块54，用于获取外挂识别模型输出的待识别对象对应的评价参数，并将评价参数与外挂识别模型对应的中心参数进行比对，其中，中心参数用于表征外挂识别模型针对多个游戏数据输出的评价参数的中心位置；

确定模块56，用于在待识别对象对应的评价参数与中心参数之间的偏差大于预设值的情况下，确定待识别对象在游戏中引入第三方辅助软件。

作为一种可选的实施例，输入模块包括：筛选子模块，用于从待识别对象的游戏数据中筛选出属于目标类型的目标游戏数据；输入子模块，用于将目标游戏数据输入至外挂识别模型。

作为一种可选的实施例，上述装置还包括：第三获取模块，用于获取外挂识别模型，第三获取模块包括：第二获取子模块，用于获取样本游戏数据，其中，样本游戏数据包括预设时间段内未包含标注的游戏数据，标注用于对游戏数据是否正常进行标识；训练子模块，用于通过初始模型和样本游戏数据进行无监督训练，得到外挂识别模型。

作为一种可选的实施例，初始模型通过高斯混合算法创建。

作为一种可选的实施例，第二获取子模块包括：第一获取单元，用于获取预设时间段内未包含样本标注的游戏数据；筛选单元，用于从未包含样本标注的游戏数据中筛选出目标类型的游戏数据；处理单元，用于将筛选出的目标类型的游戏数据进行归一化处理，得到样本游戏数据。

作为一种可选的实施例，上述装置还包括：确定模块，用于获取未包含标注的游戏数据，未包含标注的游戏数据包括多种参数，对未包含标注的游戏数据中的每种参数分别进行均值处理，得到未包含标注的游戏数据对应的多个第一均值，其中，标注用于对游戏数据是否正常进行标识；第三获取单元，用于获取正常游戏数据，正常游戏数据包括多种参数，对正常游戏数据中的每种参数分别进行均值处理，得到正常游戏数据对应的多个第二均值，其中，正常游戏数据为未引入第三方辅助软件的对象对应的游戏数据；比对单元，用于将未包含标注的游戏数据和正常游戏数据中，每类参数对应的第一均值和第二均值进行比对，获取第一均值和第二均值之差大于预设值的参数类型，并作为目标类型。

作为一种可选的实施例，上述装置还包括：生成模块，用于基于外挂识别模型输出的多个待识别对象的评价参数，生成评价参数散点图，每个待识别对象的评价参数对应评价参数散点图中的一个散点；第三获取模块，用于获取评价参数散点图中，散点聚集最多的第一位置和散点聚集次多的第二位置；第二确定模块，用于确定第一位置对应的评价参数为中心参数，并确定第二位置对应的评价参数与中心参数之差为预设值。

根据本发明实施例，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的游戏数据的处理方法。

根据本发明实施例，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的游戏数据的处理方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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。另一点，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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实施例方案的目的。

另外，在本发明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。

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，本发明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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。