异常监控方法、装置、电子设备以及计算机可读存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种异常监控方法、装置、电子设备以及计算机可读存储介质。

背景技术

智能运维技术逐渐替代传统运维方式，能够更大程度地取代人工操作，解放传统运维人力。智能运维中很重要地一环就是通过监控数据识别和定位系统异常，现有的系统异常监控技术主要有以下几种：

1.传统基于特定指标的系统异常监控方法：该方法的优点是实现和落地相对简单，但其缺点是需要人为识别异常现象及提取异常特征，过于依赖个人的专业领域知识和对系统的熟悉程度；

2.基于无监督学习的系统异常监控方法：该方法利用了一些无监督学习方法(聚类，随机森林等)来对系统异常进行监控，无监督学习具有不依赖于个人的专业领域知识的优点，但是无监督学习的稳定性不强，学习结果并不能很好地适应复杂的生产系统；

3.基于已有深度学习模型的系统异常监控方法：

深度学习的优点是能够自动提取数据的异常特征，并且稳定性强，比如基于CNN的系统异常监控方法；在实际生产系统中，运维监控的数据源不止一个，不同数据源之间的数据变化有可能是相互关联的，如果单纯使用CNN对每个数据源进行特征提取将无法提取出不同数据源之间的关联特征；另外，由于运维监控的数据有多种格式和类型(比如设备硬件运行数据，请求数据，调用返回结果信息等)，每种数据的格式和采样频率都不尽相同，如果单纯将所有数据结合后利用CNN进行关联特征提取，会存在数据格式以及形状不一致的情况。

发明内容

针对现有技术中的问题，本发明提供一种异常监控方法、装置、电子设备以及计算机可读存储介质，能够至少部分地解决现有技术中存在的问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面，提供一种异常监控方法，包括：

获取运维数据，所述运维数据包括：业务日志数据以及硬件监控数据；

分别对所述业务日志数据以及所述硬件监控数据进行特征提取得到对应的业务日志特征以及硬件监控特征；

将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；

其中，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层；

所述业务日志特征以及所述硬件监控特征分别输入对应的CNN层进行局部特征提取，所述数据拼合层用于将各局部CNN层提取的局部特征进行拼合后输至所述全局CNN层提取全局关联特征并传输至所述LSTM；

所述LSTM基于所述全局CNN层提取的特征的全局关联特征对所述运维数据的时序关系进行建模并得到一特征向量；

所述特征向量输入所述输出层，经过全连接神经网络并通过softmax函数得到最终的分类结果。

进一步地，所述全局卷积层包括：两层卷积层和一层展平层，两层卷积层用于学习不同运维数据之间的关联关系，将所述展平层得到全局关联特征。

进一步地，各局部卷积层基于其输入数据的采样频率大小而设置了不同大小的卷积核。

进一步地，所述硬件监控数据包括：CPU使用率、CPU内核占用、内存占用率、网络IO传输速度、IO响应时间。

进一步地，所述业务日志数据包括：每秒交易成功率、前十位错误码及数量、不同服务的交易出口平均耗时。

第二方面他，供一种异常监控装置，包括：

数据获取模块，获取运维数据，所述运维数据包括：业务日志数据以及硬件监控数据；

特征提取模块，分别对所述业务日志数据以及所述硬件监控数据进行特征提取得到对应的业务日志特征以及硬件监控特征；

异常监控模块，将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；

其中，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层；

所述业务日志特征以及所述硬件监控特征分别输入对应的CNN层进行局部特征提取，所述数据拼合层用于将各局部CNN层提取的局部特征进行拼合后输至所述全局CNN层提取全局关联特征并传输至所述LSTM；

所述LSTM基于所述全局CNN层提取的特征的全局关联特征对所述运维数据的时序关系进行建模并得到一特征向量；

所述特征向量输入所述输出层，经过全连接神经网络并通过softmax函数得到最终的分类结果。

进一步地，所述全局卷积层包括：两层卷积层和一层展平层，两层卷积层用于学习不同运维数据之间的关联关系，将所述展平层得到全局关联特征。

进一步地，各局部卷积层基于其输入数据的采样频率大小而设置了不同大小的卷积核。

第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的异常监控方法的步骤。

第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的异常监控方法的步骤。

本发明提供的异常监控方法、装置、电子设备以及计算机可读存储介质，应用于人工智能领域，该方法包括：获取运维数据，所述运维数据包括：业务日志数据以及硬件监控数据；分别对所述业务日志数据以及所述硬件监控数据进行特征提取得到对应的业务日志特征以及硬件监控特征；将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；其中，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层；所述业务日志特征以及所述硬件监控特征分别输入对应的CNN层进行局部特征提取，所述数据拼合层用于将各局部CNN层提取的局部特征进行拼合后输至所述全局CNN层提取全局关联特征并传输至所述LSTM；所述LSTM基于所述全局CNN层提取的特征的全局关联特征对所述运维数据的时序关系进行建模并得到一特征向量；所述特征向量输入所述输出层，经过全连接神经网络并通过softmax函数得到最终的分类结果。通过采用上述技术方案，对CNN与LSTM的混合模型进行了改进，对监控数据进行多维度的特征提取，有效提高了复杂分布式场景下异常监控的准确率。

为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本申请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，下面描述中的附图是本申请的一些实施例，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的附图。在附图中：

图1为本发明实施例中的服务器S1与客户端设备B1之间的架构示意图；

图2为本发明实施例中的服务器S1、客户端设备B1及数据库服务器S2之间的架构示意图；

图3是本发明实施例中的异常监控方法的流程示意图一；

图4示出了本发明实施例中的深度学习异常监控模型的结构；

图5示出了本发明实施例中的异常监控原理；

图6是本发明实施例中的异常监控方法的流程示意图二；

图7是本发明实施例中的异常监控装置的结构框图；

图8为本发明实施例电子设备的结构图。

具体实施方式

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清楚、完整地描述，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，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，都应当属于本申请保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

现有基于深度学习模型的系统异常监控技术，如果单纯将所有数据结合后利用CNN进行关联特征提取，会存在数据格式以及形状不一致的情况。

为至少部分解决上述技术问题，本发明实施例提供了一种异常监控方法、装置、电子设备以及计算机可读存储介质，对CNN与LSTM的混合模型进行了改进，对监控数据进行多维度的特征提取，有效提高了复杂分布式场景下异常监控的准确率

有鉴于此，本申请提供了一种异常监控装置，该装置可以为一种服务器S1，参见图1，该服务器S1可以与至少一个客户端设备B1通信连接，所述客户端设备B1可以将运维数据发送至所述服务器S1，所述服务器S1可以在线接收所述运维数据。所述服务器S1可以在线或者离线对获取的运维数据进行预处理，运维数据包括：业务日志数据以及硬件监控数据；分别对所述业务日志数据以及所述硬件监控数据进行特征提取得到对应的业务日志特征以及硬件监控特征；将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；其中，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层；所述业务日志特征以及所述硬件监控特征分别输入对应的CNN层进行局部特征提取，所述数据拼合层用于将各局部CNN层提取的局部特征进行拼合后输至所述全局CNN层提取全局关联特征并传输至所述LSTM；所述LSTM基于所述全局CNN层提取的特征的全局关联特征对所述运维数据的时序关系进行建模并得到一特征向量；所述特征向量输入所述输出层，经过全连接神经网络并通过softmax函数得到最终的分类结果。而后，所述服务器S1可以将异常监控结果在线发送至所述客户端设备B1。所述客户端设备B1可以在线接收所述异常监控结果。

另外，参见图2，所述服务器S1还可以与至少一个数据库服务器S2通信连接，所述数据库服务器S2用于存储历史运维数据。所述数据库服务器S2在线将所述历史运维数据发送至所述服务器S1，所述服务器S1可以在线接收所述历史运维数据，而后根据多个历史运维数据获取该模型的训练样本集，应用所述训练样本集对所述模型进行模型训练。

基于上述内容，所述数据库服务器S2还可以用于存储测试用历史运维数据。所述数据库服务器S2在线将所述测试用历史运维数据发送至所述服务器S1，所述服务器S1可以在线接收所述测试用历史运维数据，而后根据至少一个测试用历史运维数据得到测试样本，并应用所述测试样本对所述模型进行模型测试，并将该模型的输出作为测试结果，再基于所述测试结果及至少一个测试用历史运维数据的已知评价结果，判断当前深度学习异常监控模型是否符合预设要求，若是，则将当前深度学习异常监控模型作为用于异常监控的目标深度学习异常监控模型；若当前深度学习异常监控模型不符合所述预设要求，则对当前深度学习异常监控模型进行优化和/或应用更新后的训练样本集重新对该深度学习异常监控模型进行模型训练。

基于上述内容，所述客户端设备B1可以具有显示界面，使得用户能够根据界面查看所述服务器S1发送的所述异常监控结果。

可以理解的是，所述客户端设备B1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，进行异常监控的部分可以在如上述内容所述的服务器S1侧执行，即，如图1所示的架构，也可以所有的操作都在所述客户端设备B1中完成，且该所述客户端设备B1可以直接与数据库服务器S2进行通信连接。具体可以根据所述客户端设备B1的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备B1中完成，所述客户端设备B1还可以包括处理器，用于进行异常监控的具体处理。

所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。

在本申请的一个或多个实施例中，所述测试用历史运维数据为未包含在用于模型训练的历史运维数据中的，且针对所述测试用历史运维数据，需获取其已知评价结果。

图3是本发明实施例中的异常监控方法的流程示意图一；如图3所示，该异常监控方法可以包括如下内容：

步骤S100：获取运维数据，所述运维数据包括：业务日志数据以及硬件监控数据；

具体地，运维数据可以是各容器的日志，cpu，IO等监控数据。

步骤S200：分别对所述业务日志数据以及所述硬件监控数据进行特征提取得到对应的业务日志特征以及硬件监控特征；

具体地，提取不同类型的数据特征。

步骤S300：将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；

其中，参见图4，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层；

其原理参见图5，所述业务日志特征以及所述硬件监控特征分别输入对应的CNN层进行局部特征提取得到L1和L2，所述数据拼合层用于将各局部CNN层提取的局部特征L1和L2进行拼合后输至所述全局CNN层提取全局关联特征并传输至所述LSTM；

所述LSTM基于所述全局CNN层提取的特征的全局关联特征对所述运维数据的时序关系进行建模并得到一特征向量；

所述特征向量输入所述输出层，经过全连接神经网络并通过softmax函数得到最终的分类结果。

通过采用上述技术方案，对CNN与LSTM的混合模型进行了改进，对监控数据进行多维度的特征提取，有效提高了复杂分布式场景下异常监控的准确率。

在一个可选的实施例中，该全局卷积层包括：两层卷积层和一层展平层，两层卷积层用于学习不同运维数据之间的关联关系，将所述展平层得到全局关联特征。

在一个可选的实施例中，各局部卷积层基于其输入数据的采样频率大小而设置了不同大小的卷积核。

在一个可选的实施例中，硬件监控数据包括：CPU使用率、CPU内核占用、内存占用率、网络IO传输速度、IO响应时间。所述业务日志数据包括：每秒交易成功率、前十位错误码及数量、不同服务的交易出口平均耗时。

为了使本领域技术人员更好地理解本申请，下面举例对本申请进行补充说明：

在一个实际应用场景中，使用行内应用COSS的业务日志数据以及其相对应的Promethus系统硬件监控数据进行了采集和训练。从业务日志数据中提取了每秒交易成功率、前10位的错误码及数量、不同服务的交易出口平均耗时(由于所筛选的coss日志数据中7个服务，因此可以筛选得到7类服务的耗时数据)；从Promethus中提取CPU的使用率、cpu内核占用、内存占用率、网络IO传输速度、IO响应时间5个指标。由于业务日志数据业务日志数据每秒刷新一次，而Promethus监控数据每秒刷新2次。因此以120秒为一个样本单位，每分钟可以从业务日志中提取出120*9维的业务日志数据，而从Promethus中可以提取得到240*5维的硬件数据，随后从数据向量中提取时间维度，可以将业务日志的数据向量变形为10*12*9，硬件信息的向量变形为10*24*5，其中第一维为时间维度，后续LSTM提取时序特征用，第2维和第3维用于CNN提取空间特征。我们、、将业务日志数据放入1*3*3大小卷积核，步长为1*3*3的3DCNN中，提取局部空间特征后可以得到10*4*3的特征向量；然后将硬件数据放入1*6*2大小卷积核，步长为6*1的CNN当中，可以得到10*4*4的特征向量。我们、、将两个局部CNN输出向量按第2维合并，得到10*4*7的特征向量，将该向量放入卷积核大小为2*2，步长为2*2的全局CNN中，输出10*2*4的空间特征向量，然后将该向量的空间维度展平，得到10*8的向量。最后将10*8的向量输入LSTM提取时序特征，最后通过输出层输出映射到最终标签，并训练出最终模型。

其中，通过Promethus系统监控CPU的使用率，cpu内核占用，内存占用率，网络IO传输速度，IO响应时间以及每秒交易成功率，前十位的错误码及数量等业务数据

综上所述，本发明实施例提供的异常监控技术，监控粒度较细，适应复杂分布式场景下多模态监控数据异常识别，在实际应用中，通过已有数据训练得到模型，然后通过模型预测运维数据是否有异常及异常种类。

值得说明的是：

1.局部卷积层：

由于不同的运维数据通常具有不同的采样频率，因此所得到的各类运维数据的大小不同，为了确保不同种类运维数据能以相同大小合并，在局部卷积层中按特定运维数据的采样频率大小设置了不同大小的卷积核，因此经过局部卷积层后，不同种类的运维数据将具有相同的大小。

2.全局卷积层

全局卷积层由两层卷积层和一层展平层组成，它首先使用两层卷积层学习不同运维数据之间的关联关系，最后展平使得到的张量适合接下来LSTM的输入；

3.LSTM层

LSTM层基于卷积层提取的特征对运维数据的时序关系进行建模。LSTM是同级单元节点相互连接的一种神经网络结构，它的先前单元输出是当前单元输入的一部分。此机制允许神经元节点保留一部分之前输入的信息，因此LSTM适合处理时序数据。因此将卷积层的提取的特征向量输入LSTM层，并对LSTM层之间的连接使用dropout进行正则化。最后，LSTM层将输出一个特征向量z

4.输出层

由于LSTM层的输出是特征向量序列z

基于上述方案，实现基于多模态神经网络的系统运维异常监控模型，该模型集成了多层CNN和LSTM，以利用多模态运维数据中不同类型的时空关系，对复杂的系统运维异常进行识别监控。

在一个可选的实施例中，参见图6，该异常监控方法还可以包括以下内容：

步骤S400：模型建立；

具体地，通过在Python等中调用对应的模型代码，建立如图4所示模型结构。

步骤S500：模型训练；

具体地，可以将存储历史运维数据作为样本数据，基于历史运维数据获取该模型的训练样本集，应用所述训练样本集对所述模型进行模型训练。

其中，训练样本为已知标签的样本数据，将样本输入模型后，将模型的输出与已知标签进行比对，基于比对结果调整模型参数，实现模型训练。

步骤S600：模型测试；

具体地，选用测试数据对模型进行测试，其中，该测试数据具有已知标签，将测试数据输入训练好的模型，将模型输出结果与已知标签比对，根据比对结果判断模型精度是否符合要求，若否，则调整模型参数并利用新的训练样本集继续进行模型训练，直至模型精度符合预设要求，之后利用符合精度要求的模型进行实际应用场景中的异常监控。

基于同一发明构思，本申请实施例还提供了一种异常监控装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于异常监控装置解决问题的原理与上述方法相似，因此异常监控装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图7是本发明实施例中的异常监控装置的结构框图。如图7所示，该异常监控装置具体包括：数据获取模块1、特征提取模块20以及异常监控模块30。

数据获取模块10获取运维数据，所述运维数据包括：业务日志数据以及硬件监控数据；

特征提取模块20分别对所述业务日志数据以及所述硬件监控数据进行特征提取得到对应的业务日志特征以及硬件监控特征；

异常监控模块30将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；

其中，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层；

所述业务日志特征以及所述硬件监控特征分别输入对应的CNN层进行局部特征提取，所述数据拼合层用于将各局部CNN层提取的局部特征进行拼合后输至所述全局CNN层提取全局关联特征并传输至所述LSTM；

所述LSTM基于所述全局CNN层提取的特征的全局关联特征对所述运维数据的时序关系进行建模并得到一特征向量；

所述特征向量输入所述输出层，经过全连接神经网络并通过softmax函数得到最终的分类结果。

通过采用上述技术方案，对CNN与LSTM的混合模型进行了改进，对监控数据进行多维度的特征提取，有效提高了复杂分布式场景下异常监控的准确率。

上述实施例阐明的装置、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电子设备，具体的，电子设备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。

在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的异常监控方法的步骤。

下面参考图8，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。

如图8所示，电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的异常监控方法的步骤。

在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请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申请，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。

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他实施例的不同之处。尤其，对于系统实施例而言，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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。