一种系统补丁影响风险的预测方法、装置、设备及介质

技术领域

本发明涉及网络安全技术领域，尤其涉及一种系统补丁影响风险的预测方法、装置、设备及介质。

背景技术

在商业银行的系统版本补丁维护过程中，由于基础软件产品种类多、涉及子系统(操作系统、数据库、中间件)的待维护补丁数量多、信息项繁杂，因此系统补丁的变更操作会带来一定的维护风险。

在系统补丁投产前，测试部门会进行功能、性能、高可用等测试工作，但即便经过了完备的测试工作，版本变更工作仍然会带来一定的生产运维风险。

发明内容

基于此，本发明提供了一种系统补丁影响风险的预测方法，以降低系统版本变更带来的运维风险。

第一方面，本发明实施例提供了一种系统补丁影响风险的预测方法，该方法包括：

收集多种类型的系统补丁描述信息，并对所述多种类型的系统补丁描述信息进行信息融合，构建得到系统补丁信息明细库；其中，所述系统补丁信息明细库中存储多个系统补丁的详细描述信息；

根据各系统补丁的详细描述信息，提取各系统补丁的风险要素特征，并使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型；

获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。

第二方面，本发明实施例还提供了一种系统补丁影响风险的预测装置，该装置包括：

补丁信息明细库构建模块，用于收集多种类型的系统补丁描述信息，并对所述多种类型的系统补丁描述信息进行信息融合，构建得到系统补丁信息明细库；其中，所述系统补丁信息明细库中存储多个系统补丁的详细描述信息；

风险预测模型训练模块，用于根据各系统补丁的详细描述信息，提取各系统补丁的风险要素特征，并使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型；

风险预测结果获取模块，用于获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。

第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的一种系统补丁影响风险的预测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种系统补丁影响风险的预测方法。

本发明实施例的技术方案，通过收集系统软件补丁的相关数据，对补丁影响程度进行深度学习，结合机器学习算法对版本补丁的相关数据进行深度学习和分析，设计多维度商业银行系统版本补丁变更影响分析的技术手段，建立系统软件补丁信息明细库，进一步降低系统变更带来的风险隐患。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。

图1是根据本发明实施例一提供的一种系统补丁影响风险的预测方法的流程图；

图2是根据本发明实施例二提供的另一种系统补丁影响风险的预测方法的流程图；

图3是根据本发明实施例三提供的一种系统补丁影响风险的预测装置的结构示意图；

图4是实现本发明实施例的一种系统补丁影响风险的预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。

实施例一

图1为本发明实施例一提供的一种系统补丁影响风险的预测方法的流程图，本实施例可适用于对系统版本补丁进行影响风险预测的情况，该方法可以由一种系统补丁影响风险的预测装置来执行，该系统补丁影响风险的预测装置可以采用硬件和/或软件的形式实现，该系统补丁影响风险的预测装置可配置于用于系统补丁风险预测的系统中。如图1所示，该方法包括：

S110、收集多种类型的系统补丁描述信息，并对所述多种类型的系统补丁描述信息进行信息融合，构建得到系统补丁信息明细库；其中，所述系统补丁信息明细库中存储多个系统补丁的详细描述信息。

所述多种类型的系统补丁描述信息具体包括：补丁数据信息、有风险的补丁信息、问题报告单信息、性能测试信息、版本日志数据等。

具体的，可以多个渠道收集得到上述系统补丁描述信息；

典型的：1、收集系统运维过程中的基础软件升级、维护相关数据信息，包括产品版本、解决问题、维护后评价等作为历史版本维护升级报告信息；

2、收集厂商定期发布推荐服务更新补丁或者新产品版本(其中，每颗补丁都有对应的详细信息)作为基础软件产品补丁或版本信息；

3、收集被标记为有风险或者已产生问题的补丁信息，包括问题影响范围、描述、临时应对方式、产品类别、版本以及涉及修改的程序内容等；

4、收集软件厂商发布的问题报告单信息，由于银行生产系统所使用的基础软件产品受众较多，涉及的同业较多，因此需要关注同业系统运维过程中是否遇到相关生产问题，收集相应的问题报告单相关信息。包括临时修正程序、子系统、影响范围以及解决的问题等信息。

将上述多种类型的系统补丁描述信息提取至大数据平台运维仓库中，其中，大数据平台运维仓库用于存放海量数据以及对数据的分析计算。在大数据平台运维仓库中，将补丁的详细描述信息按照不同类别存入系统软件补丁信息明细库中。其中，每个系统补丁的详细描述信息可以包括：系统补丁标识、系统补丁所述子系统的分类、系统补丁的功能、系统补丁所解决的问题，系统补丁的风险描述信息等。

可选的，在构建得到系统补丁信息明细库之后，还包括：

响应于用户的补丁信息查询请求，提取所述补丁信息查询请求中包括的目标补丁标识；

在所述系统补丁信息明细库中，查询与所述目标补丁标识对应的目标系统补丁的详细描述信息；

将所述目标系统补丁的详细描述信息反馈给所述用户。

由于在系统补丁信息明细库中预先存有多个补丁的详细描述信息，因此当用户针对目标补丁发起补丁信息查询请求时，系统补丁信息明细库首先响应用户的查询请求，并按照查询请求中所携带的目标补丁标识在明细库中查询目标补丁标识对应的目标补丁的详细描述信息，最后将查询获取到的目标补丁的详细描述信息反馈给用户。

S120、根据各系统补丁的详细描述信息，提取各系统补丁的风险要素特征，并使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型。

在系统补丁信息明细库的基础上，完成对系统补丁风险要素特征的抽取，风险要素特征包括：问题影响范围、描述、临时应对方式、产品类别及版本、设计修改的程序内容等。在此基础上采用机器学习算法及模型并对风险要素特征进行深度学习，从而构建出系统补丁风险预测模型，该预测模型能够根据风险预测结果生成补丁影响程度的分析报告并反馈至管理员端。

S130、获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。

目标系统补丁指用户想要进行风险影响预测的待预测系统补丁，或者，也可以理解为待安装的系统补丁，通过在系统补丁风险预测模型中输入目标系统补丁的基础描述信息，能够获取到该目标系统补丁的风险预测结果。

其中，基础描述信息可以理解为系统补丁的详细描述信息的真子集，或者说除去系统补丁的风险描述信息之外的一项或者多项系统补丁描述信息，例如，系统补丁所述子系统的分类、系统补丁的功能以及系统补丁所解决的问题等。

目标系统补丁的风险预测结果可以理解为对目标系统补丁的风险要素特征的预测结果，例如，问题影响范围、问题描述、临时应对方式以及涉及修改的程序内容等。

具体的，在获取目标系统补丁的风险预测结果之后，可以根据该风险预测结果选择安装或者选择不安装该目标系统补丁，或者，还可以在安装该目标系统补丁之后，基于该风险预测结果，对该目标系统补丁进行实时的风险监控。

进一步的，所述系统补丁风险预测模型为基于XGBoost机器学习算法构建得到的深度学习模型。

XGBoost(eXtreme gradient boosting，极度梯度提升树)作为一种在梯度提升框架下执行优化的分布式梯度提升机器学习算法，是一种可扩展且高度准确的梯度提升实现，主要用于提升机器学习模型性能，提高计算速度。本发明实施例中所述系统补丁风险预测模型通过将系统补丁风险要素采用XGBoost机器学习算法进行深度学习，接着选取特征列进行模型训练，采用二分类的逻辑回归模型计算并返回预测的风险概率。

本发明实施例，通过收集多种类型的系统补丁描述信息，并对所述多种类型的系统补丁描述信息进行信息融合，构建得到系统补丁信息明细库；其中，所述系统补丁信息明细库中存储多个系统补丁的详细描述信息；根据各系统补丁的详细描述信息，提取各系统补丁的风险要素特征，并使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型；获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。本发明实施例创新性地将机器学习算法及模型与补丁信息运维数据相结合，将补丁信息数据进行深度学习，构建影响预测模型，实现对系统软件补丁的影响程度分析，节省了人力、财力。并且随着不同技术栈产品的不断引入，能够提炼更多有效特征，提高了预测的精确度，有效性、稳定性和安全性。

实施例二

图2为本发明实施例二提供的另一种系统补丁影响风险的预测方法的流程图，本实施例以上述实施例为基础进行细化。如图2所示，该方法包括：

S210、从多个渠道收集系统软件的历史版本的维护升级报告信息、基础软件产品的补丁或者版本信息、被标记有风险或者已产生问题的补丁信息以及系统软件厂商发布的问题报告单信息，作为原始系统补丁描述信息。

原始系统补丁描述信息是通过补丁信息的采集子系统在系统版本环境库部署采集程序被定期提取至大数据平台运维仓库。其中，历史版本的维护升级报告信息是指系统运维过程中的基础软件升级、维护相关数据信息，具体包括：产品版本、解决问题、维护后评价等。基础软件产品的补丁或者版本信息是指厂商定期发布推荐服务更新补丁或者新产品版本，所对应的详细信息。被标记有风险或者已产生问题的补丁信息包括问题影响范围、描述、临时应对方式、产品类别、版本以及涉及修改的程序内容等。而系统软件厂商发布的问题报告单信息，是指由于银行生产系统所使用的基础软件产品受众较多，涉及的同业较多，因此需要关注同业系统运维过程中是否遇到相关生产问题，从而收集到的相应的问题报告单相关信息，具体包括：临时修正程序、子系统、影响范围、解决的问题、PTF发布日期、报告APAR等信息。

S220、通过设置在本地版本环境库以及厂商补丁信息库的数据采集代理，定时获取补丁状态数据、日志数据以及性能测试数据，作为更新系统补丁描述信息。

其中，更新系统补丁描述信息由版本信息数据管理子系统将历史基础软件版本数据、性能测试数据、日志数据、补丁的问题报告单数据、补丁状态数据(从无问题变为有问题的补丁)等信息定期提取至大数据平台运维仓库，上述被定期获取的各数据信息被称为更新系统补丁描述信息，通过版本信息数据管理子系统中的本地版本环境库以及厂商补丁信息库实现各版本及相应补丁信息的快速查询。

S230、并以系统补丁的补丁标识为融合维度，将与同一补丁标识对应的全部系统补丁描述信息进行聚类。

需要说明的是，不同来源与类型的系统补丁描述信息在融合成为系统补丁的详细描述信息并提取出风险要素特征之前，是将数据标识作为信息融合依据的。其中，不同补丁标识代表不同的补丁信息类别，利用补丁标识来对详细描述信息按照类别进行划分，将拥有同一补丁标识的系统补丁描述信息通过聚类的方式进行归类。

其中，全部系统补丁描述信息为原始系统补丁描述信息与更新系统补丁描述信息的组合。

S240、将聚类结果执行数据归纳、摘取有效信息、抽取关键字以及数据清洗等至少一项数据处理操作，得到每个系统补丁分别对应的详细描述信息。

对系统补丁详细描述信息的获取是通过将聚类结果按照关键字等方式进行分类处理、归纳、摘取有效信息、抽取关键字以及数据清洗等操作，分类后的信息即为每个系统补丁分别对应的详细描述信息。

S250、根据与每个系统补丁分别对应的详细描述信息，构建得到系统补丁信息明细库。

所述系统补丁信息明细库中存放的为按照类别进行分类处理后的详细描述信息。

S260、将预设的多个风险要素特征字段，与各系统补丁的详细描述信息进行匹配，并根据匹配结果提取各系统补丁的风险要素特征。

其中，所述风险要素特征字段包括：问题影响范围、问题描述、临时应对方式以及涉及修改的程序内容。

S270、使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型。

S280、获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。

本发明实施例的技术方案通过定时采集系统补丁详细信息、根据不同类别的详细描述数据按照关键字进行分类处理、归纳、摘取有效信息、抽取关键字、数据清洗等操作形成系统软件补丁信息明细库，在此基础上利用自动化手段结合机器学习算法，将系统软件补丁的相关数据定期采集至大数据运维仓库，通过分类、归纳、提取、数据清洗等操作形成系统软件补丁信息明细库，基于历史版本补丁数据进行深度学习、分析，进一步降低了系统软件补丁程序维护带来的风险隐患。

实施例三

图3为本发明实施例三提供的一种系统补丁影响风险的预测装置的结构示意图。如图3所示，该装置包括：

补丁信息明细库构建模块310，用于收集多种类型的系统补丁描述信息，并对所述多种类型的系统补丁描述信息进行信息融合，构建得到系统补丁信息明细库；其中，所述系统补丁信息明细库中存储多个系统补丁的详细描述信息；

风险预测模型训练模块320，用于根据各系统补丁的详细描述信息，提取各系统补丁的风险要素特征，并使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型；

风险预测结果获取模块330，用于获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。

本发明实施例，补丁信息明细库构建模块通过收集多种类型的系统补丁描述信息，并对所述多种类型的系统补丁描述信息进行信息融合，构建得到系统补丁信息明细库；其中，所述系统补丁信息明细库中存储多个系统补丁的详细描述信息；风险预测模型训练模块根据各系统补丁的详细描述信息，提取各系统补丁的风险要素特征，并使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型；风险预测结果获取模块获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。本发明实施例创新性地将机器学习算法及模型与补丁信息运维数据相结合，将补丁信息数据进行深度学习，构建影响预测模型，实现对系统软件补丁的影响程度分析，节省了人力、财力。并且随着不同技术栈产品的不断引入，能够提炼更多有效特征，提高了预测的精确度，有效性、稳定性和安全性。

在上述各实施例基础上，补丁信息明细库构建模块310，可以包括：

原始系统补丁描述信息生成单元，用于从多个渠道收集系统软件的历史版本的维护升级报告信息、基础软件产品的补丁或者版本信息、被标记有风险或者已产生问题的补丁信息以及系统软件厂商发布的问题报告单信息，作为原始系统补丁描述信息；

更新系统补丁描述信息生成单元，用于通过设置在本地版本环境库以及厂商补丁信息库的数据采集代理，定时获取补丁状态数据、日志数据以及性能测试数据，作为更新系统补丁描述信息。

在上述各实施例的基础上，补丁信息明细库构建模块310，可以包括：

目标补丁标识提取单元，用于响应于用户的补丁信息查询请求，提取所述补丁信息查询请求中包括的目标补丁标识；

详细描述信息查询单元，用于在所述系统补丁信息明细库中，查询与所述目标补丁标识对应的目标系统补丁的详细描述信息；

详细描述信息反馈单元，用于将所述目标系统补丁的详细描述信息反馈给所述用户。

在上述各实施例的基础上，补丁信息明细库构建模块310，还可以包括：

系统补丁描述信息聚类单元，用于以系统补丁的补丁标识为融合维度，将与同一补丁标识对应的全部系统补丁描述信息进行聚类；

详细描述信息获取单元，用于将聚类结果执行数据归纳、摘取有效信息、抽取关键字以及数据清洗等至少一项数据处理操作，得到每个系统补丁分别对应的详细描述信息；

系统补丁信息明细库构建单元，用于根据与每个系统补丁分别对应的详细描述信息，构建得到系统补丁信息明细库。

在上述各实施例的基础上，风险预测模型训练模块320，可以包括：

风险要素特征提取单元，用于将预设的多个风险要素特征字段，与各系统补丁的详细描述信息进行匹配，并根据匹配结果提取各系统补丁的风险要素特征；

其中，所述风险要素特征字段包括：问题影响范围、问题描述、临时应对方式以及涉及修改的程序内容。

在上述各实施例的基础上，所述系统补丁风险预测模型为基于XGBoost机器学习算法构建得到的深度学习模型。

本发明实施例所提供的一种系统补丁影响风险的预测装置可执行本发明任意实施例所提供的一种系统补丁影响风险的预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如一种系统补丁影响风险的预测方法。

也即：收集多种类型的系统补丁描述信息，并对所述多种类型的系统补丁描述信息进行信息融合，构建得到系统补丁信息明细库；其中，所述系统补丁信息明细库中存储多个系统补丁的详细描述信息；

根据各系统补丁的详细描述信息，提取各系统补丁的风险要素特征，并使用各系统补丁的风险要素特征，训练得到系统补丁风险预测模型；

获取待预测目标系统补丁的基础描述信息，并将所述基础描述信息输入至所述系统补丁风险预测模型中，得到对所述目标系统补丁的风险预测结果。

在一些实施例中，一种系统补丁影响风险的预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的一种系统补丁影响风险的预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种系统补丁影响风险的预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。