一种工业多变量时间序列异常检测方法及装置

技术领域

本发明涉及数据分析检测技术及人工智能技术领域，特别是指一种工业多变量时间序列异常检测方法及装置。

背景技术

近年来，异常检测问题在各个学科领域和应用中得到了广泛的研究，其研究目标是找到数据中不满足常态、约束、规则、给定模型的不寻常数据值或模式，主要应用于网络入侵检测、欺诈行为检测、工业损伤检测、文本异常检测、传感器故障检测等。在应用于大数据分析的背景上,带标签的数据(即可作为训练集的数据)规模有限，标注所需成本高昂，时间序列异常检测方法通常是基于无监督训练的设置。

而目前虽已有一些工业多变量时间序列异常检测的深度学习模型提出，但大部分都专注于解决单维度有周期性或者简单模式时间序列上的异常检测，而且仅仅只是捕获每个时间序列中的时间依赖性，缺乏对不同时间序列对之间相互关系的挖掘，并且正由于对相关信息挖掘缺乏，现有模型的可解释性欠缺。除此之外，大量的异常检测方法的计算开销极大，不利于在工业现场的部署应用。因此目前缺少高可用和高可解释性的异常检测方法。

发明内容

本发明提供了一种工业多变量时间序列异常检测方法及装置，以解决现有的工业多变量时间序列异常检测技术存在的可解释性差且可靠性较低的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种工业多变量时间序列异常检测方法，包括：

利用布设在待检测工业系统中的传感器实时采集待检测工业系统运行中产生的由多种生产工艺变量组成的生产过程数据，得到多变量时间序列数据集；

利用预设形状聚类算法对所述多变量时间序列数据集中的数据进行聚类；

基于聚类结果，生成聚类后的每一类簇的相关矩阵，并基于生成的每一类簇的相关矩阵，结合预设的异常阈值，进行异常检测，得到检测结果。

进一步地，利用布设在待检测工业系统中的传感器实时采集待检测工业系统运行中产生的由多种生产工艺变量组成的生产过程数据，得到多变量时间序列数据集，包括：

在待检测工业系统各节点分别布设相应类型的传感器；

利用传感器实时采集相应节点的生产过程数据，得到由相应节点的不同时间点的生产过程数据组成的生产过程数据序列，并通过插值法对齐各传感器的时间戳，由所有传感器采集的生产过程数据序列组成多变量时间序列数据集。

进一步地，所述预设形状聚类算法为KShape、KernelKMeans或TimeSeriesKMeans。

进一步地，利用预设形状聚类算法对所述多变量时间序列数据集中的数据进行聚类，包括：

对所述多变量时间序列数据集进行预处理；其中，所述预处理包括：对所述多变量时间序列数据集中的时间序列进行尺寸转换，以缩减时间序列的长度；对完成尺寸转换的时间序列进行归一化处理；

利用预设形状聚类算法对预处理后的多变量时间序列数据集中的数据进行聚类。

进一步地，在利用预设形状聚类算法对所述多变量时间序列数据集中的数据进行聚类时，时间序列与质心之间的距离的计算公式如下：

其中，x,y为两个时间序列；D(x,y)表示x,y两时间序列之间的距离；CC(x,y)表示x,y两时间序列的互相关系数；R(x,x)表示x的自相关系数；R(y,y)表示y的自相关系数。

进一步地，对所述多变量时间序列数据集中的时间序列进行尺寸转换，以缩减时间序列的长度，包括：

将待进行尺寸转换的时间序列划分为若干定长段；

针对划分出的每一定长段，计算其均值；

以各定长段的均值作为相应定长段的形状描述；

以各定长段的形状描述组成新的时间序列，实现时间序列的长度缩减。

进一步地，所述基于聚类结果，生成聚类后的每一类簇的相关矩阵，并基于生成的每一类簇的相关矩阵，结合预设的异常阈值，进行异常检测，得到检测结果，包括：

选择多种不同大小的时间窗口，形成多种不同尺度的观测视角；

利用每一观测视角分别对当前待构建相关矩阵的类簇中的时间序列进行观测，以得到多种不同尺度下的时间序列；

针对每一尺度下的时间序列，分别计算各时间序列两两之间的相关系数，利用所计算出的各时间序列两两之间的相关系数组成相应尺度下的相关矩阵；

将各尺度下的相关矩阵进行合并连接，得到相应类簇的相关矩阵；

利用预设的自监督模型分别对各类簇的相关矩阵进行重建，以得到每一类簇所对应的重建矩阵；

针对每一重建矩阵，分别计算其与相应的输入模型的相关矩阵的差异，得到差异矩阵，并计算异常分数，当计算出的异常分数大于预设的异常阈值时，则确定当前的多变量时间序列数据集中的时间序列数据出现异常。

进一步地，所述相关系数为皮尔逊相关系数、斯皮尔曼相关系数或肯德尔相关系数。

进一步地，所述自监督模型由编码器、跳跃连接和解码器组成；其中，

所述编码器采用多层卷积和激活函数搭建；

所述跳跃连接采用基于注意力机制的长短期记忆卷积搭建；

所述解码器采用多层反卷积和激活函数搭建；

所述自监督模型对类簇的相关矩阵进行重建的过程，包括：

利用编码器在输入的相关矩阵上编码变量之间的相关特性；

利用跳跃连接捕获变量之间的时间依赖特性；

利用解码器融合跳跃连接捕获的时间依赖特性得到重建矩阵。

另一方面，本发明还提供了一种工业多变量时间序列异常检测装置，包括：

采集模块，用于利用布设在待检测工业系统中的传感器实时采集待检测工业系统运行中产生的由多种生产工艺变量组成的生产过程数据，得到多变量时间序列数据集；

聚类模块，用于利用预设形状聚类算法对所述采集模块采集到的多变量时间序列数据集中的数据进行聚类；

检测模块，用于基于所述聚类模块得到的聚类结果，生成聚类后的每一类簇的相关矩阵，并基于生成的每一类簇的相关矩阵，结合预设的异常阈值，进行异常检测，得到检测结果。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

1、针对工业多变量时间序列异常检测问题，目前的检测技术比较薄弱，精度低，并且可靠性和可解释性较差，绝大部分依赖点调整策略才在评价指标上得到较好的效果。并且目前的检测技术没有关注到多变量时间序列之间的相关性。本发明所提出的方法从多变量时间序列的相关性进行考量，同时捕捉时间维度和变量维度之间的时间依赖和变量影响，不仅可大幅度提高工业多变量时间序列异常检测的精度，同时也能进一步提高异常检测的可靠性和可解释性。

2、本发明所提出的方法进行形状聚类后进行多尺度融合的相关矩阵重建，不仅具备更好的可解释性，也降低了多变量时间序列的异常检测的开销，可为多变量时间序列的异常检测应用提供思路，具有重要的实用价值和理论意义。

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是本发明实施例提供的工业多变量时间序列异常检测方法的流程图；

图2是本发明实施例提供的基于形状的时间序列压缩的示意图；

图3是本发明实施例提供的工业多变量时间序列异常检测工作流程示意图；

图4是本发明实施例提供的工业多变量时间序列异常检测装置的框图；

图5是本发明实施例提供的电子设备的系统框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

首先，需要说明的是，在本发明实施例中，“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例地”一词旨在以具体方式呈现概念。此外，在本发明实施例中，“和/或”所表达的含义可以是两者都有，或者可以是两者任选其一。

而且，在本发明实施例中，“图像”，“图片”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。“的(of)”，“相应的(corresponding，relevant)”和“对应的(corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。

此外，在本发明实施例中，有时候下标(如W

第一实施例

本实施例提供了一种工业多变量时间序列异常检测方法，该方法可以由电子设备实现，该方法的执行流程如图1所示，包括以下步骤：

S1，利用布设在待检测工业系统中的传感器实时采集待检测工业系统运行中产生的由多种生产工艺变量组成的生产过程数据，得到多变量时间序列数据集；

具体地，在本实施例中，上述S1的实现过程如下：

S11，搭建传感器装置环境。在对应工业设备各点位架设各类传感器装置，本实施例的方法应用于浮选工业，故传感器包括粗选、扫选和精选各槽的进出水和空气的流量计(用于获取各槽的进出水和空气流量)、阀门开度(用于获取各阀门开度)、液位计(用于获取各槽液位)以及各电机的电压表(测量电机电压)、电流表(测量电机电流)、功率表(测量电机功率)和各轴承上的温度计。

S12，多变量的传感器时间序列数据集制作。通过S11搭建的传感器装置环境，采集多变量的传感器时间序列。由于各传感器的采集频率的不同，通过插值方法对齐各传感器的时间戳，以此制作统一时间步的多变量时间序列数据集。S2，利用预设形状聚类算法对所述多变量时间序列数据集中的数据进行聚类；

其中，S2中形状聚类分析方法，指采用基于形状的距离的形状聚类模型对多变量时间序列进行分类；而且在使用基于互相关性的形状距离，不断迭代将时间序列分配到不同的簇之前，需要对多变量时间序列进行预处理，以减小计算复杂度并加速收敛。所采用的形状聚类方法为KShape、KernelKMeans或TimeSeriesKMeans。本发明采用KShape方法为例对聚类过程进行说明，聚类实现过程具体如下：

S21，数据预处理。在把采集到的多变量时间序列进行形状聚类之前，需要先对多变量时间序列数据进行预处理。主要包括以下步骤：

S211，尺寸转换。由于有限的硬件资源限制，需要对原始多变量时间序列数据进行转换，确保形状聚类时的计算负担不会过大。原始多变量时间序列的长度较长，本发明中对多变量时间序列进行基于形状的压缩，如图2所示，基于形状的压缩在保留序列形状不变的情况下，将时间序列的长度缩减，使得后续的计算更为高效。

S212，归一化。为加速形状聚类时的收敛速度，根据事先由所有多变量时间序列数据集计算出的均值和方差，对多变量时间序列数据进行归一化操作。

S22，采用KShape方法对压缩后的多变量时间序列进行聚类。该过程由迭代实现，一直循环迭代到标签不再变化为止，聚类方法按照如下步骤迭代执行：

S221，重新计算质心。

S222，计算每个序列与新质心的基于形状的距离。

S223，根据距离将各序列重新分配到不同的簇中。

其中，形状聚类分析方法基于互相关系数的形状计算距离，使用的基于互相关系数的形状计算距离算法如下：

其中，D值越小，序列的形状相似性越高，反之相似性越低。

S3，基于聚类结果，生成聚类后的每一类簇的相关矩阵，并基于生成的每一类簇的相关矩阵，结合预设的异常阈值，进行异常检测，得到检测结果。

其中，S3中基于相关矩阵进行异常检测，指采用基于多尺度融合的重建相关矩阵的自监督模型进行多变量时序数据异常检测；并将异常检测模型得到的异常分数结果通过标准差法或四分位数间距法设置合适的阈值，最终实现异常的准确检测。主要步骤如下：

S31，构建多尺度的相关矩阵，用于描述不同时间步长下对应的系统状态，融合不同窗口大小下的相关矩阵获得不同尺度下的特征。主要包括以下步骤：

S311，选择合适的不同大小的时间窗口。考虑到多变量时间序列的时空关联，需要选择多种大小的时间窗口，形成尺度不同的观测视角，至少包括大、中、小三种尺度，本实施例中使用的大小分别为10、30和60。

S312，构建相关矩阵。通过计算多变量时间序列两两之间的相关系数计算各尺度下的相关矩阵，并将各尺度下的相关矩阵进行合并连接。其中，相关矩阵的构建使用皮尔逊相关系数、斯皮尔曼相关系数或肯德尔相关系数。

S32，采用基于多尺度融合的自监督模型进行相关矩阵的重建，所述模型由卷积编码器、基于注意力机制的长短期记忆卷积的跳跃连接和反卷积解码器组成，如图3所示，按照如下步骤执行：

S321，采用多层卷积和激活函数搭建编码器，在给定的相关矩阵上编码变量之间的相关特性。

S322，采用基于注意力机制的长短期记忆卷积搭建跳跃连接层；使用基于注意力机制的长短期记忆卷积去捕获时间依赖特性。

S323，采用多层反卷积和激活函数搭建解码器，并融合跳跃连接捕获的时间依赖特性得到重建的相关矩阵。

S33，使用重建的相关矩阵和输入的相关矩阵得到差异矩阵；对两个相关矩阵逐位置做差得到差异矩阵，对差异矩阵的值通过标准差法或四分位数间距法设置阈值将其二值化为0和1，计算差异矩阵所有元素的和得到异常分数，使用验证集上最大的异常分数作为阈值去检测和诊断异常。

进一步地，在训练过程中，设置初始参数，对此，本实施例中采用20轮次(Epoch)，初始学习率为1e-3，学习率逐级衰减策略(StepLR,0.8)，随机梯度下降法SGD法，BatchSize为1，损失函数设计为差异矩阵的F范数。

上述方案的检测原理为：聚类将形状相似的时间序列分组考量，从而使得聚类的每个簇内有较高相关性，而网络模型学习的正是其相关性(相关矩阵)，重建的相关矩阵倾向于反映其正常状态下的相关性，从而对应得到的差异矩阵就反映了序列之间的相关性变化情况，所以当序列异常时，聚类后的每个簇所构建的相关矩阵与重建后的相关矩阵之间的差异会变大。进一步地，为判断是正常范围内的波动导致的相关性的变化还是发生异常；本实施例将前文所述的标准差法或四分位数间距法应用在此作为合适的阈值选择，对得到差异矩阵的每个位置，即聚类后的每个簇的序列间的相关性变化情况做判断是否超出了正常范围(事实上也可以简单的使用较小的阈值提高灵敏度，但与之对应可能会带来更多误报)，计算绝对值和得到的异常分数反映的是相关矩阵中可能发生异常的元素数的和。接下来为对得到的异常分数判断每个簇是否异常，本实施例使用验证集上得到的最大的异常分数作为阈值判断是否异常(在时序异常检测领域中，对于无监督或是自监督的方法来说，只有在测试集中才有异常段，训练集和验证集上均为正常数据，使用验证集上的最大异常分数，反映的是正常数据的异常分数的阈值，超出判定为异常)。

进一步地，在本实施例中，通过收集浮选工业多变量时间序列进行测试，时间序列的信息如表1所示，以本领域内常用的2种评估方法准确率和召回率为评估指标(上述指标越高则代表异常检测方法的性能越高)，对浮选工业多变量时间序列进行测试，得到评估结果如下表2所示。

表1浮选工业多变量时间序列信息

表2异常检测评估结果

综上，本实施例提供了一种工业多变量时间序列异常检测方法，从多变量时间序列的相关性进行考量，同时捕捉时间维度和变量维度之间的时间依赖和变量影响，不仅可大幅度提高工业多变量时间序列异常检测的精度，同时也能进一步提高异常检测的可靠性和可解释性。而且，该工业多变量时间序列异常检测方法在进行形状聚类后进行多尺度融合的相关矩阵重建，不仅具备更好的可解释性，也降低了多变量时间序列的异常检测的开销，可为多变量时间序列的异常检测应用提供思路，具有重要的实用价值和理论意义。

第二实施例

本实施例提供了一种工业多变量时间序列异常检测装置，该工业多变量时间序列异常检测装置的系统结构如图4所示，包括以下模块：

采集模块11，用于利用布设在待检测工业系统中的传感器实时采集待检测工业系统运行中产生的由多种生产工艺变量组成的生产过程数据，得到多变量时间序列数据集；

聚类模块12，用于利用预设形状聚类算法对所述采集模块11采集到的多变量时间序列数据集中的数据进行聚类；

检测模块13，用于基于所述聚类模块12得到的聚类结果，生成聚类后的每一类簇的相关矩阵，并基于生成的每一类簇的相关矩阵，结合预设的异常阈值，进行异常检测，得到检测结果。

其中，需要说明的是，为了便于说明，图4仅示出了所述装置的主要部件。而且，本实施例的工业多变量时间序列异常检测装置与上述第一实施例的工业多变量时间序列异常检测方法相对应；其中，本实施例的工业多变量时间序列异常检测装置中的各功能模块所实现的功能与上述第一实施例的工业多变量时间序列异常检测方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

本实施例提供一种电子设备，如图5所示，所述电子设备包括：处理器和存储器；其中，所述处理器与所述存储器可以通过通信总线连接；所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行，以实现上述第一实施例的方法。此外，所述电子设备还可以包括收发器，所述处理器与所述收发器可以通过通信总线连接，所述收发器用于与其它设备进行通信。

下面，结合图5对该电子设备的各个构成部件进行具体的介绍：

其中，处理器是电子设备的控制中心，所述电子设备可以包括多个处理器，这些处理器中的每一个可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器可以是一个处理器，也可以是多个处理元件的统称。例如，处理器是一个或多个中央处理器(central processing unit，CPU)，也可以是其他通用处理器、特定集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器等。处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行所述电子设备的各种功能。

在具体的实现中，作为一种实施例，所述处理器可以包括一个或多个CPU，例如图5中所示出的CPU0和CPU1，当然，此仅为示例性说明。

所述存储器用于存储执行本发明方案的软件程序，并由所述处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。

可选地，所述存储器可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过所述电子设备的接口电路(图5中未示出)与处理器耦合，本发明实施例对此不作具体限定。

所述收发器可以包括接收器和发送器(图5中未单独示出)。其中，所述接收器用于实现接收功能，所述发送器用于实现发送功能。所述收发器可以和所述处理器集成在一起，也可以独立存在，并通过所述电子设备的接口电路(图5中未示出)与所述处理器耦合，本发明实施例对此不作具体限定。

此外，需要说明的是，图5中示出的所述电子设备的结构并不构成对该设备的限定，实际的设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。此外，该电子设备在执行上述第一实施例的方法时所实现的技术效果可以参考上述第一实施例所述的技术效果，故，此处不再赘述。

第四实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全或部分硬件实施例、完全或部分软件实施例或结合软件和硬件方面的实施例的形式。而且，当使用软件实现时，本发明实施例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上实施的计算机程序产品的形式。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。此外，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中，a,b,c可以是单个，也可以是多个。

此外，可以理解的是，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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，功能模块/单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个设备，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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单元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。

所述方法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，本发明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(可以是个人计算机，服务器，或者网络设备等)执行本发明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、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或光盘等各种可以存储程序代码的介质。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。