基于大数据的数据降维方法、系统及云平台

技术领域

本申请涉及数据降维技术领域，具体而言，涉及基于大数据的数据降维方法、系统及云平台。

背景技术

目前大部分降维算法处理向量表达的数据，也有一些降维算法处理高阶张量表达的数据。之所以使用降维后的数据表示是因为在原始的高维空间中，包括有冗余数据以及噪音数据，因此可能造成了误差，降低了准确率；而通过降维，我们希望减少冗余数据所造成的误差，提高识别的精度。然而，在实际操作过程中，相关数据降维还存在降维不准确地问题。

发明内容

鉴于此，本申请提供了基于大数据的数据降维方法、系统及云平台。

第一方面，提供一种基于大数据的数据降维方法，包括：

通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本；

获取对所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络；

根据所述降维种类划分网络和所述策略种类划分网络模拟所述数据降维模型；

通过模拟后的所述数据降维模型对第一数据进行降维转换处理，得到第二数据。

进一步地，所述通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本，包括：

通过数据降维模型对第一数据样本进行关键内容筛选处理，得到所述第一数据样本的描述内容；

通过所述数据降维模型对所述第一数据样本的描述内容向待确定降维关键内容进行降维识别处理，得到第二数据样本。

进一步地，所述获取所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络，包括：

通过所述降维种类划分模型对所述第二数据样本进行降维种类划分，得到所述第二数据样本的降维种类划分结果，并通过所述降维种类划分模型对第三数据样本进行降维种类划分，得到所述第三数据样本的降维种类划分结果；其中，所述第三数据样本是通过数据提取得到的、与所述第一数据样本包括相同降维等级且具有待确定降维关键内容；

根据所述第二数据样本的降维种类划分结果与所述第三数据样本的降维种类划分结果之间的相似度，搭建降维种类划分网络；

通过所述策略种类划分模型对所述第二数据样本进行策略种类划分，得到所述第二数据样本的策略种类划分结果，并通过所述策略种类划分模型对所述第三数据样本进行策略种类划分，得到所述第三数据样本的策略种类划分结果；

根据所述第二数据样本的预设种类划分结果与所述第三数据样本的预设种类划分结果之间的相似度，搭建策略种类划分网络。

进一步地，所述数据降维模型与判别模型的相似度生成模型；所述根据所述降维种类划分网络和所述策略种类划分网络模拟所述数据降维模型，包括：

初始化所述数据降维模型的系数和所述判别模型的系数；

不间断地执行以下模拟目标：根据所述降维种类划分网络、所述策略种类划分网络、第三数据样本、以及所述第二数据样本，模拟所述数据降维模型；

根据所述判别模型的第一网络、第三数据样本、以及所述第二数据样本，模拟所述判别模型；其中，所述第三数据样本是通过数据提取得到的、与所述第一数据样本包括相同降维等级且具有待确定降维关键内容；其中，在模拟所述数据降维模型的计算过程中，保持所述判别模型的系数稳定；

在模拟所述判别模型的计算过程中，保持所述数据降维模型的系数稳定。

进一步地，所述根据所述降维种类划分网络、所述策略种类划分网络、所述第三数据样本、以及所述第二数据样本，模拟所述数据降维模型，包括：

根据所述第二数据样本与所述第三数据样本之间的相似度，搭建所述数据降维模型的网络；

通过所述判别模型对所述第二数据样本进行判别处理，得到所述第二数据样本是否是目标数据的判别结果；

根据所述第二数据样本的判别结果与所述第二数据样本的预计判别结果之间的相似度，搭建所述判别模型的第一网络；

根据所述降维种类划分网络、所述策略种类划分网络、所述生成模型的网络、所述判别模型的网络，搭建用于更新所述生成模型的系数的新网络；

根据所述生成模型的新网络在所述数据降维模型中进行反馈，以更新所述数据降维模型的系数。

进一步地，所述根据所述判别模型的第一网络、所述第三数据样本、以及所述第二数据样本，模拟所述判别模型，包括：

通过所述判别模型对所述第二数据样本进行判别处理，得到针对所述第二数据样本的判别结果，并通过所述判别模型对所述第三数据样本进行判别处理，得到所述第三数据样本是否是目标数据的判别结果；

根据所述第二数据样本的判别结果与所述第二数据样本的预计判别结果之间的相似度，搭建所述判别模型的第二网络，并根据所述第三数据样本的判别结果与所述第三数据样本的预计判别结果之间的相似度，搭建所述判别模型的第三网络；

根据所述判别模型的第二网络、以及所述判别模型的第三网络在所述判别模型中进行反馈，以更新所述判别模型的系数。

进一步地，所述通过模拟后的所述数据降维模型对第一数据进行降维转换处理，得到第二数据，包括：

获取待确定降维关键内容，并通过模拟后的所述数据降维模型，执行以下处理：对所述第一数据进行关键内容筛选处理，得到所述第一数据的描述内容；

将所述第一数据的描述内容向所述待确定降维关键内容进行降维识别处理，得到具有所述待确定降维关键内容的第二数据。

进一步地，所述获取待确定降维关键内容，包括：

获取多个第三数据的降维关键内容；

对多个所述第三数据的降维关键内容进行整合处理，得到所述待确定降维关键内容。

第二方面，提供一种基于大数据的数据降维系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，一种云平台，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实上述的方法。

本申请实施例所提供的基于大数据的数据降维方法、系统及云平台，通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本，获取对第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对第二数据样本进行策略种类划分时对应的策略种类划分网络，根据降维种类划分网络和策略种类划分网络模拟数据降维模型，通过模拟后的数据降维模型对第一数据进行降维转换处理，得到第二数据。本申请根据多个方向的对数据降维模型的模拟计算过程进行检测，使得数据降维模型具有准确的数据降维识别功能，从而应用该数据降维模型对已有相关数据进行降维转换处理，能够实现更准确的降维识别，从而降低相关数据的复杂程度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例所提供的一种基于大数据的数据降维方法的流程图。

图2为本申请实施例所提供的一种基于大数据的数据降维装置的框图。

图3为本申请实施例所提供的一种基于大数据的数据降维系统的架构图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

为改善如背景技术所述的技术问题，发明人创新性地提出了基于大数据的数据降维方法、系统及云平台，该方案可以通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本，获取对第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对第二数据样本进行策略种类划分时对应的策略种类划分网络，根据降维种类划分网络和策略种类划分网络模拟数据降维模型，通过模拟后的数据降维模型对第一数据进行降维转换处理，得到第二数据。本申请根据多个方向的对数据降维模型的模拟计算过程进行检测，使得数据降维模型具有准确的数据降维识别功能，从而应用该数据降维模型对已有相关数据进行降维转换处理，能够实现更准确的降维识别，从而降低相关数据的复杂程度。

请参阅图1，示出了一种基于大数据的数据降维方法，该方法可以应用于风险账号防入侵识别系统，该方法可以包括以下步骤100-步骤400所描述的技术方案。

步骤100，通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本。

示例性的，第一数据样本表示实时采集的数据（比如：图像数据以及语音数据等）。

进一步地，第二数据样本表示对第一数据样本进行简化后的数据样本。

步骤200，获取对所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络。

示例性的，降维种类划分表示安装相关数据的种类进行降维。

进一步地，策略种类划表示关键特征划分。

步骤300，根据所述降维种类划分网络和所述策略种类划分网络模拟所述数据降维模型。

步骤400，通过模拟后的所述数据降维模型对第一数据进行降维转换处理，得到第二数据。

示例性的，第一数据表示第二数据样本经过相关模型计算后得到的，第二数据表示降维后的相关数据。

可以理解，在执行上述步骤100-步骤400所描述的技术方案时，通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本，获取对第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对第二数据样本进行策略种类划分时对应的策略种类划分网络，根据降维种类划分网络和策略种类划分网络模拟数据降维模型，通过模拟后的数据降维模型对第一数据进行降维转换处理，得到第二数据。本申请根据多个方向的对数据降维模型的模拟计算过程进行检测，使得数据降维模型具有准确的数据降维识别功能，从而应用该数据降维模型对已有相关数据进行降维转换处理，能够实现更准确的降维识别，从而降低相关数据的复杂程度。

在一种可替换的实施例中，发明人发现，通过数据降维模型对第一数据样本进行降维转换处理，存在关键内容不准确的问题，从而难以准确地得到第二数据样本，为了改善上述技术问题，步骤100所描述的通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本的步骤，具体可以包括以下步骤q1和步骤q2所描述的技术方案。

步骤q1，通过数据降维模型对第一数据样本进行关键内容筛选处理，得到所述第一数据样本的描述内容。

步骤q2，通过所述数据降维模型对所述第一数据样本的描述内容向待确定降维关键内容进行降维识别处理，得到第二数据样本。

可以理解，在执行上述步骤q1和步骤q2所描述的技术方案时，通过数据降维模型对第一数据样本进行降维转换处理，避免关键内容不准确的问题，从而能够准确地得到第二数据样本。

在一种可替换的实施例中，发明人发现，在获取所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络时，存在降维种类划分结果不精确的技术问题，从而难以准确地获取所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络，为了改善上述技术问题，步骤200所描述的获取所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络的步骤，具体可以包括以下步骤w1-步骤w4所描述的技术方案。

步骤w1，通过所述降维种类划分模型对所述第二数据样本进行降维种类划分，得到所述第二数据样本的降维种类划分结果，并通过所述降维种类划分模型对第三数据样本进行降维种类划分，得到所述第三数据样本的降维种类划分结果。

举例而言，所述第三数据样本是通过数据提取得到的、与所述第一数据样本包括相同降维等级且具有待确定降维关键内容。

步骤w2，据所述第二数据样本的降维种类划分结果与所述第三数据样本的降维种类划分结果之间的相似度，搭建降维种类划分网络。

步骤w3，通过所述策略种类划分模型对所述第二数据样本进行策略种类划分，得到所述第二数据样本的策略种类划分结果，并通过所述策略种类划分模型对所述第三数据样本进行策略种类划分，得到所述第三数据样本的策略种类划分结果。

步骤w4，根据所述第二数据样本的预设种类划分结果与所述第三数据样本的预设种类划分结果之间的相似度，搭建策略种类划分网络。

可以理解，在执行上述步骤w1-步骤w4所描述的技术方案时，在获取所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络时，避免降维种类划分结果不精确的技术问题，从而能够准确地获取所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络。

在一种可替换的实施例中，发明人发现，数据降维模型与判别模型的相似度生成模型；所述根据所述降维种类划分网络和所述策略种类划分网络模拟所述数据降维模型时，存在模拟错误的问题，从而难以准确地确定数据降维模型，为了改善上述技术问题，步骤300所描述的数据降维模型与判别模型的相似度生成模型；所述根据所述降维种类划分网络和所述策略种类划分网络模拟所述数据降维模型的步骤，具体可以包括以下步骤e1-步骤e4所描述的技术方案。

步骤e1，初始化所述数据降维模型的系数和所述判别模型的系数。

步骤e2，不间断地执行以下模拟目标：根据所述降维种类划分网络、所述策略种类划分网络、第三数据样本、以及所述第二数据样本，模拟所述数据降维模型。

步骤e3，根据所述判别模型的第一网络、第三数据样本、以及所述第二数据样本，模拟所述判别模型。

举例而言，所述第三数据样本是通过数据提取得到的、与所述第一数据样本包括相同降维等级且具有待确定降维关键内容；其中，在模拟所述数据降维模型的计算过程中，保持所述判别模型的系数稳定。

步骤e4，在模拟所述判别模型的计算过程中，保持所述数据降维模型的系数稳定。

可以理解，在执行上述步骤e1-步骤e4所描述的技术方案时，数据降维模型与判别模型的相似度生成模型；所述根据所述降维种类划分网络和所述策略种类划分网络模拟所述数据降维模型时，避免模拟错误的问题，从而能够准确地确定数据降维模型。

在一种可替换的实施例中，发明人发现，根据所述降维种类划分网络、所述策略种类划分网络、所述第三数据样本、以及所述第二数据样本，存在相关数据量过多的，导致相关数据错误的问题，从而难以精确地模拟所述数据降维模型，为了改善上述技术问题，步骤e2所描述的根据所述降维种类划分网络、所述策略种类划分网络、所述第三数据样本、以及所述第二数据样本，模拟所述数据降维模型的步骤，具体可以包括以下步骤e2a1-步骤e2a5所描述的技术方案。

步骤e2a1，根据所述第二数据样本与所述第三数据样本之间的相似度，搭建所述数据降维模型的网络。

步骤e2a2，通过所述判别模型对所述第二数据样本进行判别处理，得到所述第二数据样本是否是目标数据的判别结果。

步骤e2a3，根据所述第二数据样本的判别结果与所述第二数据样本的预计判别结果之间的相似度，搭建所述判别模型的第一网络。

步骤e2a4，根据所述降维种类划分网络、所述策略种类划分网络、所述生成模型的网络、所述判别模型的网络，搭建用于更新所述生成模型的系数的新网络。

步骤e2a5，根据所述生成模型的新网络在所述数据降维模型中进行反馈，以更新所述数据降维模型的系数。

可以理解，在执行上述步骤e2a1-步骤e2a5所描述的技术方案时，根据所述降维种类划分网络、所述策略种类划分网络、所述第三数据样本、以及所述第二数据样本，避免相关数据量过多的，导致相关数据错误的问题，从而能够精确地模拟所述数据降维模型。

在一种可替换的实施例中，发明人发现，根据所述判别模型的第一网络、所述第三数据样本、以及所述第二数据样本，存在判别结果错误的问题，从而难以准确地模拟所述判别模型，为了改善上述技术问题，步骤e2所描述的根据所述判别模型的第一网络、所述第三数据样本、以及所述第二数据样本，模拟所述判别模型的步骤，具体可以包括以下步骤e2b1-步骤e2b3所描述的技术方案。

步骤e2b1，通过所述判别模型对所述第二数据样本进行判别处理，得到针对所述第二数据样本的判别结果，并通过所述判别模型对所述第三数据样本进行判别处理，得到所述第三数据样本是否是目标数据的判别结果。

步骤e2b2，根据所述第二数据样本的判别结果与所述第二数据样本的预计判别结果之间的相似度，搭建所述判别模型的第二网络，并根据所述第三数据样本的判别结果与所述第三数据样本的预计判别结果之间的相似度，搭建所述判别模型的第三网络。

步骤e2b3，根据所述判别模型的第二网络、以及所述判别模型的第三网络在所述判别模型中进行反馈，以更新所述判别模型的系数。

可以理解，在执行上述步骤e2b1-步骤e2b3所描述的技术方案时，根据所述判别模型的第一网络、所述第三数据样本、以及所述第二数据样本，避免判别结果错误的问题，从而能够准确地模拟所述判别模型。

在一种可替换的实施例中，发明人发现，通过模拟后的所述数据降维模型对第一数据进行降维转换处理，存在关键内容不准确的技术问题，从而难以准确地得到第二数据，为了改善上述技术问题，步骤400所描述的通过模拟后的所述数据降维模型对第一数据进行降维转换处理，得到第二数据的步骤，具体可以包括以下步骤r1和步骤r2所描述的技术方案。

步骤r1，获取待确定降维关键内容，并通过模拟后的所述数据降维模型，执行以下处理：对所述第一数据进行关键内容筛选处理，得到所述第一数据的描述内容。

步骤r2，将所述第一数据的描述内容向所述待确定降维关键内容进行降维识别处理，得到具有所述待确定降维关键内容的第二数据。

可以理解，在执行上述步骤r1和步骤r2所描述的技术方案时，通过模拟后的所述数据降维模型对第一数据进行降维转换处理，避免关键内容不准确的技术问题，从而能够准确地得到第二数据。

在一种可替换的实施例中，发明人发现，在获取待确定降维关键内容时，存在整合处理错误的问题，从而难以精确地获取待确定降维关键内容，为了改善上述技术问题，步骤r1所描述的获取待确定降维关键内容的步骤，具体可以包括以下步骤r1a1和步骤r1a2所描述的技术方案。

步骤r1a1，获取多个第三数据的降维关键内容。

步骤r1a2，对多个所述第三数据的降维关键内容进行整合处理，得到所述待确定降维关键内容。

可以理解，在执行上述步骤r1a1和步骤r1a2所描述的技术方案时，在获取待确定降维关键内容时，避免整合处理错误的问题，从而能够精确地获取待确定降维关键内容。

在一种可能的实施例中，发明人发现，获取待确定降维关键内容时，存在关联处理错误的问题，从而难以准确的获取待确定降维关键内容，为了改善上述技术问题，步骤r1所描述的获取待确定降维关键内容的步骤，具体可以包括以下步骤r1b1和步骤r1b2所描述的技术方案。

步骤r1b1，获取第四数据的降维关键内容、以及第五数据的降维关键内容。

步骤r1b2，在所述第四数据的降维关键内容和所述第五数据的降维关键内容之间进行关联处理，将关联处理得到的降维关键内容确定为所述待确定降维关键内容。

可以理解，在执行上述步骤r1b1和步骤r1b2所描述的技术方案时，取待确定降维关键内容时，避免关联处理错误的问题，从而能够准确的获取待确定降维关键内容。

在一种可能的实施例中，发明人发现，键内容筛选处理和所述降维识别处理是迭代执行的，存在误差的技术问题，从而难以精确地进行迭代执行，为了改善上述技术问题，步骤r1所描述获取待确定降维关键内容，并通过模拟后的所述数据降维模型的步骤，具体可以包括以下步骤r1k1-步骤r1k4所描述的技术方案。

步骤r1k1，所述数据降维模型包括m个级联的误差模型，其中，m为大于或等于2的整数。

步骤r1k2，所述关键内容筛选处理和所述降维识别处理的迭代执行计算过程包括：通过m个级联的误差模型中的第m误差模型，对所述第m误差模型的输入进行关键内容筛选处理，并根据所述待确定降维关键内容对所筛选的描述内容进行降维识别处理。

步骤r1k3，将所述第m误差模型输出的第m降维识别结果传输到第m+1误差模型以继续进行关键内容筛选处理。

可以理解的是，m为取值从1开始递增的整数，且m的取值范围满足1≤m≤m-2。

步骤r1k4，当m取值为1时，所述第m误差模型的输入为所述第一数据，当m取值为2≤m≤m-2时，所述第m误差模型的输入为第m-2误差模型输出的降维识别结果。

可以理解，在执行上述步骤r1k1-步骤r1k4所描述的技术方案时，键内容筛选处理和所述降维识别处理是迭代执行的，避免误差的技术问题，从而能够精确地进行迭代执行。

在一种可能的实施例中，发明人发现，通过m个级联的误差模型中的第m误差模型，对所述第m误差模型的输入进行关键内容筛选处理之前，还可以包括以下步骤h1和步骤h2所描述的技术方案。

步骤h1，当m取值为1时，对所述第m-2误差模型的输出以及所述第m-2误差模型的输入进行下提取处理，将下提取处理结果作为所述第m误差模型的输入以替代将所述第m-2误差模型输出的降维识别结果作为所述第m误差模型的输入。

步骤h2，当m取值为2≤m≤m-2时，对所述第m-2误差模型的输出以及所述第m-2误差模型的输入进行上提取处理，并将上提取处理结果作为所述第m误差模型的输入，以替代将所述第m-2误差模型输出的降维识别结果作为所述第m误差模型的输入。

可以理解，在执行上述步骤h1和步骤h2所描述的技术方案时，通过m不同的取值进行计算，能提高关键内容筛选处理的精度。

在上述基础上，请结合参阅图2，提供了一种基于大数据的数据降维装置200，应用于云平台，所述装置包括：

数据降维模块210，用于通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本；

数据划分模块220，用于获取对所述第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对所述第二数据样本进行策略种类划分时对应的策略种类划分网络；

降维确定模块230，用于根据所述降维种类划分网络和所述策略种类划分网络模拟所述数据降维模型；

数据转换模块240，用于通过模拟后的所述数据降维模型对第一数据进行降维转换处理，得到第二数据。

在上述基础上，请结合参阅图3，示出了一种基于大数据的数据降维系统300，包括互相之间通信的处理器310和存储器320，所述处理器310用于从所述存储器320中读取计算机程序并执行，以实现上述的方法。

在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。

综上，基于上述方案，通过数据降维模型对第一数据样本进行降维转换处理，得到第二数据样本，获取对第二数据样本进行降维种类划分时对应的降维种类划分网络、以及对第二数据样本进行策略种类划分时对应的策略种类划分网络，根据降维种类划分网络和策略种类划分网络模拟数据降维模型，通过模拟后的数据降维模型对第一数据进行降维转换处理，得到第二数据。本申请根据多个方向的对数据降维模型的模拟计算过程进行检测，使得数据降维模型具有准确的数据降维识别功能，从而应用该数据降维模型对已有相关数据进行降维转换处理，能够实现更准确的降维识别，从而降低相关数据的复杂程度。

应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

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。