电子设备、疾病类型检测方法、装置及介质

技术领域

本发明涉及数据处理技术，尤其涉及一种电子设备、疾病类型检测方法、装置及计算机可读存储介质。

背景技术

疾病的检测与判断对于降低病人的死亡率尤其重要。例如，当今，心脏病成为人们生活中一种常见疾病，心脏病具体细分包括众多种类，实现对心脏病种类快速且准确的检测可以降低心脏病患者死亡率。目前检测心脏病种类主要采用心电图检测手段，对心脏疾病进行诊断。

由于医疗数据的隐私性，目前用于对心电图进行检测的模型准确率不够高，用于训练模型的心电图数据局限于几个医院中，各个医院所拥有的心电图数据仍存在数据壁垒，使得大量的心电图数据无法有效利用，从而无法准确根据心电图判断出心脏疾病种类。

发明内容

本发明提供一种电子设备、疾病类型检测方法、装置及计算机可读存储介质，其主要目的在于解决无法准确根据心电图判断出心脏疾病种类的问题。

为实现上述目的，本发明提供的一种电子设备，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如下步骤：

从服务端获取初始梯度参数，根据所述初始梯度参数构建疾病类型检测模型，通过本地的图像训练数据对所述疾病类型检测模型进行训练，得到所述疾病类型检测模型训练后的模型梯度参数；

访问服务端的监听端口，与所述服务端成功建立连接后，将训练后的所述模型梯度参数加密运算后上传至服务端；

接收服务端传送的更新后的模型梯度参数，根据所述更新后的模型梯度参数得到标准疾病类型检测模型；

接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

可选地，所述对所述模型梯度参数进行加密后上传至服务端，包括：

随机选取大质数p，q，使得pq与(p-1)(q-1)的最大公倍数为1；

计算n＝p×q，且满足λ(n)＝lcm(p-1,q-1)，其中，lcm为最小公倍数，λ为卡迈克尔函数；

随机选择一个小于n

根据所述n、g、λ,和μ，得到公钥为(n,g)，私钥为(λ,μ)；

利用所述私钥(λ,μ)对所述模型梯度参数进行加密处理，得到加密后的模型梯度参数。

可选地，所述待检测图像数据以及对应的注释数据包括心电图像与其对应的包含了心脏病专家的注释数据的json文件。

为实现上述目的，本发明还提供一种电子设备，其特征在于，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执行如下步骤：

开启K个监听端口，其中，K为客户端的数量；

利用所述监听端口接收多个客户端发送的加密后的模型梯度参数；

对所述加密后的模型梯度参数进行解密，得到每个客户端对应的模型梯度参数；

对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数；

将所述更新后的模型梯度参数分发给每个客户端。

可选地，所述对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数，包括：

采用下述方法执行联合运算，得到更新后的模型梯度参数：

其中，f(w)为更新后的模型梯度参数，f

可选地，所述对所述加密后的模型梯度参数进行解密，包括：

根据下述解密公式对所述加密后的模型梯度参数进行解密：

m＝L(c

其中，m是解密后的模型梯度参数，c是指加密后的模型梯度参数，mod是指取模运算符，n＝p×q，其中，p，q为满足pq与(p-1)(q-1)的最大公倍数为1的大质数，λ为卡迈克尔函数，μ为预设参数。

为了解决上述问题，本发明还提供一种应用于客户端的疾病类型检测装置，所述装置包括：

加密模块，用于从服务端端获取疾病类型检测模型，通过本地的图像数据训练数据对所述疾病类型检测模型进行训练，得到训练后的模型梯度参数，访问服务端的监听端口，成功建立连接后，对所述模型梯度参数进行加密后上传至服务端；

模型更新模块，用于接收服务端传送的更新后的模型梯度参数，根据所述更新后的模型梯度参数得到标准疾病类型检测模型；

分类模块，用于接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

为了解决上述问题，本发明还提供一种应用于服务端的疾病类型检测装置，所述装置包括：

解密模块，用于开启K个监听端口，其中，K为客户端的数量，利用所述监听端口接收多个客户端发送的加密后的模型梯度参数，对所述加密后的模型梯度参数进行解密，得到每个客户端对应的模型梯度参数；

参数更新模块，用于对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数，将所述更新后的模型梯度参数分发给每个客户端。

为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现：

从服务端获取初始梯度参数，根据所述初始梯度参数构建疾病类型检测模型，通过本地的图像训练数据对所述疾病类型检测模型进行训练，得到训练后的模型并提取训练后的模型梯度参数；

访问服务端的监听端口，成功建立连接后，对所述模型梯度参数加密运算后上传至服务端；

接收服务端传送的更新后的模型梯度参数，根据所述更新后的模型梯度参数得到标准疾病类型检测模型；

接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

为了解决上述问题，本发明还提供一种由上述电子设备执行的疾病类型检测方法。

本发明实施例从服务端端获取疾病类型检测模型，通过本地的图像数据训练数据对所述疾病类型检测模型进行训练，得到训练后的模型梯度参数，充分利用了客户端的训练能力，利用客户端对所述模型梯度参数进行加密，分担了服务端的一些计算，减轻了服务端并发计算压力，同时服务端对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数，解决了训练数据存在数据壁垒的问题，从而提高了模型梯度参数的准确性。因此，本发明实施例提出的电子设备、装置、计算机可读存储介质及疾病类型检测方法，可以提高疾病类型检测的准确性。此外，本发明提出的电子设备、装置、计算机可读存储介质及疾病类型检测方法可用于数字医疗领域的类型检测分析。

附图说明

图1为本发明第一实施例提供的电子设备的内部结构示意图；

图2为本发明第二实施例提供的疾病类型检测方法的流程示意图；

图3为本发明第三实施例提供的疾病类型检测方法的流程示意图；

图4为本发明第四实施例提供的疾病类型检测装置的模块示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种电子设备。所述电子设备可以是，例如服务端、终端等的至少一种。所述服务端包括但不限于：单台服务端、服务端集群、云端服务端或云端服务端集群等。

如图1所示，为本发明一实施例提供的电子设备的内部结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如疾病类型检测程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如疾病类型检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行疾病类型检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图1仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图1示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的疾病类型检测程序12是多个指令的组合，在所述处理器10中运行时，可以实现一种疾病类型检测方法。详细地，所述疾病类型检测方法可参照下述关于图2所示的流程图中的描述。

参照图2所示，为本发明第二实施例提供的一种疾病类型检测方法的流程示意图。本实施例第二实施例中所述的疾病类型检测方法应用于客户端中，包括：

S11、从服务端获取初始梯度参数，根据所述初始梯度参数构建疾病类型检测模型，通过本地的图像训练数据对所述疾病类型检测模型进行训练，得到所述疾病类型检测模型训练后的模型梯度参数。

本发明实施例中，所述本地的图像训练数据包括医院的数据库中所保存的病人的心电图像。

本发明实施例利用所述本地的图像训练数据对从服务端端获取到的疾病类型检测模型进行训练，得到训练后的模型梯度参数。

S12、访问服务端的监听端口，成功建立连接后，将训练后的所述模型梯度参数进行加密后上传至服务端。

本发明实施例中，所述对所述模型梯度参数进行加密，包括：

随机选取大质数p，q，使得pq与(p-1)(q-1)的最大公倍数为1；

计算n＝p×q，且满足λ(n)＝lcm(p-1,q-1)，其中，lcm为最小公倍数，λ为卡迈克尔函数；

随机选择一个小于n

根据所述n、g、λ,和μ，得到公钥为(n,g)，私钥为(λ,μ)；

利用所述私钥(λ,μ)对所述模型梯度参数进行加密处理，得到加密后的模型梯度参数。

其中，质数是指在大于1的自然数中，除了1和它本身以外不再有其他因数的自然数，所述大质数则是指满足质数定义的自然数中最大的一个或者多个。

进一步地，本发明实施例将所述公钥传输给服务端，利用所述私钥(λ,μ)对所述模型梯度参数进行加密处理，得到加密后的模型梯度参数。

本发明实施例在多个客户端，如多个医院，执行所述疾病类型检测模型的训练，得到每个客户端对应的模型梯度参数。例如，所述多个医院可以包括A医院、B医院和C医院等，A医院对应的模型梯度参数为w

进一步地，本发明实施例利用http协议通过服务端开的监听端口将加密后的模型梯度参数上传至所述服务端。

S13、接收服务端传送的更新后的模型梯度参数，根据所述更新后的模型梯度参数得到标准疾病类型检测模型。

本发明实施例利用服务端传送的更新后的模型梯度参数对所述疾病类型检测模型进行更新，得到标准疾病类型检测模型。

S14、接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

本发明实施例中，接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

其中，所述卷积层用于对所述待检测图像数据进行特征提取，所述归一化层用于防止梯度爆炸和梯度消失，所述线性整流层用于提高梯度下降和反向传播过程的效率，所述随机失活层用于实现所述标准疾病类型检测模型的正则化，降低其结构风险，所述全连接层用于将特征提取出的局部特征进行组装，以及所述逻辑回归层用于进行预测。

进一步地，所述待检测图像数据以及对应的注释数据包括心电图像与其对应的包含了心脏病专家的注释数据的json文件。

例如，本发明实施例获取病人的心电图数据，将所述心电图数据输入至所述标准疾病类型检测模型中，通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到诊断结果。其中，所述诊断结果是心脏疾病的具体分类，包括但不限于心房纤颤和扑动，房室传导阻滞，二联律，异位心房节律，交接性心律，窦性心律，室上性心动过速。

图3所示的流程示意图描述了本发明第三实施例提供的疾病类型检测方法。本实施例第三实施例所述的疾病类型检测方法应用于服务端，包括：

S21、开启K个监听端口，其中，K为客户端的数量。

本发明实施例中，所述服务端根据客户端的数量开启K个监听端口，以便与每一个客户端之间执行数据传输。

S22、利用所述监听端口接收多个客户端发送的加密后的模型梯度参数。

S23、对所述加密后的模型梯度参数进行解密，得到每个客户端对应的模型梯度参数。

本发明实施例利用所述公钥(n,g)对所述加密后的模型梯度参数进行解密处理，得到每个客户端对应的模型梯度参数。

具体地，所述对所述加密后的模型梯度参数进行解密，包括：

根据下述解密公式对所述加密后的模型梯度参数进行解密：

m＝L(c

其中，m是解密后的模型梯度参数，c是指加密后的模型梯度参数，mod是指取模运算符,n＝p×q，其中，p，q为满足pq与(p-1)(q-1)的最大公倍数为1的大质数，λ为卡迈克尔函数，μ为预设参数。

例如，所述各个客户端包括但不限于A医院、B医院、C医院，各个客户端对所述加密后的模型梯度参数进行解密处理，得到每个客户端对应的模型梯度参数。

S24、对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数。

本发明实施例中，所述对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数，包括：

采用下述方法执行联合运算，得到更新后的模型梯度参数：

其中，f(w)为更新后的模型梯度参数，f

S25、将所述更新后的模型梯度参数分发给每个客户端。

本发明实施例中，对所述客户端与所述服务端进行安全连接，得到成功建立连接的所述客户端和所述服务端，将所述更新后的模型梯度参数分发给每个客户端。

如图4所示，是本发明第四实施例提供的疾病类型检测装置的模块示意图。

本发明所述疾病类型检测装置可以被划分为第一疾病类型检测装置100以及第二疾病类型检测装置200。其中，所述第一疾病类型检测装置100可以安装于客户端中以及所述第二疾病类型检测装置200可以安装在服务端中。

根据实现的功能，所述第一疾病类型检测装置100可以包括加密模块101、模型更新模块102及分类模块103；以及所述第二疾病类型检测装置200可以包括解密模块201及参数更新模块202。

本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，所述第一疾病类型检测装置100中和所述第一疾病类型检测装置200各模块的功能如下：

所述加密模块101，用于从服务端获取初始梯度参数，根据所述初始梯度参数构建疾病类型检测模型，通过本地的图像训练数据对所述疾病类型检测模型进行训练，得到所述疾病类型检测模型的训练后的模型梯度参数，访问服务端的监听端口，成功建立连接后，将训练后的所述模型梯度参数进行加密后上传至服务端；

所述解密模块201，用于开启K个监听端口，其中，K为客户端的数量，利用所述监听端口接收多个客户端发送的加密后的模型梯度参数，对所述加密后的模型梯度参数进行解密，得到每个客户端对应的模型梯度参数；

所述参数更新模块202，用于对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数，将所述更新后的模型梯度参数分发给每个客户端。

所述模型更新模块102，用于接收服务端传送的更新后的模型梯度参数，根据所述更新后的模型梯度参数得到标准疾病类型检测模型；

所述分类模块103，用于接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

详细地，所述第一疾病类型检测装置100各模块在客户端中执行下述操作：

步骤一、所述加密模块101从服务端获取初始梯度参数，根据所述初始梯度参数构建疾病类型检测模型，通过本地的图像训练数据对所述疾病类型检测模型进行训练，得到所述疾病类型检测模型训练后的模型梯度参数；本发明实施例中，所述本地的图像训练数据包括医院的数据库中所保存的病人的心电图像。

本发明实施例利用所述本地的图像训练数据对从服务端端获取到的疾病类型检测模型进行训练，得到训练后的模型梯度参数。

步骤二、所述加密模块101访问服务端的监听端口，成功建立连接后，

对所述模型梯度参数进行加密后上传至服务端。

本发明实施例中，所述加密模块101对所述模型梯度参数进行加密，包括：

随机选取大质数p，q，使得pq与(p-1)(q-1)的最大公倍数为1；

计算n＝p×q，且满足λ(n)＝lcm(p-1,q-1)，其中，lcm为最小公倍数，λ为卡迈克尔函数；

随机选择一个小于n

根据所述n、g、λ,和μ，得到公钥为(n,g)，私钥为(λ,μ)；

利用所述私钥(λ,μ)对所述模型梯度参数进行加密处理，得到加密后的模型梯度参数。

其中，质数是指在大于1的自然数中，除了1和它本身以外不再有其他因数的自然数，所述大质数则是指满足质数定义的自然数中最大的一个或者多个。

进一步地，本发明实施例将所述公钥传输给服务端，利用所述私钥(λ,μ)对所述模型梯度参数进行加密处理，得到加密后的模型梯度参数。

本发明实施例在多个客户端，如多个医院，执行所述疾病类型检测模型的训练，得到每个客户端对应的模型梯度参数。例如，所述多个医院可以包括A医院、B医院和C医院等，A医院对应的模型梯度参数为w

进一步地，本发明实施例利用http协议通过服务端开的监听端口将加密后的模型梯度参数上传至所述服务端。

步骤三、所述模型更新模块102接收服务端传送的更新后的梯度参数，根据所述更新后的模型梯度参数得到标准疾病类型检测模型。

本发明实施例所述模型更新模块102利用服务端传送的更新后的模型梯度参数对所述疾病类型检测模型进行更新，得到标准疾病类型检测模型。

步骤四、所述分类模块103接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

其中，所述卷积层用于对所述待检测图像数据进行特征提取，所述归一化层用于防止梯度爆炸和梯度消失，所述线性整流层用于提高梯度下降和反向传播过程的效率，所述随机失活层用于实现所述标准疾病类型检测模型的正则化，降低其结构风险，所述全连接层用于将特征提取出的局部特征进行组装，以及所述逻辑回归层用于进行预测。

本发明实施例中，所述分类模块103接收待检测图像数据，将所述待检测图像数据依次通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到疾病类型检测结果。

进一步地，所述待检测图像数据以及对应的注释数据包括心电图像与其对应的包含了心脏病专家的注释数据的json文件。

例如，本发明实施例获取病人的心电图数据，将所述心电图数据输入至所述标准疾病类型检测模型中，通过所述标准疾病类型检测模型的卷积层，归一化层，线性整流层，随机失活层，全连接层及逻辑回归层，得到诊断结果。其中，所述诊断结果是心脏疾病的具体分类，包括但不限于心房纤颤和扑动，房室传导阻滞，二联律，异位心房节律，交接性心律，窦性心律，室上性心动过速。

详细地，所述第二疾病类型检测装置200各模块在服务端中执行下述操作：

步骤一、所述解密模块201开启K个监听端口，其中，K为客户端的数量。

本发明实施例中，所述服务端根据客户端的数量开启K个监听端口，以便与每一个客户端之间执行数据传输。

步骤二、所述解密模块201利用所述监听端口接收多个客户端发送的加密后的模型梯度参数。

步骤三、所述解密模块201对所述加密后的模型梯度参数进行解密，得到每个客户端对应的模型梯度参数。

本发明实施例所述解密模块201利用所述公钥(n,g)对所述加密后的模型梯度参数进行解密处理，得到每个客户端对应的模型梯度参数。

具体地，所述对所述加密后的模型梯度参数进行解密，包括：

根据下述解密公式对所述加密后的模型梯度参数进行解密：

m＝L(c

其中，m是解密后的模型梯度参数，c是指加密后的模型梯度参数，mod是指取模运算符,n＝p×q，其中，p，q为满足pq与(p-1)(q-1)的最大公倍数为1的大质数，λ为卡迈克尔函数，μ为预设参数。

例如，所述各个客户端包括但不限于A医院、B医院、C医院，各个客户端对所述加密后的模型梯度参数进行解密处理，得到每个客户端对应的模型梯度参数。

步骤四、所述参数更新模块202对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数。

本发明实施例中，所述参数更新模块202对所述每个客户端对应的模型梯度参数执行联合运算，得到更新后的模型梯度参数，包括：

采用下述方法执行联合运算，得到更新后的模型梯度参数：

其中，f(w)为更新后的模型梯度参数，f

步骤五、所述参数更新模块202将所述更新后的模型梯度参数分发给每个客户端。

本发明实施例中，所述参数更新模块202对所述客户端与所述服务端进行安全连接，得到成功建立连接的所述客户端和所述服务端，将所述更新后的模型梯度参数分发给每个客户端。

进一步地，所述疾病类型检测装置的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。