一种数据处理方法、装置、电子设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。

背景技术

JS对象简谱(Json，JavaScript Object Notation)数据是一种轻量级的数据交换格式，Json模板可以用来校验Json数据。相关技术生成的Json模板仅包含数据类型等信息，使用者在使用Json模板之前，还需要使用者自行确定Json数据中各字段之间的依赖关系，并手动往Json模板中填写依赖关系，如果使用者不够熟练，那么确定的依赖关系可能并不准确，不利于使用者使用Json模板校验Json数据。

发明内容

为了解决上述问题，本发明实施例提供了一种数据处理方法、装置、电子设备及存储介质，以至少解决相关技术生成的Json模板不利于使用者校验Json数据的问题。

本发明的技术方案是这样实现的：

第一方面，本发明实施例提供了一种数据处理方法，该方法包括：

基于至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集；所述至少一个频繁项集中的每个频繁项集对应所述至少两个Json数据对应的至少两个层级中的一个层级；所述频繁项集表征在对应的层级中同时出现的字段的取值集合；所述层级数据表征对应的Json数据的每个层级的字段和取值；

确定所述至少一个频繁项集的每个频繁项集中各字段之间的依赖关系；

基于确定出的依赖关系生成Json模板；

基于所述Json模板对待校验Json数据进行校验。

上述方案中，所述基于确定出的依赖关系生成Json模板，包括：

将所述依赖关系写入所述Json模板的设定字段中。

上述方案中，所述基于至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集，包括：

确定所述至少两个层级中的每个层级的至少两个候选项集；

计算所述至少两个候选项集中的每个候选项集的支持度；所述支持度表征对应的候选项集在所述至少两个Json数据中出现的频率；

基于所述支持度确定所述至少两个层级中的每个层级的频繁项集。

上述方案中，所述确定所述至少一个频繁项集的每个频繁项集中各字段之间的依赖关系，包括：

计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的信息熵增益；

基于所述信息熵增益确定所述依赖关系。

上述方案中，所述计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的信息熵增益，包括：

计算所述至少一个频繁项集的每个频繁项集的信息熵；

计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的条件熵；

基于所述信息熵和所述条件熵确定对应的频繁项集中的每一个字段对应的信息熵增益。

上述方案中，基于所述信息熵增益确定所述依赖关系，包括：

将所述频繁项集中信息熵增益最大的字段确定为所述依赖关系中的被依赖方。

上述方案中，在确定至少一个频繁项集之前，所述方法还包括：

通过对所述至少两个Json数据中的每个Json数据进行扁平化处理，得到所述至少两个Json数据中的每个Json数据的层级数据。

第二方面，本发明实施例提供了一种数据处理装置，该装置包括：

第一确定模块，用于基于至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集；所述至少一个频繁项集中的每个频繁项集对应所述至少两个Json数据对应的至少两个层级中的一个层级；所述频繁项集表征在对应的层级中同时出现的字段的取值集合；所述层级数据表征对应的Json数据的每个层级的字段和取值；

第二确定模块，用于确定所述至少一个频繁项集的每个频繁项集中各字段之间的依赖关系；

生成模块，用于基于确定出的依赖关系生成Json模板；

校验模块，用于基于所述Json模板对待校验Json数据进行校验。

第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本发明实施例第一方面提供的数据处理方法的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序。所述计算机程序被处理器执行时实现如本发明实施例第一方面提供的数据处理方法的步骤。

本发明实施例通过至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集，确定至少一个频繁项集的每个频繁项集中各字段之间的依赖关系，基于确定出的依赖关系生成Json模板，基于所述Json模板对待校验Json数据进行校验。其中，至少一个频繁项集中的每个频繁项集对应至少两个Json数据对应的至少两个层级中的一个层级，频繁项集表征在对应的层级中同时出现的字段的取值集合，层级数据表征对应的Json数据的每个层级的字段和取值。本发明实施例通过频繁项集确定出各字段之间的依赖关系，基于依赖关系生成Json模板，相比相关技术需要使用者手动确定和写入依赖关系，本发明实施例无需使用者手动确定和写入依赖关系，而且确定的依赖关系更加精准，在使用Json模板对待校验Json数据进行校验时，可以提高校验结果的准确度。

附图说明

图1是本发明实施例提供的一种数据处理方法的实现流程示意图；

图2是本发明实施例提供的另一种数据处理方法的实现流程示意图；

图3是本发明实施例提供的另一种数据处理方法的实现流程示意图；

图4是本发明实施例提供的另一种数据处理方法的实现流程示意图；

图5是本发明应用实施例提供的一种生成JsonSchema的流程图；

图6是本发明实施例提供的一种数据处理装置的示意图；

图7是本发明一实施例提供的电子设备的示意图。

具体实施方式

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。

数据合法性校验是互联网及IT业务的重要保护机制，通过数据合法性校验可以保护数据的安全以及维护服务器的安全，而缺乏数据合法性校验可能会导致命令注入和业务宕机等诸多安全问题，因此数据合法性校验在安全生产中就尤为重要。

Json模板可以用来校验Json数据，比如，JsonSchema是一种Json模板，本发明实施例以Jsonschema为例进行说明。

业界通常利用Json模板进行输入数据的合法性校验，因此如何生成高质量的Json模板是进行数据校验的关键一环。相关技术通过Json模板生成工具解析读取到的Json数据，获取到不同种类的数据类型，将不同种类的数据类型映射到Json模板的数据类型，最后得到Json模板。

相关技术生成的Json模板非常粗糙，在使用Json模板校验Json数据前，使用者需要在该Json模板额外填充很多与校验的Json数据相关的信息，比如Json数据的各字段之间的依赖关系、命名规则、数据大小等。对于不熟悉这块数据的使用者来说，如何确定依赖关系并写入Json模板是一个难题。而且人为确定的依赖关系可能并不准确，导致生成的Json模板不准确，使用者使用该Json模板校验Json数据时，得到的校验结果并不准确。

针对上述相关技术的缺点，本发明实施例提供了一种数据处理方法，至少能够提高使用Json模板校验Json数据的校验结果的准确度。为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1是本发明实施例提供的一种数据处理方法的实现流程示意图，所述数据处理方法的执行主体为电子设备，电子设备包括台式电脑、笔记本电脑和服务器等。参考图1，数据处理方法包括：

S101，基于至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集；所述至少一个频繁项集中的每个频繁项集对应所述至少两个Json数据对应的至少两个层级中的一个层级；所述频繁项集表征在对应的层级中同时出现的字段的取值集合；所述层级数据表征对应的Json数据的每个层级的字段和取值。

这里，至少两个Json数据是本发明实施例生成Json模板的基础，其中的每一个Json数据都具有层级结构，比如其中一个Json数据为Json：{“opr”:“list”,“module”:“/root/”,“filter”:{“start”:“ssss”,“cf”:“test”,“success”:“unkown”}}，该Json数据具有两个层级，两个层级分别为[“opr”“module”,“filter”]和[“start”,“cf”,“success”]。

至少两个Json数据一共对应至少两个层级，至少两个层级的层级数为至少两个Json数据中层级最多的Json数据的层级数。

确定每一个层级对应的频繁项集，频繁项集指数据集中频繁出现的项集，项集指若干个项的集合。在本发明实施例中，对于至少两个Json数据，每一个层级都可以挖掘出至少一个频繁项集。频繁项集在本发明实施例中为在一个层级中同时出现的字段以及字段的取值集合。比如，一个Json数据的第一层级为[“opr”，“module”，“filter”]，另一个Json数据的第一层级为[“opr”，“module”]，则该第一层级的频繁项集为[“opr”，“module”]。

在一实施例中，在确定至少一个频繁项集之前，所述方法还包括：

通过对所述至少两个Json数据中的每个Json数据进行扁平化处理，得到所述至少两个Json数据中的每个Json数据的层级数据。

由于Json数据具有嵌套分层特点，有些Json数据的层级结构很深，为了能够获取Json数据的每一层的详细信息，对Json数据都进行扁平化处理，使得深层级的数据暴露出来。扁平化处理可以获取Json数据的每一层级的详细信息，包括获取每一个层级中的字段以及字段对应的取值。

参考图2，在一实施例中，基于至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集，包括：

S201，确定所述至少两个层级中的每个层级的至少两个候选项集。

候选项集用来获取频繁项集，候选项集中满足支持度条件的项集保留，不满足支持度条件的舍弃。

目前频繁项集挖掘已经有很多比较成熟的算法，本发明实施例可以使用Apriori算法挖掘频繁项集。Apriori算法是一种频繁项集挖掘算法，用于在关联规则中提取频繁项集，即挖掘出在所有事物中大概率同时出现的组合。关联规则表示的是在某个频繁项集的条件下推出另一个频繁项集的概率。Apriori算法基于频繁项集性质的先验知识，使用由下至上逐层搜索的迭代方法，Apriori算法从下向上依次生成候选1项集到候选K项集。

在Apriori算法中，用到了两条先验原理，1、如果一个项集不是频繁项集，那么该项集的超集也必定不是频繁项集；2、如果一个项集是频繁项集，那么该项集的子集也是频繁项集，利用这两条先验原理可以大大减少候选项集的数量。

S202，计算所述至少两个候选项集中的每个候选项集的支持度；所述支持度表征对应的候选项集在所述至少两个Json数据中出现的频率。

支持度是指某个集合在所有事务中出现的频率，在本发明实施例中，支持度指候选项集在至少两个Json数据中出现的频率或次数。

S203，基于所述支持度确定所述至少两个层级中的每个层级的频繁项集。

这里，可以删除其中支持度小于最小支持度minsup的候选项集，将剩余的候选项集确定为频繁项集。在实际应用中，通常只保留一个频繁项集，可以将其中支持度最大的候选项集确定为频繁项集。

S102，确定所述至少一个频繁项集的每个频繁项集中各字段之间的依赖关系。

这里，依赖关系指频繁项集中各字段的取值具有依赖，比如一个频繁项集中包括字段A和字段B，其中字段A的取值依赖于字段B的取值，那么字段A和字段B之间具有依赖关系，字段A为依赖方，字段B为被依赖方，字段A的取值取决于字段B的取值。

这里的依赖关系可以仅指取值的大小关系，比如字段A的取值依赖于字段B的取值，即字段B的取值大于字段A的取值。依赖关系还可以指不同字段的取值符合函数关系，比如字段B的取值是字段A的取值的倍数。

假设B的取值依赖A的取值，那么信息熵增益计算依赖关系的原理是将数据集按照A的取值重新划分类别计算出的信息熵会更低，即信息熵增益会变大。因此，分别依次按照A和B来划分数据集计算信息熵增益，增益最大的划分方案即为依赖关系。

参考图3，在一实施例中，所述确定所述至少一个频繁项集的每个频繁项集中各字段之间的依赖关系，包括：

S301，计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的信息熵增益。

信息熵指的是某种特定信息的出现概率(离散随机事件的出现概率)。信息熵就是指不确定性，熵越大，不确定性越大。

条件熵指在一个条件下，随机变量的不确定性。

信息熵增益等于信息熵减去条件熵，信息熵增益表示在一个条件下，信息不确定性减少的程度。

参考图4，在一实施例中，所述计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的信息熵增益，包括：

S401，计算所述至少一个频繁项集的每个频繁项集的信息熵。

根据以下公式计算频繁项集的信息熵：

其中，D为完整数据集，即频繁项集中所有字段和对应的取值，P

比如，频繁项集包括字段A、B和C，A对应的取值为a，B对应的取值为b，C对应的取值为c。假设取值组合(a1，b1，c1)在频繁项集中出现了3组，该频繁项集一共包括17组取值，则该组合取值的P

S402，计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的条件熵。

对于每一个频繁项集，选取字段，用这个字段的取值划分D，D

比如，假设频繁项集包括字段A、B和C，该频繁项集的取值的组合包括：(a1，b1，c1)有3组，(a1，b2，c1)有10组，(a2，b1，c2)有4组。

D为上述17个取值组合，则信息熵为：

分别计算以A、B和C为第一个节点时的条件熵，选取增益最大的节点为根节点。

比如B字段对应的条件熵为：

同理，可以计算出A和C字段对应的条件熵。

S403，基于所述信息熵和所述条件熵确定对应的频繁项集中的每一个字段对应的信息熵增益。

以上述例子继续计算B字段对应的信息熵增益，B字段对应的信息熵增益为：Ent(D)-Ent(Y|B)；A字段对应的信息熵增益为：Ent(D)-Ent(Y|A)。

依次类推，可以得到每一个字段对应的信息熵增益。

S302，基于所述信息熵增益确定所述依赖关系。

基于上述例子，选择信息熵增益最大的作为划分节点，假设选取了B字段，那么认为A和C依赖于B。至于A、C之间的依赖关系，同样可以依照上述方法计算得到，在实际应用中，通常不需要挖掘太过复杂的依赖关系，因为太复杂的依赖关系并不一定准确。

在一实施例中，基于所述信息熵增益确定所述依赖关系，包括：

将所述频繁项集中信息熵增益最大的字段确定为所述依赖关系中的被依赖方。

例如，上述例子中，B字段对应的信息熵增益最大，则将B字段确定为被依赖方，A和C依赖于B。

S103，基于确定出的依赖关系生成Json模板。

比如，Json模板为JsonSchema，JsonSchema用于描述Json数据，JsonSchema可以用来校验Json数据。

在一实施例中，所述基于确定出的依赖关系生成Json模板，包括：

将所述依赖关系写入所述Json模板的设定字段中。

这里，设定字段可以为“description”字段，description”字段用于描述字段信息，作为给使用者的提示，方便使用者校验Json数据。

这里生成Json模板的过程可以参考相关技术，比如还可以将不同种类的数据类型映射到Json模板的数据类型，得到Json模板。

对于每一个层级，都可以得到多个依赖关系，这些依赖关系都可以写入Json模板中，使用者在检验Json数据时，可以依照Json模板来检验Json数据。

在实际应用中，可以根据至少两个Json数据生成多个JsonSchema，比较每个JsonSchema，将相同的JsonSchema合并。

S104，基于所述Json模板对待校验Json数据进行校验。

在利用Json模板校验Json数据时，包括以下步骤：

步骤一，获取待校验Json数据的各个字段和对应的取值。

步骤二，获取Json模板中的依赖关系。

步骤一和步骤二可以同时执行，也可以先执行其中任意一个步骤。

步骤三，判断待校验Json数据的各个字段和对应的取值是否符合上述依赖关系。符合，则该待校验Json数据校验通过。不符合，则该待校验Json数据校验不通过。

例如，假设现有一批HTTP请求数据，按照不同URL放置，每个URL下有多个请求数据，每个请求数据为Json格式，生成能匹配每个URL的唯一JsonSchema。

首先，获取每个层级的字段信息和字段取值，利用频繁项集挖掘算法挖掘每个层级的频繁项集，计算每个频繁项集对应字段取值的条件熵，计算出最大信息熵增益，并将其划分作为字段间依赖关系。生成JsonSchema主体，并将依赖关系写入JsonSchema。

假设生成JsonSchema的代码如下：

"title":"This is a schema that matches body of url:..cgibinaccess_saas.cgi.please pay much more attention to the following key properties:{'opr':0.9036402569593148，'module':0.9271948608137045，'cf':0.9400428265524625}，values mean support degree.the possible dependency relation is‘opr’(3.2)<-[‘module’(1.8)，‘cf’(0.6)],values mean information gain."

其中，频繁项集为{'opr':0.9036402569593148，'module':0.9271948608137045,'cf':0.9400428265524625}。依赖关系为‘opr’(3.2)<-[‘module’(1.8)，‘cf’(0.6)]，该依赖关系表征“cf”和“module”字段的取值取决于“opr”字段的取值，其中3.2、1.8和0.6表示的是字段取值的大小关系，即“opr”字段的取值＞“module”字段的取值＞“cf”字段的取值，具体取值的多少没有限定，只要符合大小关系即可。

假设有一个待校验的Json数据为HTTP请求，其HTTP请求的body数据段为：

“start”：0，

“limit”：50，

“cf”：“c64da58266dbd3a1ea960596e94515ac”，

“module”:“/mod-monitor/abnormal-traffic/index”

利用上述JsonSchema对该Json数据进行校验，因为缺少opr字段，该Json数据与依赖关系不符合，所以校验不通过。

根据校验结果修改HTTP请求后，修改后的HTTP请求的body数据段为：

“opr”：2，

“start”：0，

“limit”：50，

“cf”：0，

“module”:“1”

利用上述JsonSchema对该Json数据进行校验，其中“cf”、“module”和“opr”字段没有缺失，且“cf”、“module”和“opr”字段的取值符合上述依赖关系，所以校验通过。

通过Json模板对请求数据进行合法性校验，只允许通过校验的请求数据访问，拦截没有通过校验的请求数据，增强了数据的安全性。

本发明适用于各种数据校验场景，例如HTTP请求校验、Web参数校验和后台API校验等都可以使用本发明实施例的技术方案。

本发明实施例通过至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集。确定至少一个频繁项集的每个频繁项集中各字段之间的依赖关系，基于确定出的依赖关系生成Json模板，基于所述Json模板对待校验Json数据进行校验。其中，Json模板用于描述Json数据，至少一个频繁项集中的每个频繁项集对应至少两个Json数据对应的至少两个层级中的一个层级，频繁项集表征在对应的层级中同时出现的字段的取值集合，层级数据表征对应的Json数据的每个层级的字段和取值。本发明实施例通过频繁项集确定出各字段之间的依赖关系，基于依赖关系生成的Json模板，相比相关技术需要使用者手动确定和写入依赖关系，本发明实施例无需使用者手动确定和写入依赖关系，可以提升使用者的操作体验。而且确定的依赖关系更加精准，在使用Json模板对待校验Json数据进行校验时，可以提高校验结果的准确度。

参考图5，图5是本发明应用实施例提供的一种生成JsonSchema的流程图，JsonSchema生成流程包括：

首先，数据载入，载入批量Json数据。对批量Json数据做预处理，获取各个层级的字段和取值。

然后，关键字段挖掘，对于各个层级，利用频繁项集挖掘算法计算频繁项集并将频繁项集作为关键字段。这里可以采用Apriori算法挖掘频繁项集。

然后，依赖关系挖掘，对于每一个频繁项集，计算每一个频繁项集中的每一个字段对应的信息熵增益，根据信息熵增益确定依赖关系。

最后，生成JsonSchema，将依赖关系写入JsonSchema的“description”字段。

本发明应用实施例生成的JsonSchema可以直接用于校验Json数据，避免使用者手动往JsonSchema中输入信息，提升了使用者的操作体验。而且确定的依赖关系更加精准，可以提高通过Json模板校验Json数据的校验结果的准确度。

应理解，上述实施例中各步骤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，而不应对本发明实施例的实施过程构成任何限定。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

需要说明的是，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

另外，在本发明实施例中，“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。

参考图6，图6是本发明实施例提供的一种数据处理装置的示意图，如图6所示，该装置包括：第一确定模块、第二确定模块和生成模块。

第一确定模块，用于基于至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集；所述至少一个频繁项集中的每个频繁项集对应所述至少两个Json数据对应的至少两个层级中的一个层级；所述频繁项集表征在对应的层级中同时出现的字段的取值集合；所述层级数据表征对应的Json数据的每个层级的字段和取值；

第二确定模块，用于确定所述至少一个频繁项集的每个频繁项集中各字段之间的依赖关系；

生成模块，用于基于确定出的依赖关系生成Json模板；

校验模块，用于基于所述Json模板对待校验Json数据进行校验。

在一实施例中，生成模块在基于确定出的依赖关系，生成Json模板，用于：

将所述依赖关系写入所述Json模板的设定字段中。

在一实施例中，第一确定模块在基于至少两个Json数据中的每个Json数据的层级数据，确定至少一个频繁项集时，用于：

确定所述至少两个层级中的每个层级的至少两个候选项集；

计算所述至少两个候选项集中的每个候选项集的支持度；所述支持度表征对应的候选项集在所述至少两个Json数据中出现的频率；

基于所述支持度确定所述至少两个层级中的每个层级的频繁项集。

在一实施例中，第二确定模块在确定所述至少一个频繁项集的每个频繁项集中各字段之间的依赖关系时，用于：

计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的信息熵增益；

基于所述信息熵增益确定所述依赖关系。

在一实施例中，第二确定模块在计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的信息熵增益时，用于：

计算所述至少一个频繁项集的每个频繁项集的信息熵；

计算所述至少一个频繁项集的每个频繁项集中的每一个字段对应的条件熵；

基于所述信息熵和所述条件熵确定对应的频繁项集中的每一个字段对应的信息熵增益。

在一实施例中，第二确定模块在基于所述信息熵增益确定所述依赖关系时，用于：

将所述频繁项集中信息熵增益最大的字段确定为所述依赖关系中的被依赖方。

在一实施例中，所述装置还包括：

处理模块，用于通过对所述至少两个Json数据中的每个Json数据进行扁平化处理，得到所述至少两个Json数据中的每个Json数据的层级数据。

实际应用时，所述第一确定模块、第二确定模块和生成模块可通过电子设备中的处理器，比如中央处理器(CPU，Central Processing Unit)、数字信号处理器(DSP，DigitalSignal Processor)、微控制单元(MCU，MicrocontrollerUnit)或可编程门阵列(FPGA，Field－Programmable GateArray)等实现。

需要说明的是：上述实施例提供的数据处理装置在进行数据处理时，仅以上述各模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的模块完成，即将装置的内部结构划分成不同的模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的数据处理装置与数据处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

基于上述程序模块的硬件实现，且为了实现本申请实施例的方法，本申请实施例还提供了一种电子设备。图7为本申请实施例电子设备的硬件组成结构示意图，如图7所示，电子设备包括：

通信接口，能够与其它设备比如网络设备等进行信息交互；

处理器，与所述通信接口连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述电子设备侧一个或多个技术方案提供的方法。而所述计算机程序存储在存储器上。

当然，实际应用时，电子设备中的各个组件通过总线系统耦合在一起。可理解，总线系统用于实现这些组件之间的连接通信。总线系统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7中将各种总线都标为总线系统。

本申请实施例中的存储器用于存储各种类型的数据以支持电子设备的操作。这些数据的示例包括：用于在电子设备上操作的任何计算机程序。

可以理解，存储器可以是易失性存储器或非易失性存储器，也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(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，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(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

上述本申请实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器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。上述的处理器可以是通用处理器、DSP，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器可以实现或者执行本申请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任何常规的处理器等。结合本申请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模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的程序，结合其硬件完成前述方法的步骤。

可选地，所述处理器执行所述程序时实现本申请实施例的各个方法中由电子设备实现的相应流程，为了简洁，在此不再赘述。

在示例性实施例中，本申请实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的第一存储器，上述计算机程序可由电子设备的处理器执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置、电子设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或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，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对现有技术做出贡献的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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，本申请实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

另外，在本申请实例中，“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。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。