基于地理位置的反欺诈方法、装置、设备及存储介质

技术领域

本发明涉及人工智能的科技金融技术领域，尤其涉及一种基于地理位置的反欺诈方法、装置、设备及存储介质。

背景技术

互联网金融的发展降低了理财、投资、贷款、融资门槛，在给人们带来金融投资、资产信贷、消费信贷等方便的同时，也产生了针对金融行业的黑色产业链(以下简称“黑产”)，如团伙骗贷、信用欺诈，如何有效识别欺诈行为一直以来都是金融行业热点。

传统的金融反欺诈主要关注业务层面数据，通过对用户或群体的个人信息、社会信息进行风控建模，随着大数据时代的到来，此类风控建模方法由于采集使用的数据形式单一，因此无法对大量交易的业务数据流进行快速、准确地识别风险与欺诈预警，基于上述问题，需要一种新的反欺诈方法，能够实时处理海量金融业务数据流，并快速、准确地识别出欺诈风险。

发明内容

本发明提供一种基于地理位置的反欺诈方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决目前存在无法对大量交易的金融业务数据流进行快速、准确地识别风险与欺诈预警的问题。

为实现上述目的，本发明第一方面提供了一种基于地理位置的反欺诈方法，包括：

实时获取金融业务数据流，所述金融业务数据流包括每一个用户的地理位置；

根据所述金融业务数据流，通过分布式流数据流引擎Flink实时计算所述金融业务数据流中每一个用户的地理位置与预设风险GPS地理信息库中记录的风险位置的距离；

判断目标用户的地理位置与预设风险GPS地理信息库中记录的风险位置的计算距离是否超出预设阈值；

若所述计算距离超出预设阈值，则获取所述目标用户对应的金融业务数据流，并采用预设风险策略对所述目标用户对应的金融业务数据流进行风险分析，得出对应的异常风险判定结果。

可选的，在本发明第一方面的另一种实现方式中，所述实时获取金融业务数据流，所述金融业务数据流包括每一个用户的地理位置之前，还包括：

根据预设的金融风险控制模型平台构建所述风险GPS地理信息库，其中，所述金融风险控制模型平台包括用于进行风险分析的风控业务决策模块。

可选的，在本发明第一方面的另一种实现方式中，所述根据预设的金融风险控制模型平台构建所述风险GPS地理信息库包括：

获取所述金融风险控制模型平台中的风险地理位置信息；

通过聚类算法按照预设规则对所述风险地理位置信息进行聚类分析处理，得到高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集；

根据所述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集构建所述风险GPS地理信息库。

可选的，在本发明第一方面的另一种实现方式中，所述根据所述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集构建所述风险GPS地理信息库具体包括：

对所述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集中的地理位置进行预处理；

采用分布式存储系统HBase通过列式存储结构将预处理后的地理位置按区域划分进行分表存储，以构建所述风险GPS地理信息库。

可选的，在本发明第一方面的另一种实现方式中，所述金融业务数据流包括业务层数据和网络层数据，其中，所述业务层数据包括用户的个人信息与社会信息，所述网络层数据包括用户的日常访问行为信息与活动区域范围信息，所述活动区域范围信息包括用户的地理位置。

可选的，在本发明第一方面的另一种实现方式中，所述异常风险判定结果包括所述目标用户为高风险用户或所述目标用户为正常用户的判定结论，所述若所述计算距离超出预设阈值，则获取所述目标用户对应的金融业务数据流，并采用预设风险策略对所述目标用户对应的金融业务数据流进行风险分析，得出对应的异常风险判定结果之后，还包括：

若所述目标用户为高风险用户，则根据预设风险用户分类规则判定所述目标用户的用户类别，并判定所述目标用户对应的金融业务数据流为存在GPS异常的金融业务数据流；

将所述目标用户的用户类别与所述存在GPS异常的金融业务数据流推送至所述金融风险控制模型平台；

所述金融风险控制模型平台根据所述目标用户的用户类别以及所述存在GPS异常的金融业务数据流更新所述风险GPS地理信息库。

本发明第二方面提供了一种基于地理位置的反欺诈装置，包括：

金融业务数据流获取模块，用于实时获取金融业务数据流，所述金融业务数据流包括每一个用户的地理位置；

距离实时计算模块，用于根据所述金融业务数据流，通过分布式流数据流引擎Flink实时计算所述金融业务数据流中每一个用户的地理位置与预设风险GPS地理信息库中记录的风险位置的距离；

距离判断模块，用于判断目标用户的地理位置与预设风险GPS地理信息库中记录的风险位置的计算距离是否超出预设阈值；

风险判定模块，用于若所述计算距离超出预设阈值，则获取所述目标用户对应的金融业务数据流，并采用预设风险策略对所述目标用户对应的金融业务数据流进行风险分析，得出对应的异常风险判定结果。

可选的，在本发明第二方面的另一种实现方式中，所述装置还包括：

风险GPS地理信息库构建模块，用于根据预设的金融风险控制模型平台构建所述风险GPS地理信息库，其中，所述金融风险控制模型平台包括用于进行风险分析的风控业务决策模块。

可选的，在本发明第二方面的另一种实现方式中，所述风险GPS地理信息库构建模块具体包括：

风险地理位置信息获取单元，用于获取所述金融风险控制模型平台中的风险地理位置信息；

地理位置数据集获取单元，用于通过聚类算法按照预设规则对所述风险地理位置信息进行聚类分析处理，得到高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集；

构建单元，用于根据所述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集构建所述风险GPS地理信息库。

可选的，在本发明第二方面的另一种实现方式中，所述构建单元具体包括：

预处理子单元，用于对所述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集中的地理位置进行预处理；

分表存储构建子单元，用于采用分布式存储系统HBase通过列式存储结构将预处理后的地理位置按区域划分进行分表存储，以构建所述风险GPS地理信息库。

可选的，在本发明第二方面的另一种实现方式中，所述金融业务数据流包括业务层数据和网络层数据，其中，所述业务层数据包括用户的个人信息与社会信息，所述网络层数据包括用户的日常访问行为信息与活动区域范围信息，所述活动区域范围信息包括用户的地理位置。

可选的，在本发明第二方面的另一种实现方式中，所述异常风险判定结果包括所述目标用户为高风险用户或所述目标用户为正常用户的判定结论，所述装置还包括：

用户类别判断模块，用于若所述目标用户为高风险用户，则根据预设风险用户分类规则判定所述目标用户的用户类别，并判定所述目标用户对应的金融业务数据流为存在GPS异常的金融业务数据流；

推送模块，用于将所述目标用户的用户类别与所述存在GPS异常的金融业务数据流推送至所述金融风险控制模型平台；

更新模块，用于所述金融风险控制模型平台根据所述目标用户的用户类别以及所述存在GPS异常的金融业务数据流更新所述风险GPS地理信息库。

本发明第三方面提供了一种基于地理位置的反欺诈设备，包括存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互联；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于地理位置的反欺诈设备执行上述第一方面所述的方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。

本发明提供的技术方案中，通过实时获取金融业务数据流，金融业务数据流包括每一个用户的地理位置；根据金融业务数据流，通过分布式流数据流引擎Flink实时计算金融业务数据流中每一个用户的地理位置与预设风险GPS地理信息库中记录的风险位置的距离；判断目标用户的地理位置与预设风险GPS地理信息库中记录的风险位置的计算距离是否超出预设阈值；若计算距离超出预设阈值，获取目标用户对应的金融业务数据流，采用预设风险策略对目标用户对应的金融业务数据流进行风险分析，得出对应的异常风险判定结果。本发明实施例通过利用大数据处理能力强的分布式流数据流引擎Flink从海量业务数据中实时获取用户地理位置信息，并通过构造的风险GPS地理位置信息库实现风险地理位置的实时计算，此反欺诈方法弥补了传统检测方法中只使用业务层数据中的用户个人信息、个人社会信息的不足，还考虑了网络层数据，从用户地理位置是否存风险异常的角度判读目标用户是否存在欺诈行为，提高了用户欺诈风险识别的效率和准确性。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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附图。

图1为本发明实施例中基于地理位置的反欺诈方法的一个实施例过程示意图；

图2为本发明实施例中基于地理位置的反欺诈装置的一个实施例示意图；

图3为本发明实施例中基于地理位置的反欺诈设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种基于地理位置的反欺诈方法、装置、设备及存储介质，用于实时处理海量金融业务数据流，并快速、准确地识别出欺诈风险，依赖大数据实现金融反欺诈。

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，对本发明实施例进行描述。

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”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。

在现有技术中，由于传统风控模型主要关注业务层面数据，通过对用户或群体的个人信息、社会信息进行风控建模，随着大数据时代的到来，此类风控建模方法无法对大量交易数据进行快速、准确的风险监控与欺诈预警，本提案的金融业务数据流既来源于业务层面数据还来源于网络层面数据，因此避免了传统风控建模的数据形式单一，引入的网络层面数据关注用户的日常访问行为和活动区域范围，从地理位置信息角度考量用户风险异常。

本发明提供的基于地理位置的反欺诈方法能解决目前存在无法对大量交易的金融业务数据流进行快速、准确地识别风险与欺诈预警的问题，实现实时处理海量金融业务数据流，并快速、准确地识别出欺诈风险，依赖大数据实现金融反欺诈，以下分别进行详细的说明。

参阅图1，本发明实施例中基于地理位置的反欺诈方法的一个实施例包括：

步骤101、实时获取金融业务数据流，金融业务数据流包括每一个用户的地理位置；

步骤102、根据金融业务数据流，通过分布式流数据流引擎Flink实时计算金融业务数据流中每一个用户的地理位置与预设风险GPS地理信息库中记录的风险位置的距离；

步骤103、判断目标用户的地理位置与预设风险GPS地理信息库中记录的风险位置的计算距离是否超出预设阈值；

步骤104、若计算距离超出预设阈值，则获取目标用户对应的金融业务数据流，并采用预设风险策略对目标用户对应的金融业务数据流进行风险分析，得出对应的异常风险判定结果。

具体的，本发明通过实时获取金融业务数据流，其中，金融业务数据流包括业务层数据和网络层数据，业务层数据包括用户的个人信息与社会信息，网络层数据包括用户的日常访问行为信息与活动区域范围信息，活动区域范围信息包括用户的地理位置，传统风控建模采用的是业务层数据，本发明在处理金融反欺诈过程中还进一步考虑了网络层数据，并从网络层数据中提取用户地理位置；进一步地，本发明利用大数据处理能力强的分布式流数据流引擎Flink从海量金融业务数据流中实时获取用户地理位置信息，并通过预先构造的预设风险GPS地理信息库实现对用户当前风险地理位置的实时计算，通过距离判定是否存风险异常的角度判读目标用户是否存在欺诈行为，此反欺诈方法弥补了传统检测方法中只使用业务层数据中的用户个人信息、个人社会信息的不足，同时考虑了网络层数据，并依赖大数据的力量实现金融反欺诈目标。

进一步地，在本发明方法的另一个实施例中，步骤101之前，还包括：根据预设的金融风险控制模型平台构建风险GPS地理信息库，其中，金融风险控制模型平台包括用于进行风险分析的风控业务决策模块。

具体地，风控业务决策模块可以自动化风险分析评价并核实或者由人工进行风险分析评价并核实，以确认目标用户的用户类别是否为高风险用户，并针对高风险用户进行相应处置。

具体实施时，根据预设的金融风险控制模型平台构建风险GPS地理信息库具体包括：获取金融风险控制模型平台中的风险地理位置信息；通过聚类算法按照预设规则对风险地理位置信息进行聚类分析处理，得到高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集，其中，聚类算法可以为K-Means算法、Mean-shift算法、DBSCAN算法等，对此不作限定。进一步地，还根据高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集构建风险GPS地理信息库。

上述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集均为金融风险控制模型平台收集的风险地理位置信息，具体地，还可以将构建的风险GPS地理信息库上传至区块链；本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。本发明通过将风险地理位置进行类别上的有效划分，可以快速确定目标用户在存在地理位置异常时是哪一类别的风险用户，从而可以提前进行预警、实现金融反欺诈。

进一步地，根据高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集构建风险GPS地理信息库具体包括：对高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集中的地理位置进行预处理；具体地，按预设保存格式将上述集中的地理位置进行数据规范化，譬如{"gps_a":{"source":"黑产","date":"黑产gps入库时间"}，{"gps_b":{"source":"逾期用户","date":"逾期时间","userID":"用户ID"}，通过预设保存格式将风险地理位置和每个地理位置对应的风险详情信息规范化，并进一步地，采用分布式存储系统HBase通过列式存储结构将预处理后的地理位置按区域划分进行分表存储，以构建风险GPS地理信息库。

风险GPS地理信息库中数据库存储使用分布式存储系统Hbase，其列式存储结构可以满足一个表有上亿行以及上百万列，通过对地理位置的区域划分来分表存储数据，可以在几千亿的数据量中实现毫秒级查询，可以将金融风险控制模型平台上收集的风险地理位置信息进行预处理后保存至风险GPS地理信息库。

上述预设阈值可以为1米，即目标用户的地理位置与预设风险GPS地理信息库中记录的风险位置的计算距离超出预设阈值1米时，继续采用预设风险策略对目标用户对应的金融业务数据流进行风险分析，得出相应的异常风险判定结果，上述异常风险判定结果包括目标用户为高风险用户或目标用户为正常用户的判定结论。

进一步地，在本发明方法的另一实施例中，在步骤104之后，还包括：若目标用户为高风险用户，则根据预设风险用户分类规则判定目标用户的用户类别，并判定目标用户对应的金融业务数据流为存在GPS异常的金融业务数据流；将目标用户的用户类别与存在GPS异常的金融业务数据流推送至金融风险控制模型平台；金融风险控制模型平台根据目标用户的用户类别以及存在GPS异常的金融业务数据流更新风险GPS地理信息库。

具体实施时，若目标用户为高风险用户，则根据预设风险用户分类规则判定目标用户的用户类别，并判定目标用户对应的金融业务数据流为存在GPS异常的金融业务数据流；将目标用户的用户类别与存在GPS异常的金融业务数据流推送至金融风险控制模型平台；金融风险控制模型平台根据目标用户的用户类别以及存在GPS异常的金融业务数据流更新风险GPS地理信息库。本发明根据实际需要引入了实时大数据计算框架，实时处理可能为每秒上亿的海量用户访问流量；避免传统风控建模的数据形式单一，同时引入网络层数据关注用户的日常访问行为和活动区域范围，从地理位置信息角度考量用户风险指数，实现了风险判定及反欺诈的目的。

综上可知，本发明提供的一种基于地理位置的反欺诈方法，通过实时获取金融业务数据流，金融业务数据流包括每一个用户的地理位置；根据金融业务数据流，通过分布式流数据流引擎Flink实时计算金融业务数据流中每一个用户的地理位置与预设风险GPS地理信息库中记录的风险位置的距离；判断目标用户的地理位置与预设风险GPS地理信息库中记录的风险位置的计算距离是否超出预设阈值；若计算距离超出预设阈值，获取目标用户对应的金融业务数据流，采用预设风险策略对目标用户对应的金融业务数据流进行风险分析，得出对应的异常风险判定结果。本发明实施例通过利用大数据处理能力强的分布式流数据流引擎Flink从海量业务数据中实时获取用户地理位置信息，并通过构造的风险GPS地理位置信息库实现风险地理位置的实时计算，此反欺诈方法弥补了传统检测方法中只使用业务层数据中的用户个人信息、个人社会信息的不足，还考虑了网络层数据，从用户地理位置是否存风险异常的角度判读目标用户是否存在欺诈行为，提高了用户欺诈风险识别的效率和准确性。

上面对本发明实施例中基于地理位置的反欺诈方法进行了描述，下面对本发明实施例中基于地理位置的反欺诈装置进行描述，请参阅图2，本发明实施例中基于地理位置的反欺诈装置的一个实施例包括：

金融业务数据流获取模块11，用于实时获取金融业务数据流，所述金融业务数据流包括每一个用户的地理位置；

距离实时计算模块12，用于根据所述金融业务数据流，通过分布式流数据流引擎Flink实时计算所述金融业务数据流中每一个用户的地理位置与预设风险GPS地理信息库中记录的风险位置的距离；

距离判断模块13，用于判断目标用户的地理位置与预设风险GPS地理信息库中记录的风险位置的计算距离是否超出预设阈值；

风险判定模块14，用于若所述计算距离超出预设阈值，则获取所述目标用户对应的金融业务数据流，并采用预设风险策略对所述目标用户对应的金融业务数据流进行风险分析，得出对应的异常风险判定结果。

可选的，在本发明基于地理位置的反欺诈装置的另一个实施例中，所述装置还包括：

风险GPS地理信息库构建模块，用于根据预设的金融风险控制模型平台构建所述风险GPS地理信息库，其中，所述金融风险控制模型平台包括用于进行风险分析的风控业务决策模块。

可选的，在本发明基于地理位置的反欺诈装置的另一个实施例中，所述风险GPS地理信息库构建模块具体包括：

风险地理位置信息获取单元，用于获取所述金融风险控制模型平台中的风险地理位置信息；

地理位置数据集获取单元，用于通过聚类算法按照预设规则对所述风险地理位置信息进行聚类分析处理，得到高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集；

构建单元，用于根据所述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集构建所述风险GPS地理信息库。

可选的，在本发明基于地理位置的反欺诈装置的另一个实施例中，所述构建单元具体包括：

预处理子单元，用于对所述高风险地区地理位置数据集、黑产用户地理位置数据集、坏账用户地理位置数据集和逾期用户地理位置数据集中的地理位置进行预处理；

分表存储构建子单元，用于采用分布式存储系统HBase通过列式存储结构将预处理后的地理位置按区域划分进行分表存储，以构建所述风险GPS地理信息库。

可选的，在本发明基于地理位置的反欺诈装置的另一个实施例中，所述金融业务数据流包括业务层数据和网络层数据，其中，所述业务层数据包括用户的个人信息与社会信息，所述网络层数据包括用户的日常访问行为信息与活动区域范围信息，所述活动区域范围信息包括用户的地理位置。

可选的，在本发明基于地理位置的反欺诈装置的另一个实施例中，所述异常风险判定结果包括所述目标用户为高风险用户或所述目标用户为正常用户的判定结论，所述装置还包括：

用户类别判断模块，用于若所述目标用户为高风险用户，则根据预设风险用户分类规则判定所述目标用户的用户类别，并判定所述目标用户对应的金融业务数据流为存在GPS异常的金融业务数据流；

推送模块，用于将所述目标用户的用户类别与所述存在GPS异常的金融业务数据流推送至所述金融风险控制模型平台；

更新模块，用于所述金融风险控制模型平台根据所述目标用户的用户类别以及所述存在GPS异常的金融业务数据流更新所述风险GPS地理信息库。

需要说明的是，本发明实施例中的装置可以用于实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实例中的相关描述，此处不再赘述。

上面图2从模块化功能实体的角度对本发明实施例中的基于地理位置的反欺诈装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于地理位置的反欺诈设备进行详细描述。

图3是本发明实施例提供的一种基于地理位置的反欺诈设备的结构示意图，该基于地理位置的反欺诈设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)301(例如，一个或一个以上处理器)和存储器309，一个或一个以上存储应用程序307或数据306的存储介质308(例如一个或一个以上海量存储设备)。其中，存储器309和存储介质308可以是短暂存储或持久存储。存储在存储介质308的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对图计算的布尔型变量存储中的一系列指令操作。更进一步地，处理器301可以设置为与存储介质308通信，在基于地理位置的反欺诈设备300上执行存储介质308中的一系列指令操作。

基于地理位置的反欺诈设备300还可以包括一个或一个以上电源302，一个或一个以上有线或无线网络接口303，一个或一个以上输入输出接口304，和/或，一个或一个以上操作系统305，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3中示出的基于地理位置的反欺诈设备结构并不构成对基于地理位置的反欺诈设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，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。

在本发明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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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，该计算机可读存储介质可以是非易失性的，也可以是易失性的。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(可以是个人计算机，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、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(randomaccess memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围。