风险阈值确定方法、异常检测方法、装置和电子设备

技术领域

本说明书实施例涉及计算机技术领域，特别涉及一种风险阈值确定方法、异常检测方法、装置和电子设备。

背景技术

为了提高系统的安全性，需要检测异常交易数据。

在相关技术中，通常使用时间序列模型，诸如ARIMA模型、LSTM模型等，检测异常交易数据。但是，时间序列模型的性质是多项式的拟合。这种性质导致时间序列模型无法利用更多的有效信息来检测异常交易数据，导致异常检测的准确率较低。

发明内容

本说明书实施例提供一种风险阈值确定方法、异常检测方法、装置和电子设备，以提高异常检测的准确率。本说明书实施例的技术方案如下。

本说明书实施例的第一方面，提供了一种风险阈值确定方法，包括：

获取多个时间周期内的交易数据；每个时间周期包括多个时间切片，每个时间切片对应一个时间位置标识，所述时间位置标识用于表示时间切片所处的时间位置；

将获取的交易数据划分到至少一个交易数据集中；每个交易数据集对应一个时间位置标识，包括各个时间周期中与该时间位置标识相对应的时间切片内的交易数据；

对所述至少一个交易数据集进行聚类处理；

在聚类结果满足第一预设条件时，根据交易数据集确定风险阈值，将确定的风险阈值作为与该交易数据集相对应的时间位置标识的风险阈值；所述风险阈值用于检测异常交易数据。

本说明书实施例的第二方面，提供了一种异常检测方法，包括：

根据交易数据的产生时刻，从时间位置标识集中选取目标时间位置标识；所述时间位置标识集包括至少一个时间位置标识，每个时间位置标识对应一个时间切片，用于表示时间切片所处的时间位置，所述目标时间位置标识对应的时间切片与交易数据的产生时刻相匹配；

根据所述时间位置标识，从风险阈值集中选取目标风险阈值；所述风险阈值集包括至少一个风险阈值，每个风险阈值对应一个时间位置标识；

根据所述目标风险阈值，检测所述交易数据是否为异常交易数据。

本说明书实施例的第三方面，提供了一种风险阈值确定装置，包括：

第一获取单元，用于获取多个时间周期内的交易数据；每个时间周期包括多个时间切片，每个时间切片对应一个时间位置标识，所述时间位置标识用于表示时间切片所处的时间位置；

划分单元，用于将获取的交易数据划分到至少一个交易数据集中；每个交易数据集对应一个时间位置标识，包括各个时间周期中与该时间位置标识相对应的时间切片内的交易数据；

聚类单元，用于对所述至少一个交易数据集进行聚类处理；

第二获取单元，用于在聚类结果满足第一预设条件时，根据交易数据集确定风险阈值，将确定的风险阈值作为与该交易数据集相对应的时间位置标识的风险阈值；所述风险阈值用于检测异常交易数据。

本说明书实施例的第四方面，提供了一种异常检测装置，包括：

第一选取单元，用于根据交易数据的产生时刻，从时间位置标识集中选取目标时间位置标识；所述时间位置标识集包括至少一个时间位置标识，每个时间位置标识对应一个时间切片，用于表示时间切片所处的时间位置，所述目标时间位置标识对应的时间切片与交易数据的产生时刻相匹配；

第二选取单元，用于根据所述时间位置标识，从风险阈值集中选取目标风险阈值；所述风险阈值集包括至少一个风险阈值，每个风险阈值对应一个时间位置标识；

检测单元，用于根据目标风险阈值，检测交易数据是否为异常交易数据。

本说明书实施例的第五方面，提供了一种电子设备，包括：

至少一个处理器；

存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如第一方面或者第二方面所述方法的指令。

本说明书实施例提供的技术方案，每个交易数据集中包括多个相似时间切片内的交易数据，使得交易数据集中的交易数据在宏观上具有比较强的交易表现规律。通过交易数据集，结合聚类处理，可以获得风险阈值，所述风险阈值能够更加准确地检测异常交易数据。另外，本说明书实施例提供的技术方案，还可以根据风险阈值检测交易数据是否为异常交易数据。

附图说明

为了更清楚地说明本说明书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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例中风险阈值确定方法的流程示意图；

图2为本说明书实施例中某一交易数据集的聚类结果的示意图；

图3为本说明书实施例中异常检测方法的流程示意图；

图4为本说明书实施例中一种异常交易检测的效果图；

图5为本说明书实施例中风险阈值确定装置的结构示意图；

图6为本说明书实施例中异常检测装置的结构示意图；

图7为本说明书实施例中电子设备的结构示意图。

具体实施方式

下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

在上述相关技术中，时间序列模型通常通过顺序的少量交易数据进行预测。一般每个交易数据的前序交易数据的数量不超过30个。从而导致时间序列模型无法利用更多的有效信息来检测异常交易数据，导致异常交易数据的检测准确率较低。

考虑到对于交易数据来说，顺序的一维时间数据并无很强的规律性，能学习到的信息有限。反而是不同时间周期中的相似时间段具有比较强的规律性。为此，本说明书实施例提供一种风险阈值确定方法。所述风险阈值确定方法可以应用于电子设备。

请参阅图1，所述风险阈值确定方法具体可以包括以下步骤。

步骤S11：获取多个时间周期内的交易数据；每个时间周期包括多个时间切片，每个时间切片对应一个时间位置标识，所述时间位置标识用于表示时间切片所处的时间位置。

在一些实施例中，所述时间周期可以包括1天、2天、1周等。可以将每个时间周期划分为多个时间切片。每个时间切片的跨度可以为5分钟、8分钟、1个小时等。所述多个时间周期中各个时间切片的跨度是相同的。不同时间周期中时间切片的数量是相同的。每个时间切片可以对应一个时间位置标识，所述时间位置标识用于表示时间切片在时间周期内所处的时间位置。所述时间位置标识可以为字符或者数字等。同一时间周期中各个时间切片的时间位置标识是不同的。另外，同一时间周期中，位置上相邻的时间切片可以有重叠，即，位置上相邻的时间切片可以包括重叠的时刻。当然，位置上相邻的时间切片也可以没有重叠。

在一些场景示例中，所述多个时间周期可以为35天。每个时间周期可以为1天。每个时间切片的跨度可以为5分钟。同一个时间周期中，位置上相邻的时间切片可以有重叠。例如，每天的08:00～08:04可以作为一个时间切片，该时间切片对应的时间位置标识可以为字符0802。08:01～08:05可以作为一个时间切片，该时间切片对应的时间位置标识可以为字符0803。8:02～8:06可以作为一个时间切片，该时间切片对应的时间位置标识可以为字符0804。8:03～8:07可以作为一个时间切片，该时间切片对应的时间位置标识可以为字符0805。这样，每个时间周期包括12×60个时间切片，所述多个时间周期可以包括12×60×35个时间切片。

在一些实施例中，可以采集多个时间周期内的交易数据。每个时间周期可以包括多个时间切片。在每个时间切片内可以产生多个交易数据。所述交易数据可以包括交易量数据、交易金额数据等。例如，每个时间切片的跨度可以为5分钟，每分钟产生一个交易量数据。那么，每个时间切片内可以产生5个交易量数据。

步骤S13：将获取的交易数据划分到至少一个交易数据集中；每个交易数据集对应一个时间位置标识，包括各个时间周期中与该时间位置标识相对应的时间切片内的交易数据。

在一些实施例中，每个交易数据集对应一个时间位置标识。不同交易数据集对应的时间位置标识是不同的。这样，所述交易数据集的数量可以等于一个时间周期中时间切片的数量。

在一些实施例中，可以根据交易数据的产生时刻，将获取的交易数据划分到至少一个交易数据集中。每个交易数据集可以包括各个时间周期中与该时间位置标识相对应的时间切片内产生的交易数据。这样使得，每个交易数据集可以包括多个相似时间切片内的交易数据，使得交易数据集中的交易数据在宏观上具有比较强的交易表现规律。

延续前面的场景示例，时间位置标识0802所对应的交易数据集中，可以包括所述35天中每天的08:00～08:04时间切片内产生的交易数据。时间位置标识0803所对应的交易数据集中，可以包括所述35天中每天的08:01～08:05时间切片内产生的交易数据。时间位置标识0804所对应的交易数据集中，可以包括所述35天中每天的08:02～08:06时间切片内产生的交易数据。时间位置标识0805所对应的交易数据集中，可以包括所述35天中每天的08:03～08:07时间切片内产生的交易数据。

在一些实施例中，可以直接将获取的交易数据划分到至少一个交易数据集中。或者，还可以对获取的交易数据进行预处理；可以将预处理后的交易数据划分到至少一个交易数据集中。所述预处理可以包括：对缺失值进行就近填补处理、对异常值进行均值插补处理等。

步骤S15：对所述至少一个交易数据集进行聚类处理。

在一些实施例中，可以采用聚类算法对交易数据集进行聚类处理，得到各个交易数据集的聚类结果。所述聚类算法包括但不限于K-Means聚类算法、DBSCAN聚类算法等等。通过聚类算法，可以克服交易数据的随机性带来的干扰，有利于准确地确定风险阈值。

步骤S17：在聚类结果满足第一预设条件时，根据交易数据集确定风险阈值，将确定的风险阈值作为与该交易数据集相对应的时间位置标识的风险阈值。

在一些实施例中，所述第一预设条件可以用于判断交易数据集中是否为异常交易数据集。异常交易数据集受到了随机性的干扰，无法用于确定风险阈值。在实际中，交易数据集的聚类结果可以包括簇的个数。所述第一预设条件可以包括：簇的个数为1个。针对每个交易数据集，若该交易数据集的聚类结果满足所述第一预设条件，则表明该交易数据集没有受到随机性的干扰，可以根据该交易数据集确定风险阈值，可以将确定的风险阈值作为与该交易数据集相对应的时间位置标识的风险阈值；若该交易数据集的聚类结果不满足所述第一预设条件，则表明该交易数据集受到了随机性的干扰，可以忽略该交易数据集。

在一些实施例中，所述风险阈值可以用于检测异常交易数据。所述风险阈值可以包括上阈值和/或下阈值。在实际中，可以获取交易数据集中交易数据的最大者，作为上阈值。可以获取交易数据集中交易数据的最小者，作为下阈值。当然，为了增加风险容忍区间，还可以获取交易数据集中交易数据的最大者，可以对所述最大者进行修正，得到上阈值。还可以获取交易数据集中交易数据的最小者，可以对所述最小者进行修正，得到下阈值。例如，可以将所述最大者乘以1.1，得到上阈值；可以将所述最小者乘以0.9，得到下阈值。

延续前面的场景示例，时间位置标识0802所对应的交易数据集，其聚类结果不满足所述第一预设条件，则可以忽略时间位置标识0802所对应的交易数据集。时间位置标识0803所对应的交易数据集，其聚类结果满足所述第一预设条件，则可以从时间位置标识0803所对应的交易数据集中获取最小者，可以将所述最小者乘以0.9，得到时间位置标识0803的下阈值。时间位置标识0804所对应的交易数据集，其聚类结果满足所述第一预设条件，则可以从时间位置标识0804所对应的交易数据集中获取最小者，可以将所述最小者乘以0.9，得到时间位置标识0804的下阈值。时间位置标识0805所对应的交易数据集，其聚类结果满足所述第一预设条件，则可以从时间位置标识0805所对应的交易数据集中获取最小者，可以将所述最小者乘以0.9，得到时间位置标识0805的下阈值。

在一些实施例中，在步骤S15中，可以确定各个时间位置标识对应的交易规模；可以根据交易规模，对交易数据集进行聚类处理。具体地，在交易规模满足第二预设条件时，可以对交易数据集进行聚类处理。在交易规模满足第三预设条件时，可以对交易数据集中交易数据之间的时间间隔进行缩小处理；可以对缩小处理后的交易数据集进行聚类处理。

可以将每个时间周期划分为多个时间段，每个时间段可以包括多个时间切片。所述时间段的跨度可以为1个小时、2个小时等。所述多个时间周期中各个时间段的跨度是相同的。不同时间周期中时间段的数量是相同的。每个时间段可以对应一个段位置标识，所述段位置标识用于表示时间段在时间周期内所处的时间位置。同一时间周期中各时间段的段位置标识是不同的。这样，可以确定各个时间段的交易规模，所述交易规模可以为交易数据的数量；可以根据时间段的交易规模，计算段位置标识对应的交易规模。具体地，一个段位置标识可以对应多个时间段。那么，可以根据所述多个时间段的交易规模，计算段位置标识的交易规模。例如，可以计算所述多个时间段的交易规模的平均值，作为段位置标识的交易规模。

每个时间段可以包括多个时间切片，使得，每个段位置标识可以对应多个时间位置标识。这样，可以将段位置标识对应的交易规模，作为与该段位置标识相对应的时间位置标识的交易规模。这样便可以获得各个时间位置标识对应的交易规模。

所述第二预设条件可以用于表示交易规模是否较大。例如，所述第二预设条件可以为：交易数据的数量大于或等于100。针对某一时间位置标识，若该时间位置标识对应的交易规模满足所述第二预设条件，则可以直接对该时间位置标识所对应的交易数据集进行聚类处理。所述第三预设条件可以用于表示交易规模是否较小。例如，所述第三预设条件可以为：交易数据的数量大于10并且小于100。针对某一时间位置标识，若该时间位置标识对应的交易规模满足所述第三预设条件，则针对该时间位置标识所对应的交易数据集，可以对交易数据集中交易数据之间的时间间隔进行缩小处理；可以对缩小处理后的交易数据集进行聚类处理。这样可以避免在聚类算法中由于时间间隔过大导致交易数据之间的距离较远，有利于提高聚类效率。例如，可以将交易数据集中交易数据之间的时间间隔缩小为原来的0.1倍。当然，针对某一时间位置标识，若该时间位置标识对应的交易规模即不满足所述第二预设条件又不满足所述第三预设条件，则表示该时间位置标识所对应的交易数据集的交易规模过小(例如小于10)，可以直接忽略该时间位置标识所对应的交易数据集。

在一些实施例中，在步骤S15中，可以采用基于密度的聚类算法对交易数据集进行聚类处理。所述基于密度的聚类算法旨在找到密度相连的点的最大集合。所述基于密度的聚类算法涉及两个超参数。所述两个超参数包括邻域半径、半径为邻域的最少交易数据的个数。在实际中，所述邻域半径的初始值可以为0.1倍的标准差，所述半径为邻域的最少交易数据的个数可以为5。

针对每个交易数据集，在聚类处理以后，可以获得该交易数据集的聚类结果。另外，还可以计算该交易数据集中各交易数据的第一距离值和第二距离值。所述第一距离值用于表示交易数据与自身所在簇内的其它交易数据之间的距离。具体地，所述第一距离值可以为交易数据与自身所在簇内其它交易数据之间的平均距离。所述第一距离值可以用于表示交易数据的簇内不相似度。所述第二距离值用于表示交易数据与其它簇内交易数据之间的距离。具体地，以交易数据自身所在的簇为第一类簇，以其它的簇为第二类簇，那么，针对每个第二类簇，可以计算该交易数据与该第二类簇内交易数据之间的平均距离。第二类簇的数量为多个，可以获得多个平均距离。可以从所述多个平均距离中选取最小者，作为该交易数据的第二距离值。所述第二距离值可以用于表示交易数据的簇间不相似度。

可以将所述第一距离值和所述第二距离值进行融合，得到第三距离值；例如，交易数据i的第三距离值可以表示为

可以根据第三距离值，计算交易数据集的评价指标。所述评价指标用于评价交易数据集的聚类结果的效果。例如，可以计算交易数据集中各交易数据的第三距离值的平均值，作为该交易数据集的评价指标。所述评价指标越接近于1，表示聚类结果越好。例如，图2示出了某一交易数据集的聚类结果。所述聚类结果的评价指标可以为0.944791809。

在评价指标不满足第四预设条件时，可以迭代执行将交易数据集中的交易数据划分到至少一个簇中的步骤。在所述评价指标满足第四预设条件时，可以结束聚类过程，获得交易数据集的聚类结果。在实际中，可以采用网格搜索的方式，对范围为0.1至3倍的标准差以0.1倍的标准差为距离渐次搜索，搜索的停止条件可以包括以下至少之一：(1)评价指标的增加幅度小于10

本说明书实施例的风险阈值确定方法，每个交易数据集中包括多个相似时间切片内的交易数据，使得交易数据集中的交易数据在宏观上具有比较强的交易表现规律。通过交易数据集，结合聚类处理，可以获得风险阈值，所述风险阈值能够更加准确地检测异常交易数据。

本说明书实施例还提供一种异常检测方法。

请参阅图3，所述异常检测方法可以应用于电子设备，具体可以包括以下步骤。

步骤S21：根据交易数据的产生时刻，从时间位置标识集中选取目标时间位置标识；所述时间位置标识集包括至少一个时间位置标识，每个时间位置标识对应一个时间切片，用于表示时间切片所处的时间位置。

在一些实施例中，所述交易数据可以为待检测的交易数据。所述交易数据可以包括交易量数据、交易金额数据等。可以根据交易数据的产生时刻，从时间位置标识集中选取相应的目标时间位置标识。其中，所述时间位置标识集可以包括至少一个时间位置标识，每个时间位置标识对应一个时间切片，用于表示时间切片所处的时间位置。例如，所述时间位置标识集中可以包括时间位置标识0802、时间位置标识0803、时间位置标识0804、时间位置标识0805。时间位置标识0802与时间切片08:00～08:04相对应。时间位置标识0803与时间切片08:01～08:05相对应。时间位置标识0804与时间切片08:02～08:06相对应。时间位置标识0805与时间切片08:03～08:07相对应。所述目标时间位置标识对应的时间切片与交易数据的产生时刻相匹配。具体地，交易数据的产生时刻，可以位于所述目标时间位置标识所对应的时间切片内。延续前面的例子，交易数据的产生时刻可以为08:04，那么，可以从时间位置标识集中选取相应的目标时间位置标识0804。

步骤S23：根据所述时间位置标识，从风险阈值集中选取目标风险阈值；所述风险阈值集包括至少一个风险阈值，每个风险阈值对应一个时间位置标识。

在一些实施例中，所述风险阈值集包括至少一个风险阈值，每个风险阈值对应一个时间位置标识。所述风险阈值集中的风险阈值可以根据图1所对应的方法确定得到。

在一些实施例中，可以根据选取的时间位置标识，从风险阈值集中选取目标风险阈值。所述目标风险阈值与选取的时间位置标识相对应。

步骤S25：根据所述目标风险阈值，检测所述交易数据是否为异常交易数据。

在一些实施例中，所述目标风险阈值可以包括上阈值和/或下阈值。

在所述交易数据小于所述下阈值时，可以确定所述交易数据为异常交易数据；在所述交易数据大于所述上阈值时，可以确定所述交易数据为异常交易数据；在所述交易数据位于所述上阈值和所述下阈值之间时，可以确定所述交易数据为正常交易数据。

图4示出了一种异常交易检测效果图。在图4中，风险阈值集中各个风险阈值的下阈值构成了下阈值曲线。各个时刻产生的交易数据构成了实际交易数据曲线。

本说明书实施例的异常检测方法，可以根据风险阈值检测交易数据是否为异常交易数据。

请参阅图5。本说明书实施例还提供一种风险阈值确定装置，包括：

第一获取单元31，用于获取多个时间周期内的交易数据；每个时间周期包括多个时间切片，每个时间切片对应一个时间位置标识，所述时间位置标识用于表示时间切片所处的时间位置；

划分单元33，用于将获取的交易数据划分到至少一个交易数据集中；每个交易数据集对应一个时间位置标识，包括各个时间周期中与该时间位置标识相对应的时间切片内的交易数据；

聚类单元35，用于对所述至少一个交易数据集进行聚类处理；

第二获取单元37，用于在聚类结果满足第一预设条件时，根据交易数据集确定风险阈值，将确定的风险阈值作为与该交易数据集相对应的时间位置标识的风险阈值；所述风险阈值用于检测异常交易数据。

请参阅图6。本说明书实施例还提供一种异常检测装置，包括：

第一选取单元41，用于根据交易数据的产生时刻，从时间位置标识集中选取目标时间位置标识；所述时间位置标识集包括至少一个时间位置标识，每个时间位置标识对应一个时间切片，用于表示时间切片所处的时间位置，所述目标时间位置标识对应的时间切片与交易数据的产生时刻相匹配；

第二选取单元43，用于根据所述时间位置标识，从风险阈值集中选取目标风险阈值；所述风险阈值集包括至少一个风险阈值，每个风险阈值对应一个时间位置标识；

检测单元45，用于根据目标风险阈值，检测交易数据是否为异常交易数据。

请参阅图7。本说明书实施例还提供一种计算设备。

所述计算设备可以包括存储器和处理器。

在本实施例中，所述存储器包括但不限于动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)和静态随机存取存储器(Static Random Access Memory，SRAM)等。所述存储器可以用于存储计算机指令。

在本实施例中，所述处理器可以按任何适当的方式实现。例如，所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以用于执行所述计算机指令以实现图1或者图3所对应的实施例。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例和计算设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。另外，可以理解的是，本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，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)执行本说明书各个实施例或者实施例的某些部分所述的方法。

本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。