微服务异常追踪的方法、服务器及存储介质

技术领域

本申请涉及人工智能和微服务架构领域，尤其涉及一种微服务异常追踪的方法、服务器及存储介质。

背景技术

在现有技术中，使用人工追踪异常的方式通常存在以下问题：不同的模块涉及不同的环境以及开发团队，即使拥有完善的链路追踪数据，人工方式缺少足够的经验发现链路中可能存在的异常，在异常发生时难以定位异常；同时，传统方式一般在检测到整条链路异常后再进行异常的定位，无法对之前已存在的异常进行预警，此时可能已发生重大事故。

而使用传统的机器学习或异常检测方法存在以下问题：需要大量的标注数据，同时数据极不平衡，超大规模微服务调用链的标注难度大；不同追踪对象的异常情况不同导致异常难以识别；各个被追踪对象的数据分离，未能考虑链路的调用关系。

发明内容

本申请实施例提供了一种微服务异常追踪的方法、服务器及存储介质，用于利用人工智能深度学习技术，通过无需人工标记的大量Span信息的学习，从而可根据不同的被追踪对象识别出调用处理耗时过长以及过短的情况。

本申请第一方面提供一种微服务异常追踪的方法，可以包括：

对链路中每个工作单元的Span信息进行特征提取，得到特征数据和请求处理耗时；

将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络进行模型训练，得到所述训练模型；

根据所述训练模型进行微服务异常追踪。

可选的，所述根据所述训练模型进行微服务异常追踪，包括：

接收第一服务器发送的关于第一微服务的调用请求；

根据所述调用请求获取目标特征数据；

将所述目标特征数据输入至预先获取的训练模型，得到目标耗时；

若所述目标耗时在预置耗时范围内，则预测正常；

若所述目标耗时未在所述预置耗时范围内，则预测异常，展示并发送所述调用请求对应调用链的信息、定位异常内容，以及错误信息中的至少一项给所述第一节点。

可选的，所述特征数据包括：链路标识、微服务名称、请求时间、微服务部署互联网协议、调用方法名、函数入参、函数返回、中央处理器使用率、内存使用率、表空间使用率和用户连接数中的至少一项。

可选的，所述方法还包括：

根据链路追踪的对象类型，对所述请求处理耗时进行标准化处理，得到标准化后的请求处理耗时；

所述将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络进行模型训练，得到所述训练模型，包括：

将所述特征数据作为输入，所述标准化后的请求处理耗时作为输出，使用双向长短期记忆网络进行模型训练，得到所述训练模型。

可选的，所述将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络进行模型训练，得到所述训练模型，包括：

将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络、加权均方根误差WRMSE损失函数和Adam优化算法，进行模型训练，得到所述训练模型。

可选的，所述双向长短期记忆网络为将每条链路的每个阶段的状态拼接成多维向量作为网络的输入，将前向的LSTM和后向的LSTM结合成Bi-LSTM，输出各阶段的预测耗时。

可选的，所述WRMSE损失函数为根据每一条链路的长度L、每一阶段标准化后的实际请求处理耗时y

本申请第二方面提供一种服务器，可以包括：

处理模块，用于对链路中每个工作单元的Span信息进行特征提取，得到特征数据和请求处理耗时；将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络进行模型训练，得到所述训练模型；根据所述训练模型进行微服务异常追踪。

可选的，服务器还包括：

收发模块，用于接收第一服务器发送的关于第一微服务的调用请求；

处理模块，用于根据所述调用请求获取目标特征数据；将所述目标特征数据输入至预先获取的训练模型，得到目标耗时；若所述目标耗时在预置耗时范围内，则预测正常；若所述目标耗时未在所述预置耗时范围内，则预测异常，显示模块，用于展示和收发模块用于发送所述调用请求对应调用链的信息、定位异常的相关内容，以及错误信息中的至少一项给所述第一节点。

可选的，所述特征数据包括：链路标识、微服务名称、请求时间、微服务部署互联网协议、调用方法名、函数入参、函数返回、中央处理器使用率、内存使用率、表空间使用率和用户连接数中的至少一项。

可选的，所述处理模块，具体用于根据链路追踪的对象类型，对所述请求处理耗时进行标准化处理，得到标准化后的请求处理耗时；将所述特征数据作为输入，所述标准化后的请求处理耗时作为输出，使用双向长短期记忆网络进行模型训练，得到所述训练模型。

可选的，所述处理模块，具体用于将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络、加权均方根误差WRMSE损失函数和Adam优化算法，进行模型训练，得到所述训练模型。

可选的，所述双向长短期记忆网络为将每条链路的每个阶段的状态拼接成多维向量作为网络的输入，将前向的LSTM和后向的LSTM结合成Bi-LSTM，输出各阶段的预测耗时。

可选的，所述WRMSE损失函数为根据每一条链路的长度L、每一阶段标准化后的实际请求处理耗时y

本申请第三方面提供一种服务器，可以包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述存储器用于存储可执行程序代码；

所述处理器调用所述存储器中存储的所述可执行程序代码，用于所述处理器执行如本申请第一方面所述的方法。

本申请又一方面提供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至少一可执行指令，所述可执行指令在计算设备上运行时，使得计算设备执行如本申请第一方面所述的方法。

本发明又一方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本申请第一方面所述的方法。

本发明又一方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本申请第一方面所述的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

在本申请实施例中，对链路中每个工作单元的Span信息进行特征提取，得到特征数据和请求处理耗时；将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络进行模型训练，得到所述训练模型；根据所述训练模型进行微服务异常追踪。即利用人工智能深度学习技术，通过无需人工标记的大量Span信息的学习，从而可根据不同的被追踪对象识别出调用处理耗时异常(例如过长以及过短)的情况。整个过程无需人工干预，异常预测的准确性较高，在电信业务超大规模的微服务调用场景下具有针对性的实用意义。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例中微服务异常追踪的方法的一个实施例示意图；

图2为本申请实施例中双向长短期记忆网络Bi-LSTM模型的一个示意图；

图3为本申请实施例中基于Bi-LSTM模型的微服务异常定位流程的一个示意图；

图4为本申请实施例中服务器的一个实施例示意图；

图5为本申请实施例中服务器的另一个实施例示意图。

具体实施方式

本申请实施例提供了一种微服务异常追踪的方法、服务器及存储介质，用于利用人工智能深度学习技术，通过无需人工标记的大量Span信息的学习，从而可根据不同的被追踪对象识别出调用处理耗时过长以及过短的情况。

为了使本技术领域的人员更好地理解本申请方案，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描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，都应当属于本申请保护的范围。

在软件研发领域，微服务架构作为一种分布式架构，以它独立部署、扩展性强的特点深受软件开发者的喜爱，服务化思维逐渐成为了程序员的基本思维模式。但由于绝大部分项目只是一味地增加服务，并没有对其妥善管理，在服务单元数量众多，业务复杂性较高时，一旦接口出现问题，就很难从错综复杂的服务调用网络中找到问题根源。主要体现在，一个请求可能需要调用很多个服务，而内部服务的调用复杂性，决定了问题难以定位。

目前现行技术普遍采用链路追踪的方式来解决这个问题。其核心理念是产生一个请求的完整调用链，通过在请求的第一层产生一个全局的traceId(跟踪标识)，在整个请求过程中传递，最后通过traceId还原出整个的请求链路。如果想知道一个接口在哪个环节出现了问题，就必须清楚该接口调用了哪些服务，以及调用的顺序。每个服务的处理跟踪是一个Span(Switched Port Analyzer，交换机端口分析器)，如果把这些服务串起来，看起来就像链条一样，称其为调用链。

而随着业务不断扩张，服务越来越多，不同的模块可能由不同的团队开发，可能使用不同的语言、不同的技术来实现。它们可能依赖于不同的外部存储，尤其是在电信业务中，其服务可能部署在几千台服务器上，横跨多个不同的数据中心。服务间的调用关系变得十分复杂，对调用链的分析也随之变得困难，仅依靠分析链路也无法快速定位问题。因此如何在如此大规模的服务架构模式下进行快速异常追踪就是本发明要解决的技术问题。

使用人工追踪异常的方式通常存在以下问题：不同的模块涉及不同的环境以及开发团队，即使拥有完善的链路追踪数据，人工方式缺少足够的经验发现链路中可能存在的异常，在异常发生时难以定位异常；同时，传统方式一般在检测到整条链路异常后再进行异常的定位，无法对之前已存在的异常进行预警，此时可能已发生重大事故。

而使用传统的机器学习或异常检测方法存在以下问题：需要大量的标注数据，同时数据极不平衡，超大规模微服务调用链的标注难度大；不同追踪对象的异常情况不同导致异常难以识别；各个被追踪对象的数据分离，未能考虑链路的调用关系。

本发明为了解决在电信业务场景中超大规模微服务调用链复杂而导致无法利用链路追踪技术快速定位异常的技术问题，引入了人工智能模型。采用了深度学习网络的序列到序列(sequence to sequence)模型，提取链路中基本工作单元Span的信息作为特征与标签，导入Bi-LSTM模型(双向长短期记忆网络)中进行深度学习，在以此满足在微服务调用异常出现时能快速定位的问题，并能预警可能发生的异常从而避免重大事故。本发明所使用的技术方案：首先对链路中每个工作单元的Span信息进行特征提取，导入Bi-LSTM模型进行训练，并在整个一次追踪过程中保持持续增量学习，不断提高识别准确性。

下面以实施例的方式，对本申请技术方案做进一步的说明，如图1所示，为本申请实施例中微服务异常追踪的方法的一个实施例示意图，可以包括：

101、对链路中每个工作单元的Span信息进行特征提取，得到特征数据和请求处理耗时。

可选的，所述特征数据包括：链路标识、微服务名称、请求时间、微服务部署互联网协议、调用方法名、函数入参、函数返回、中央处理器使用率、内存使用率、表空间使用率和用户连接数中的至少一项。

在微服务链路中，每个微服务的处理跟踪是一个Span，可以理解为一个基本的工作单元，其包含了一些描述信息，如链路标识(traceId)，微服务名称(name)，请求时间(timestamp)，处理耗时(duration)等信息。与此同时，也可以在Span中创建一些自定义的信息，如微服务部署ip，调用方法名(method)，函数入参(inputParams)、函数返回(outputResult)。此外，不同的监控对象其指标参数也略有不同，如服务器可追踪CPU(central processing unit，中央处理器)及内存使用率等信息，数据库可追踪表空间使用率、用户连接数等信息。提取Span中的这些信息(除duration以外)作为训练模型的输入，将duration作为模型的输出。

根据链路追踪的对象类型需要对duration进行标准化处理。例如：这里可以采用Z-score标准化方法将duration(处理请求耗时)根据对象类型按比例缩放，k表示对象类型，使得μ

表1

102、将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型。

可选的，所述方法还包括：根据链路追踪的对象类型，对所述请求处理耗时进行标准化处理，得到标准化后的请求处理耗时；

所述将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型，可以包括：将所述特征数据作为输入，所述标准化后的请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型。

可选的，所述将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型，可以包括：将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型、加权均方根误差WRMSE损失函数和Adam优化算法，进行模型训练，得到所述训练模型。

可选的，所述Bi-LSTM模型为将每条链路的每个阶段的状态拼接成多维向量作为网络的输入，将前向的LSTM和后向的LSTM结合成Bi-LSTM，输出各阶段的预测耗时。

可选的，所述WRMSE损失函数为根据每一条链路的长度L、每一阶段标准化后的实际请求处理耗时y

所述Adam优化算法包括Adam的随机梯度下降算法。

示例性的，对正常链路的数据进行特征提取并做标准化后，本发明将其切分为训练集和验证集，可以采用Bi-LSTM模型作为训练模型，WRMSE作为损失函数，Adam作为优化算法进行模型的训练。

其中，Bi-LSTM模型的构建可以是：将每条链路的每个阶段的状态拼接成多维向量作为网络的输入，将前向的LSTM和后向的LSTM结合成Bi-LSTM，同时考虑了调用链前后的信息，输出各阶段的预测耗时。如图2所示，为本申请实施例中Bi-LSTM模型的一个示意图。

自定义损失函数WRMSE(Weighted Root Mean Squared Error，加权均方根误差)的构建可以根据如下公式进行构建：

其中，L为每一条链路的长度，y

模型训练可以采用Adam的随机梯度下降算法作为最优化代价函数。不断进行迭代训练，更新模型参数，并使用验证集验证模型效果，最终获得最优的模型权重。

103、根据所述训练模型进行微服务异常追踪。

可选的，所述根据所述训练模型进行微服务异常追踪，可以包括：

接收第一服务器发送的关于第一微服务的调用请求；

根据所述调用请求获取目标特征数据；

将所述目标特征数据输入至预先获取的训练模型，得到目标耗时；

若所述目标耗时在预置耗时范围内，则预测正常；

若所述目标耗时未在所述预置耗时范围内，则预测异常，展示并发送所述调用请求对应调用链的信息、定位异常的相关内容，以及错误信息中的至少一项给所述第一节点。

示例性的，对于整个链路调用链中进行异常定位的流程简单描述为：通过链式服务追踪，获得每一次内部及外部调用的traceId、服务名、函数入参、函数返回等数据，对该半格式化的数据进行特征提取，将请求处理耗时作为标签，然后使用Bi-LSTM模型进行训练。当发起一次新的请求，将获得该调用链上的所有服务的数据，分别对其特征提取，使用训练好的模型进行预测，比较调用链各个阶段标准化后的实际耗时是否处于模型预测值的置信区间。如果预测为异常，则展示该调用链的信息以及定位相关异常的内容及错误信息，并通知给相关的软件开发者。如图3所示，为本申请实施例中基于Bi-LSTM模型的微服务异常定位流程的一个示意图。

本发明将链路追踪技术与人工智能的深度学习进行结合，从每个服务的处理跟踪Span中提取相关信息作为特征值，请求处理耗时duration作为标签，导入Bi-LSTM模型中进行深度学习。通过双向的LSTM，有效利用了调用链的调用关系信息。使用duration作为标签，无需对数据进行人工标记，极大的减少了数据样本难采集问题，并有利于模型的自动增量训练，不断提高模型预测准确性，并具有很强的扩展性。与此同时，可以根据链路追踪的对象类型对duration进行归一化处理，使得调用链的各个阶段可使用相同的置信区间进行异常值的判断。还可以通过自定义损失函数WRMSE的方式，考虑了每条调用链的不同权重，如考虑调用链的长度，增加了模型的精度。

目前现行技术普遍依靠链路追踪技术进行异常的人工定位，即在异常发生时，需要人工介入查看分析调用链来识别出异常服务。而本发明利用人工智能深度学习技术，通过无需人工标记的大量Span信息的学习，可根据不同的被追踪对象识别出耗时过长以及过短的情况。在异常信息出现时，即可快速定位出异常服务并通知给相关的软件开发人员。整个过程无需人工干预，异常预测的准确性可高达87.4％以上(随着持续不断的模型训练，准确率还会继续提高)，在电信业务超大规模的微服务调用场景下具有针对性的实用意义。

即在本申请实施例中，对链路中每个工作单元的Span信息进行特征提取，得到特征数据和请求处理耗时；将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型；根据所述训练模型进行微服务异常追踪。即利用人工智能深度学习技术，通过无需人工标记的大量Span信息的学习，从而可根据不同的被追踪对象识别出调用处理耗时异常(例如过长以及过短)的情况。整个过程无需人工干预，异常预测的准确性较高，在电信业务超大规模的微服务调用场景下具有针对性的实用意义。

如图4所示，为本申请实施例中服务器的一个实施例示意图，可以包括：

处理模块401，用于对链路中每个工作单元的Span信息进行特征提取，得到特征数据和请求处理耗时；将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型；根据所述训练模型进行微服务异常追踪。

可选的，服务器还包括：

收发模块402，用于接收第一服务器发送的关于第一微服务的调用请求；

处理模块401，用于根据所述调用请求获取目标特征数据；将所述目标特征数据输入至预先获取的训练模型，得到目标耗时；若所述目标耗时在预置耗时范围内，则预测正常；若所述目标耗时未在所述预置耗时范围内，则预测异常，显示模块403，用于展示和收发模块402用于发送所述调用请求对应调用链的信息、定位异常的相关内容，以及错误信息中的至少一项给所述第一节点。

可选的，所述特征数据包括：链路标识、微服务名称、请求时间、微服务部署互联网协议、调用方法名、函数入参、函数返回、中央处理器使用率、内存使用率、表空间使用率和用户连接数中的至少一项。

可选的，处理模块401，具体用于根据链路追踪的对象类型，对所述请求处理耗时进行标准化处理，得到标准化后的请求处理耗时；将所述特征数据作为输入，所述标准化后的请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型。

可选的，处理模块401，具体用于将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型、加权均方根误差WRMSE损失函数和Adam优化算法，进行模型训练，得到所述训练模型。

可选的，所述Bi-LSTM模型为将每条链路的每个阶段的状态拼接成多维向量作为网络的输入，将前向的LSTM和后向的LSTM结合成Bi-LSTM，输出各阶段的预测耗时。

可选的，所述WRMSE损失函数为根据每一条链路的长度L、每一阶段标准化后的实际请求处理耗时y

所述Adam优化算法包括Adam的随机梯度下降算法。

如图5所示，为本申请实施例中服务器的另一个实施例示意图，可以包括：

存储有可执行程序代码的存储器501；

与存储器501耦合的处理器502、收发器503和显示器504；

存储器501用于存储可执行程序代码；

处理器502调用存储器501中存储的所述可执行程序代码，用于对链路中每个工作单元的Span信息进行特征提取，得到特征数据和请求处理耗时；将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型；根据所述训练模型进行微服务异常追踪。

可选的，服务器还包括：

收发器502，用于接收第一服务器发送的关于第一微服务的调用请求；

处理器501，用于根据所述调用请求获取目标特征数据；将所述目标特征数据输入至预先获取的训练模型，得到目标耗时；若所述目标耗时在预置耗时范围内，则预测正常；若所述目标耗时未在所述预置耗时范围内，则预测异常，显示器503，用于展示和收发器502用于发送所述调用请求对应调用链的信息、定位异常的相关内容，以及错误信息中的至少一项给所述第一节点。

可选的，所述特征数据包括：链路标识、微服务名称、请求时间、微服务部署互联网协议、调用方法名、函数入参、函数返回、中央处理器使用率、内存使用率、表空间使用率和用户连接数中的至少一项。

可选的，处理器501，具体用于根据链路追踪的对象类型，对所述请求处理耗时进行标准化处理，得到标准化后的请求处理耗时；将所述特征数据作为输入，所述标准化后的请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型进行模型训练，得到所述训练模型。

可选的，处理器501，具体用于将所述特征数据作为输入，所述请求处理耗时作为输出，使用双向长短期记忆网络Bi-LSTM模型、加权均方根误差WRMSE损失函数和Adam优化算法，进行模型训练，得到所述训练模型。

可选的，所述Bi-LSTM模型为将每条链路的每个阶段的状态拼接成多维向量作为网络的输入，将前向的LSTM和后向的LSTM结合成Bi-LSTM，输出各阶段的预测耗时。

可选的，所述WRMSE损失函数为根据每一条链路的长度L、每一阶段标准化后的实际请求处理耗时y

所述Adam优化算法包括Adam的随机梯度下降算法。

本发明还提供一种计算机可读存储介质，存储介质中存储有至少一可执行指令，所述可执行指令在计算设备上运行时，使得计算设备执行上述任意实施例所述的微服务异常追踪的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

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。

在本申请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，在本申请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，本申请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)执行本申请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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。