设备异常的检测方法、装置及电子设备

技术领域

本申请涉及智能运维领域，具体而言，涉及一种设备异常的检测方法、装置及电子设备。

背景技术

随着数字化发展的逐渐深入，各单位所使用的设备逐渐增加，相较于十年前设备增长10～100倍，即便运维已经在从手工运维向工具运维和平台运维发展，但仍然无法满足当前大型组网对运维的要求。传统运维模式和智能运维模式存在很大区别。在智能化水平上，传统运维包括检测、分析、发现(告警)、处置4个步骤，均未涉及智能技术，从而存在设备运维异常检测的处理时间长、效率低的技术问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种设备异常的检测方法、装置及电子设备，以至少解决传统的设备运维异常检测存在处理时间长、效率低的技术问题。

根据本申请实施例的一个方面，提供了一种设备异常的检测方法，包括：获取对光线路终端设备中的数据进行分类后得到的业务数据；依据业务数据对应的指标数据，从业务数据中确定目标业务数据；依据目标业务数据，采用目标检测模型对光线路终端设备进行异常检测，得到异常得分，其中，目标检测模型通过隔离目标业务数据中的异常数据识别异常；在异常得分大于预设得分的情况下，确定光线路终端设备存在异常。

可选地，获取对光线路终端设备中的数据进行分类后得到的业务数据，包括：确定由光线路终端设备中的数据组成的多个决策向量，以及确定多个业务类型，其中，每个决策向量的向量长度相同，多个业务类型为业务数据所属的业务类型；从多个决策向量中确定第一决策向量和第二决策向量，其中，第一决策向量和第二决策向量均为多个决策向量中的任意一个决策向量；确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系，其中，第一函数为第一决策向量属于第一业务类型的函数，第二函数为第二决策向量属于第二业务类型的函数，第一业务类型和第二业务类型为多个业务类型中的任意两个业务类型；将满足预设条件的第一决策向量中的数据，确定为与第一业务类型对应的业务数据，其中，预设条件为第一决策向量不被第二决策向量支配。

可选地，确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系，包括：在第一函数中的第一函数值均小于或等于第二函数中的第二函数值，且第一函数值中至少有一个值小于第二函数值中的值的情况下，确定第一决策向量和第二决策向量之间存在支配关系；在第一函数值和第二函数值均相等的情况下，确定第一决策向量和第二决策向量之间存在等价关系。

可选地，确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系之后，方法还包括：在第一决策向量和第二决策向量之间不存在支配关系和等价关系的情况下，确定第一决策向量和第二决策向量之间无法进行比较。

可选地，业务数据包括以下至少之一：交互式网络电视感知数据、网页浏览感知数据、视频体验感知数据和游戏体验感知数据；指标数据包括以下至少之一：告警时段占比、丢包数、抖动次数、错误码次数、播放抖动时段占比、多类时延数据。

可选地，依据业务数据对应的指标数据，从业务数据中确定目标业务数据，包括：将业务数据对应的指标数据大于对应预设阈值的数据，确定为目标业务数据。

可选地，目标检测模型是通过以下方式得到的：依据训练集中的历史业务数据，构建与历史业务数据中的异常数据对应的孤立树；确定每个孤立树对应的路径长度；至少依据孤立树的高度、路径长度的平均值，确定历史业务数据的异常得分，其中，异常得分的值与异常程度呈正相关。

根据本申请实施例的另一方面，还提供了一种设备异常的检测装置，包括：获取模块，用于获取对光线路终端设备中的数据进行分类后得到的业务数据；第一确定模块，用于依据业务数据对应的指标数据，从业务数据中确定目标业务数据；检测模块，用于依据目标业务数据，采用目标检测模型对光线路终端设备进行异常检测，得到异常得分，其中，目标检测模型通过隔离目标业务数据中的异常数据识别异常；第二确定模块，用于在异常得分大于预设得分的情况下，确定光线路终端设备存在异常。

根据本申请实施例的又一方面，还提供了一种电子设备，包括：存储器，用于存储程序指令；处理器，与存储器连接，用于执行实现以下功能的程序指令：获取对光线路终端设备中的数据进行分类后得到的业务数据；依据业务数据对应的指标数据，从业务数据中确定目标业务数据；依据目标业务数据，采用目标检测模型对光线路终端设备进行异常检测，得到异常得分，其中，目标检测模型通过隔离目标业务数据中的异常数据识别异常；在异常得分大于预设得分的情况下，确定光线路终端设备存在异常。

根据本申请实施例的再一方面，还提供了一种非易失性存储介质，该非易失性存储介质包括存储的计算机程序，其中，该非易失性存储介质所在设备通过运行计算机程序执行上述设备异常的检测方法。

在本申请实施例中，通过获取对光线路终端设备中的数据进行分类后得到的业务数据；依据业务数据对应的指标数据，从业务数据中确定目标业务数据；依据目标业务数据，采用目标检测模型对光线路终端设备进行异常检测，得到异常得分，其中，目标检测模型通过隔离目标业务数据中的异常数据识别异常；在异常得分大于预设得分的情况下，确定光线路终端设备存在异常，达到了智能检测光线路终端设备的目的，从而实现了提高设备异常检测效率的技术效果，进而解决了传统的设备运维异常检测存在处理时间长、效率低的技术问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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的一种用于实现设备异常的检测方法的计算机终端(或电子设备)的硬件结构框图；

图2是根据本申请实施例的一种设备异常的检测方法的流程图；

图3是根据本申请实施例的一种设备异常的检测装置的结构图。

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。

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。

本申请实施例所提供的设备异常的检测方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现设备异常的检测方法的计算机终端(或电子设备)的硬件结构框图。如图1所示，计算机终端10(或电子设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或电子设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的设备异常的检测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的设备异常的检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输模块106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或电子设备)的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备(或电子设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备(或电子设备)中的部件的类型。

在上述运行环境下，本申请实施例提供了一种设备异常的检测方法实施例，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。

图2是根据本申请实施例的一种设备异常的检测方法的流程图，如图2所示，该方法包括如下步骤：

步骤S202，获取对光线路终端设备中的数据进行分类后得到的业务数据，其中，每个光线路终端设备对应一个用户；

步骤S204，依据业务数据对应的指标数据，从业务数据中确定目标业务数据；

步骤S206，依据目标业务数据，采用目标检测模型对光线路终端设备进行异常检测，得到异常得分，其中，目标检测模型通过隔离目标业务数据中的异常数据识别异常；

步骤S208，在异常得分大于预设得分的情况下，确定光线路终端设备存在异常。

在上述步骤S202至步骤S208中，针对数据中心对光线路终端设备(OLT设备)采集的海量用户级别的底层探针数据，并在此基础上进行了数据汇聚和分类。采集来的数据在业务上可以划分为IPTV感知数据、网页浏览感知数据、视频体验感知数据、游戏体验感知数据4个部分。通过不同的指标数据对业务数据进行评估，挑选出数据质量较好的、采集频率较高的IPTV感知和网页浏览感知这两部分数据(即上述目标业务数据)作为进行接下来分析和建模(即上述目标检测模型)的基础数据，并根据目标检测模型对OLT设备进行故障或异常预测。

在上述设备异常的检测方法中的步骤S202中，获取对光线路终端设备中的数据进行分类后得到的业务数据，具体包括如下步骤：确定由光线路终端设备中的数据组成的多个决策向量，以及确定多个业务类型，其中，每个决策向量的向量长度相同，多个业务类型为业务数据所属的业务类型；从多个决策向量中确定第一决策向量和第二决策向量，其中，第一决策向量和第二决策向量均为多个决策向量中的任意一个决策向量；确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系，其中，第一函数为第一决策向量属于第一业务类型的函数，第二函数为第二决策向量属于第二业务类型的函数，第一业务类型和第二业务类型为多个业务类型中的任意两个业务类型；将满足预设条件的第一决策向量中的数据，确定为与第一业务类型对应的业务数据，其中，预设条件为第一决策向量不被第二决策向量支配。

在上述步骤中，确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系，具体包括如下步骤：在第一函数中的第一函数值均小于或等于第二函数中的第二函数值，且第一函数值中至少有一个值小于第二函数值中的值的情况下，确定第一决策向量和第二决策向量之间存在支配关系；在第一函数值和第二函数值均相等的情况下，确定第一决策向量和第二决策向量之间存在等价关系。

在上述步骤中，确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系之后，方法还包括：在第一决策向量和第二决策向量之间不存在支配关系和等价关系的情况下，确定第一决策向量和第二决策向量之间无法进行比较。

在本申请实施例中，对数据中心组网内的OLT设备进行用户级别的底层探针数据采集，并将采集得到的数据放入数据分类模型，从而获得Pareto最优解集。采集来的数据在业务上经过Pareto最优解集汇聚，可以划分为IPTV感知、网页浏览感知、视频体验感知、游戏体验感知4个部分。具体地，上述数据分类模型的分类过程如下：

(1)构建目标函数，f将n维决策空间Ω映射到k维目标空间。通常目标函数需要包含优化问题的全部优化目标，决策空间需要覆盖变量空间的全部。

minf(x)＝(f

(2)Pareto支配：对于两个决策向量x(即上述第一决策向量)和y(即上述第二决策向量)，如果f(x)(即上述第一函数)在任意目标上不大于且至少在一个目标上小于f(y)(即上述第二函数)，那么x支配y，x支配y记为f(x)くf(y)，或者y被x支配；如果x和y存在相互支配关系，那么x和y可以比较；如果f(x)和f(y)在所有目标上相等，那么x和y等价；如果x和y既不相互支配也不等价，那么x和y无法比较。

Pareto支配对两个不同决策向量所得到的目标函数之间的关系进行了定义，这样可以方便地比较两个决策向量之间的优劣。如果x支配y，则表明x在全部目标函数的评价上都要强于y；反之则表明y在全部目标函数的评价上都要强于x。

Pareto最优解集：如果决策向量x不被任何决策空间中的向量支配，那么x是一个Pareto最优解。所有Pareto最优解的集合组成了Pareto最优解集，也称为非劣解集。

通过Pareto支配得到的最优解集，将光线路终端设备中的数据划分为IPTV感知数据、网页浏览感知数据、视频体验感知数据、游戏体验感知数据4类业务数据。

在上述设备异常的检测方法中，业务数据包括以下至少之一：交互式网络电视感知数据、网页浏览感知数据、视频体验感知数据和游戏体验感知数据；指标数据包括以下至少之一：告警时段占比、丢包数、抖动次数、错误码次数、播放抖动时段占比、多类时延数据。

在上述设备异常的检测方法中的步骤S204中，依据业务数据对应的指标数据，从业务数据中确定目标业务数据，具体包括如下步骤：将业务数据对应的指标数据大于对应预设阈值的数据，确定为目标业务数据。

在本申请的一种可选的实施例中，可以经过评估后将数据质量较好的、采集频率较高的IPTV感知数据、网页浏览感知数据作为目标业务数据，作为接下来分析和建模的基础数据，使用的特征字段有：在IPTV感知数据对应的指标数据中，包括：告警时段占比、单播告警时段占比、组播告警时段占比、丢包数、抖动次数、错误码次数、播放抖动时段占比；在网页浏览感知数据对应的指标数据中，包括：首屏时延、DNS时延、TCP连接时延、服务器响应时延、下载时延。

在另一种可选的实施例中，可获取上述4类业务数据(即IPTV感知数据、网页浏览感知数据、视频体验感知数据、游戏体验感知数据)分别对应的多个指标数据，并比较不同业务数据所对应的每个指标数据与对应的预设阈值的关系，可根据不同业务数据的数据量以及不同业务数据所对应的每个指标数据大于对应预设阈值的指标数据的数量，确定目标业务数据。具体地，业务数据的数据量越大，且该业务数据所对应的每个指标数据大于对应预设阈值的指标数据的数量越多，则该业务数据被确定为目标业务数据的可能性越大，例如，可根据上述确定目标业务数据的影响因素，对多类业务数据进行排序，将排名靠前的两类数据确定为目标业务数据。

在上述设备异常的检测方法中，目标检测模型是通过以下方式得到的：依据训练集中的历史业务数据，构建与历史业务数据中的异常数据对应的孤立树；确定每个孤立树对应的路径长度；至少依据孤立树的高度、路径长度的平均值，确定历史业务数据的异常得分，其中，异常得分的值与异常程度呈正相关。

在本申请实施例中，上述目标检测模型例如可以为孤立森林模型，采用孤立森林模型作为判断OLT设备或单用户质差(或异常)的方法。孤立森林模型能够根据样本的路径长度给定一个异常分数值，异常分数值越接近1，样本被判定为异常样本的概率越大。具体来说，孤立森林模型的核心设计思想就是，将异常定义为容易被孤立的离群点，即在数据空间分布中密度较为稀疏的样本点。基于这个特性，如果选用一个随机超平面来切割每个子空间，循环下去，直到每子空间里面只有一个数据点为止，那么处于分布密集区域的正常样本需要切割很多次才会停止，而处于稀疏区域的异常数据则很容易地被切分出去。

孤立森立模型的大致流程是，随机选择特征i和分割值p对样本数据X进行分割，直到达到收敛情形(收敛条件通常是满足以下条件中的一个：树深度达到最高限制、所有样本孤立在一个节点、节点中的所有特征值都相同)，通过上述步骤，建立多个iTree，然后通过以下公式计算异常得分：

其中，h(x)为x在每棵孤立树上的高度，c(ψ)为给定样本数ψ时路径长度的平均值，用来对样本x的路径长度h(x)进行标准化处理。当s(x,ψ)越接近于1，也就是样本在孤立森林中每棵树的深度越浅，样本为异常样本的可能性越大。

当在利用单用户特征和孤立森林模型输出异常得分后，可以通过阈值(即预设得分)来判定每个单用户的感知是否属于异常，若异常得分超过预设得分，说明单用户(也即该用户所对应的OLT设备)的感知数据异常，若异常得分未超过预设得分，说明单用户的感知数据正常。在另一种可选的实施例中，若每个光线路终端设备对应多个用户的情况下，则需要思考如何将单用户的质差判断结果反映到OLT的质差程度上，计算OLT的异常分数，若每个光线路终端设备对应多个用户，则本申请实施例选择将每个OLT下的单用户异常分数进行分箱离散化操作后，计算熵值，以此作为OLT的异常分数。由于绝大多数的单用户感知正常，因此当OLT的值较大时，有较多的用户落在单用户异常分数较大的桶内，即OLT异常分数越大，OLT下越多的单用户出现异常。

本申请实施例提供的设备异常的检测方法在运维的每个步骤都加入了智能算法或模型，如上述孤立森林模型、数据分类模型等，可以缩短发现和解决问题的时间。

图3是根据本申请实施例的一种设备异常的检测装置的结构图，如图3所示，该装置包括：

获取模块302，用于获取对光线路终端设备中的数据进行分类后得到的业务数据，其中，每个光线路终端设备对应一个用户；

第一确定模块304，用于依据业务数据对应的指标数据，从业务数据中确定目标业务数据；

检测模块306，用于依据目标业务数据，采用目标检测模型对光线路终端设备进行异常检测，得到异常得分，其中，目标检测模型通过隔离目标业务数据中的异常数据识别异常；

第二确定模块308，用于在异常得分大于预设得分的情况下，确定光线路终端设备存在异常。

在上述设备异常的检测装置中的获取模块中，获取对光线路终端设备中的数据进行分类后得到的业务数据，具体包括如下过程：确定由光线路终端设备中的数据组成的多个决策向量，以及确定多个业务类型，其中，每个决策向量的向量长度相同，多个业务类型为业务数据所属的业务类型；从多个决策向量中确定第一决策向量和第二决策向量，其中，第一决策向量和第二决策向量均为多个决策向量中的任意一个决策向量；确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系，其中，第一函数为第一决策向量属于第一业务类型的函数，第二函数为第二决策向量属于第二业务类型的函数，第一业务类型和第二业务类型为多个业务类型中的任意两个业务类型；将满足预设条件的第一决策向量中的数据，确定为与第一业务类型对应的业务数据，其中，预设条件为第一决策向量不被第二决策向量支配。

在上述设备异常的检测装置中的获取模块中，确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系，具体包括如下过程：在第一函数中的第一函数值均小于或等于第二函数中的第二函数值，且第一函数值中至少有一个值小于第二函数值中的值的情况下，确定第一决策向量和第二决策向量之间存在支配关系；在第一函数值和第二函数值均相等的情况下，确定第一决策向量和第二决策向量之间存在等价关系。

在上述设备异常的检测装置中的获取模块中，确定第一决策向量对应的第一函数和第二决策向量对应的第二函数之间的支配关系之后，该获取模块还用于在第一决策向量和第二决策向量之间不存在支配关系和等价关系的情况下，确定第一决策向量和第二决策向量之间无法进行比较。

在上述设备异常的检测装置中，业务数据包括以下至少之一：交互式网络电视感知数据、网页浏览感知数据、视频体验感知数据和游戏体验感知数据；指标数据包括以下至少之一：告警时段占比、丢包数、抖动次数、错误码次数、播放抖动时段占比、多类时延数据。

在上述设备异常的检测装置中的第一确定模块中，依据业务数据对应的指标数据，从业务数据中确定目标业务数据，具体包括如下过程：将业务数据对应的指标数据大于对应预设阈值的数据，确定为目标业务数据。

在上述设备异常的检测装置中，目标检测模型是通过以下方式得到的：依据训练集中的历史业务数据，构建与历史业务数据中的异常数据对应的孤立树；确定每个孤立树对应的路径长度；至少依据孤立树的高度、路径长度的平均值，确定历史业务数据的异常得分，其中，异常得分的值与异常程度呈正相关。

需要说明的是，图3所示的设备异常的检测装置用于执行图2所示的设备异常的检测方法，因此上述设备异常的检测方法中的相关解释说明也适用于该设备异常的检测装置，此处不再赘述。

本申请实施例还提供了一种非易失性存储介质，该非易失性存储介质包括存储的计算机程序，其中，该非易失性存储介质所在设备通过运行计算机程序执行以下设备异常的检测方法：获取对光线路终端设备中的数据进行分类后得到的业务数据，其中，每个光线路终端设备对应一个用户；依据业务数据对应的指标数据，从业务数据中确定目标业务数据；依据目标业务数据，采用目标检测模型对光线路终端设备进行异常检测，得到异常得分，其中，目标检测模型通过隔离目标业务数据中的异常数据识别异常；在异常得分大于预设得分的情况下，确定光线路终端设备存在异常。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

所述集成的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。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者光线路终端设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。