数据建模方法、装置、存储介质及处理器

技术领域

本申请涉及数据建模技术领域，具体而言，涉及一种数据建模方法、装置、存储介质及处理器。

背景技术

目前大多数的数据建模工具在数据加工、模型算法的选择方面都要求使用人员具备较高水平的编程能力，技术门槛较高，难以实现建模过程的全自动化，这给一线业务人员带来了不小的挑战。另一方面，由于需要处理的数据量越来越大，传统的基于R语言的建模过程耗费大量的时间，难以实现建模结果数据与客户端请求的实时同步。

针对相关技术中数据建模的效率较低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种数据建模方法、装置、存储介质及处理器，以解决相关技术中数据建模的效率较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种数据建模方法。该方法包括：获取建模数据以及建模算法；通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据。

进一步地，通过数据预处理模块对建模数据进行处理包括：数据预处理模块调用已封装好的数据预处理方法对建模数据进行清洗加工，其中，清洗加工的内容至少包括：删除异常值和填充缺失值。

进一步地，在通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据之后，方法还包括：通过建模子装置中的数据持久化模块将建模结果数据在Hive数据库中进行存储。

进一步地，该方法还包括：接收数据查询请求；响应数据查询请求，通过数据持久化模块将建模结果数据发送到结果监控器；在结果监控器上显示建模结果数据。

进一步地，在通过预先配置的Rserve组件向建模子装置发送远程调用请求之后，该方法还包括：通过建模子装置的远程通信模块启动目标Rserve常驻进程；通过目标Rserve常驻进程接收到远程调用请求后，调用本地部署的R语言程序对SparkR自定义服务接口进行初始化，其中，接口至少包括：数据预处理接口、模型调用接口、数据持久化接口。

进一步地，通过建模子装置的远程通信模块启动目标Rserve进程之前，方法还包括：在建模子装置上的Spark计算环境中部署有多个数据节点、多个Rserve常驻进程和R语言程序构建的R环境，以实现负载均衡。

进一步地，建模算法为以下之一：逻辑回归算法、决策树算法。

为了实现上述目的，根据本申请的另一方面，提供了一种数据建模装置。该装置包括：第一获取单元，用于获取建模数据以及建模算法；第一请求单元，用于通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；第一响应单元，用于响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据。

进一步地，第一响应单元包括：第一调用模块，用于数据预处理模块调用已封装好的数据预处理方法对建模数据进行清洗加工，其中，清洗加工的内容至少包括：删除异常值和填充缺失值。

进一步地，该装置还包括：第一存储单元，用于在通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据之后，通过建模子装置中的数据持久化模块将建模结果数据在Hive数据库中进行存储。

进一步地，该装置还包括：第一接收单元，用于接收数据查询请求；第二响应单元，用于响应数据查询请求，通过数据持久化模块将建模结果数据发送到结果监控器；第一显示单元，用于在结果监控器上显示建模结果数据。

进一步地，该装置还包括：第一启动单元，用于在通过预先配置的Rserve组件向建模子装置发送远程调用请求之后，通过建模子装置的远程通信模块启动目标Rserve常驻进程；第一调用单元，用于通过目标Rserve常驻进程接收到远程调用请求后，调用本地部署的R语言程序对SparkR自定义服务接口进行初始化，其中，接口至少包括：数据预处理接口、模型调用接口、数据持久化接口。

进一步地，该装置还包括：第一部署单元，用于通过建模子装置的远程通信模块启动目标Rserve进程之前，在建模子装置上的Spark计算环境中部署有多个数据节点、多个Rserve常驻进程和R语言程序构建的R环境，以实现负载均衡。

进一步地，建模算法为以下之一：逻辑回归算法、决策树算法。

通过本申请，采用以下步骤：获取建模数据以及建模算法；通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据，解决了相关技术中数据建模的效率较低的问题，通过在建模子装置中采用Spark分布式计算方法对建模数据通过建模算法进行实时建模，进而达到了提升数据建模的效率的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的数据建模方法的流程图；

图2是根据本申请实施例提供的数据建模方法的子装置结构示意图；

图3是根据本申请实施例提供的数据建模方法的技术实现框图；

图4是根据本申请实施例提供的数据建模装置的示意图。

具体实施方式

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。

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。

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“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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，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。

为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：

R语言：用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计及软和统计制图的优秀工具。

Apache Spark：是专为大规模数据处理而设计的快速通用的计算引擎。

Rserve：作为一个R语言与其他语言的通信(TCP/IP)接口。

负载均衡：建立在现有网络结构之上，它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。

Hive：是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。

根据本申请的实施例，提供了一种数据建模方法。

图1是根据本申请实施例的数据建模方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，获取建模数据以及建模算法。

例如，在银行业务中，可视化基础数据来自于用户管理系统中，其中包括用户指标以及用户标签类数据，其中，用户指标包括用户的基本属性指标(比如年龄、性别等)、用户资产类指标(月日均总资产、活期余额等)、用户交易指标(当月交易笔数等)等；用户标签包括用户是否信用卡用户、是否高端用户等标签类数据。

图2是根据本申请实施例提供的数据建模方法的子装置结构示意图，如图2所示，自助交互子装置包含数据筛选器、模型选择器、结果监控器。在自助交互子装置中用户通过数据筛选器对可视化基础数据中需要建模的数据进行筛选，将筛选出的数据作为建模数据，并对筛选后需要建模的数据选取合适的建模算法，其中，建模算法可以是在模型选择器上选择的。

例如，用户通过自助交互子装置中的数据筛选器根据可视化基础数据中的用户指标以及用户标签类数据进行选择性筛选，并将筛选后的数据进行建模，具体的，需要建模数据可以根据用户指标中用户群体范围进行选择，比如，需要分析资产大于10万以上的用户群体，选择完成用户群体后，假如此时用户标签类数据中需要预测用户办理信用卡，根据用户要办理的信用卡进行相应的用户指标以及用户标签的筛选，将筛选后的数据进行统计分析，并且查看分布情况便于后续更好的建模，建模数据筛选完成后，需要在模型选择器上选择合适的建模算法，其中，选择建模算法不同会导致建模算法构建的预测模型不同。

可选地，在本申请实施例提供的数据建模方法中，建模算法为以下之一：逻辑回归算法、决策树算法。

具体的，逻辑回归算法与决策树算法都是有监督类算法，解决二分类相关问题。逻辑回归算法的输出结果是0至1之间的数字，表达预测为0或者1二分类结果的概率，以及预测用户对于目标结果的概率；决策树算法的输出结果为0或者1，以及预测用户是否是目标结果，并给出预测概率；基于预测概率系统在自助交互子装置中会自动根据建模算法的构建预测模型产生目标数据(比如，营销客户名单)，目标数据产生判断方法是：在逻辑回归算法模型下预测概率大于0.5的客户，或者决策树算法模型下概率大于0.5结点产生的客户。

上述的系统自动根据建模算法构建的预测模型产生目标数据是通过结果监控器上的测试集实现的，系统基于测试集上计算得出的预测值以及测试集上的实际值计算得出命中率以及覆盖率，其中，预测值是建模算法构建的预测模型通过测试集计算得出的。如下表1所示，命中率和覆盖率的计算公式如下：命中率计算公式：D/(B+D)*100％；覆盖率计算公式：D/(C+D)*100％。

表1

需要说明的是，结果监控器基于上述的命中率以及覆盖率可以监控建模算法构建的预测模型的好坏，有助于后续数据建模质量的提升。

步骤S102，通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法。

步骤S103，响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据。

图3是根据本申请实施例提供的数据建模方法的技术实现框图，如图3所示，通过在自助交互子装置预先配置的Rserve组件，将上述步骤S101获取到的建模数据以及建模算法的数据请求发送至建模子装置(对应图3中的实时建模子模块)，其中，建模子装置包括远程通信模块、数据预处理模块、算法引擎模块以及数据持久化模块。

可选地，在本申请实施例提供的数据建模方法中，在通过预先配置的Rserve组件向建模子装置发送远程调用请求之后，该方法还包括：通过建模子装置的远程通信模块启动目标Rserve常驻进程；通过目标Rserve常驻进程接收到远程调用请求后，调用本地部署的R语言程序对SparkR自定义服务接口进行初始化，其中，接口至少包括：数据预处理接口、模型调用接口、数据持久化接口。

例如，自助交互子装置的Rserve组件的调用请求是通过建模子装置的Rserve常驻进程进行响应，该常驻进程的启动是通过远程通信模块来实现的。也即，远程通信模块可以实现自助交互子装置与建模子装置之间的调用和通信，如图3所示，Rserve常驻进程接收到远程调用请求后，需要本地部署的R语言程序对数据预处理接口、模型调用接口、数据持久化接口进行初始化，从而实现对Apache Spark分布式集群资源的调用和处理。

需要说明的是，建模子装置的远程通信模块启动目标Rserve进程响应远程调用请求之前，为提升自助交互子装置的并发度以及建模子装置的高可用性，本申请采用了负载均衡机制，从而提高系统整体的执行效率。

可选地，在本申请实施例提供的数据建模方法中，通过建模子装置的远程通信模块启动目标Rserve进程之前，该方法还包括：在建模子装置上的Spark计算环境中部署有多个数据节点、多个Rserve常驻进程和R语言程序构建的R环境，以实现负载均衡。

例如，需要对100个建模数据进行Spark分布式计算，负载均衡可以将100个建模数据分为10个数据节点，每个数据节点包含10个建模数据，且每个数据节点可以同时对建模数据进行Spark分布式计算，进而保证了建模子装置中算法引擎模块处理海量建模数据的时效性以及速度更快。

建模数据输入算法引擎模块之前，需要通过远程通信模块将建模数据提交给后台的数据预处理模块进行处理，其中，建模数据包括目标变量以及模型变量。

可选地，在本申请实施例提供的数据建模方法中，通过数据预处理模块对建模数据进行处理包括：数据预处理模块调用已封装好的数据预处理方法对建模数据进行清洗加工，其中，清洗加工的内容至少包括：删除异常值和填充缺失值。

通过预处理模块对建模数据的清洗加工，从而保证了从数据预处理模块输入到算法引擎模块的数据具有较好的建模数据质量，实现了建模数据的自动化预处理。

数据预处理模块中的建模数据是通过远程通信模块对数据筛选器中建模数据获取得到的，在本申请中，模型选择器与算法引擎模块之间、结果监控器和数据持久化模块之间的交互，同样都是通过调用远程通信模块来实现的。

将清洗加工后的建模数据输入至算法引擎模块中通过建模算法构建的预测模型建模，其中对预测模型建模方式为，通过封装好的Spark的MLlib分布式机器学习算法库，对建模算法引擎进行自动化构建，具体的构建是通过对逻辑回归算法和决策树算法的训练集或者测试集划分、迭代训练、性能评估(例如，评估指标：命中率、覆盖率)以及结果预测，得到建模结果数据，并将建模结果数据通过数据持久化模块存储在Hive数据库中。

可选地，在本申请实施例提供的数据建模方法中，在通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据之后，该方法还包括：通过建模子装置中的数据持久化模块将建模结果数据在Hive数据库中进行存储。

具体的，数据持久化模块负责将算法引擎模块输出的建模结果数据在Hive数据库进行持久化落地。利用Spark与Hive深度集成这一特性，可以将内存中的建模结果集数据批量、快速地插入到Hive表中进行保存，体现了本申请数据建模的高效性。

可选地，在本申请实施例提供的数据建模方法中，该方法还包括：接收数据查询请求；响应数据查询请求，通过数据持久化模块将建模结果数据发送到结果监控器；在结果监控器上显示建模结果数据。

当用户在自助交互子装置上想要进行相关的数据查询时，用户可以通过自助交互子装置的结果监控器发出查询请求，通过调用建模子装置的远程通信模块，实现结果监控器和数据持久化模块之间的交互，通过Hive接口，数据持久化模块将建模结果数据发送到结果监控器，进而达到了实时查看建模结果的相关数据的效果。

本申请实施例提供的数据建模方法，通过获取建模数据以及建模算法；通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据，解决了相关技术中数据建模的效率较低的问题，通过在建模子装置中采用Spark分布式计算方法对建模数据通过建模算法进行实时建模，进而达到了提升数据建模的效率的效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种数据建模装置，需要说明的是，本申请实施例的数据建模装置可以用于执行本申请实施例所提供的用于数据建模方法。以下对本申请实施例提供的数据建模装置进行介绍。

图4是根据本申请实施例的数据建模装置的示意图。如图4所示，该装置包括：第一获取单元401、第一请求单元402、第一响应单元403。

具体的，第一获取单元401，用于获取建模数据以及建模算法；

第一请求单元402，用于通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；

第一响应单元403，用于响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据。

本申请实施例提供的数据建模装置，通过第一获取单元401获取建模数据以及建模算法；第一请求单元402通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；第一响应单元403响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据，解决了相关技术中数据建模的效率较低的问题，通过在建模子装置中采用Spark分布式计算方法对建模数据通过建模算法进行实时建模，进而达到了提升数据建模的效率的效果。

可选地，在本申请实施例提供的数据建模装置中，第一响应单元403包括：第一调用模块，用于数据预处理模块调用已封装好的数据预处理方法对建模数据进行清洗加工，其中，清洗加工的内容至少包括：删除异常值和填充缺失值。

可选地，在本申请实施例提供的数据建模装置中，该装置还包括：第一存储单元，用于在通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据之后，通过建模子装置中的数据持久化模块将建模结果数据在Hive数据库中进行存储。

可选地，在本申请实施例提供的数据建模装置中，该装置还包括：第一接收单元，用于接收数据查询请求；第二响应单元，用于响应数据查询请求，通过数据持久化模块将建模结果数据发送到结果监控器；第一显示单元，用于在结果监控器上显示建模结果数据。

可选地，在本申请实施例提供的数据建模装置中，该装置还包括：第一启动单元，用于在通过预先配置的Rserve组件向建模子装置发送远程调用请求之后，通过建模子装置的远程通信模块启动目标Rserve常驻进程；第一调用单元，用于通过目标Rserve常驻进程接收到远程调用请求后，调用本地部署的R语言程序对SparkR自定义服务接口进行初始化，其中，接口至少包括：数据预处理接口、模型调用接口、数据持久化接口。

可选地，在本申请实施例提供的数据建模装置中，该装置还包括：第一部署单元，用于通过建模子装置的远程通信模块启动目标Rserve进程之前，在建模子装置上的Spark计算环境中部署有多个数据节点、多个Rserve常驻进程和R语言程序构建的R环境，以实现负载均衡。

可选地，在本申请实施例提供的数据建模装置中，建模算法为以下之一：逻辑回归算法、决策树算法。

数据建模装置包括处理器和存储器，上述的第一获取单元、第一请求单元以及第一响应单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来进行数据建模。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现数据建模方法。

本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行数据建模方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取建模数据以及建模算法；通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据。

处理器执行程序时还实现以下步骤：数据预处理模块调用已封装好的数据预处理方法对建模数据进行清洗加工，其中，清洗加工的内容至少包括：删除异常值和填充缺失值。

处理器执行程序时还实现以下步骤：通过建模子装置中的数据持久化模块将建模结果数据在Hive数据库中进行存储。

处理器执行程序时还实现以下步骤：接收数据查询请求；响应数据查询请求，通过数据持久化模块将建模结果数据发送到结果监控器；在结果监控器上显示建模结果数据。

处理器执行程序时还实现以下步骤：通过建模子装置的远程通信模块启动目标Rserve常驻进程；通过目标Rserve常驻进程接收到远程调用请求后，调用本地部署的R语言程序对SparkR自定义服务接口进行初始化，其中，接口至少包括：数据预处理接口、模型调用接口、数据持久化接口。

处理器执行程序时还实现以下步骤：在建模子装置上的Spark计算环境中部署有多个数据节点、多个Rserve常驻进程和R语言程序构建的R环境，以实现负载均衡。

处理器执行程序时还实现以下步骤：建模算法为以下之一：逻辑回归算法、决策树算法。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取建模数据以及建模算法；通过预先配置的Rserve组件向建模子装置发送远程调用请求，其中，远程调用请求中携带有建模数据以及建模算法；响应远程调用请求，在建模子装置中通过数据预处理模块对建模数据进行处理，得到处理后的建模数据，并通过算法引擎模块采用Spark分布式计算方法将处理后的建模数据通过建模算法进行建模，得到建模结果数据。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：数据预处理模块调用已封装好的数据预处理方法对建模数据进行清洗加工，其中，清洗加工的内容至少包括：删除异常值和填充缺失值。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：通过建模子装置中的数据持久化模块将建模结果数据在Hive数据库中进行存储。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：接收数据查询请求；响应数据查询请求，通过数据持久化模块将建模结果数据发送到结果监控器；在结果监控器上显示建模结果数据。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：通过建模子装置的远程通信模块启动目标Rserve常驻进程；通过目标Rserve常驻进程接收到远程调用请求后，调用本地部署的R语言程序对SparkR自定义服务接口进行初始化，其中，接口至少包括：数据预处理接口、模型调用接口、数据持久化接口。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在建模子装置上的Spark计算环境中部署有多个数据节点、多个Rserve常驻进程和R语言程序构建的R环境，以实现负载均衡。

当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：建模算法为以下之一：逻辑回归算法、决策树算法。

本领域内的技术人员应明白，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。

本申请是参照根据本申请实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

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。

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。

以上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。