语音识别方法和装置与流程

本公开涉及计算机应用技术领域，尤其涉及语音和深度学习技术领域。

背景技术：

近几十年来，语音识别技术取得显著进步，逐步进入了工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。在现有的语音识别架构中，如图1中所示，解码器利用语音识别模型中的声学模型进行语音到音节的概率计算，利用语音识别模型中的语言模型进行从音节到文本的概率计算，最终输出概率得分最高的文本作为语音识别结果。

然而，在一些垂直领域或专业领域的语音识别场景下，对于一些特定实体因其不同于普通的语义逻辑而识别准确性较低。

技术实现要素：

有鉴于此，本公开提供了一种语音识别方法和装置，以便于提高识别准确性。

根据本公开的第一方面，提供了一种语音识别方法，包括：

获取语音识别模型针对待识别语音输出的识别得分排在前n个的候选识别结果，所述n为大于1的正整数；

基于候选识别结果与预先收集的热门实体的发音相似度，分别对所述n个候选识别结果进行打分，得到各候选识别结果的相似度得分；

综合所述候选识别结果的识别得分和相似度得分，从所述n个候选识别结果中确定所述待识别语音对应的识别结果。

根据本公开的第二方面，提供了一种语音识别装置，包括：

候选获取单元，用于获取语音识别模型针对待识别语音输出的识别得分排在前n个的候选识别结果，所述n为大于1的正整数；

相似度打分单元，用于基于候选识别结果与预先收集的热门实体的发音相似度，分别对所述n个候选识别结果进行打分，得到各候选识别结果的相似度得分；

结果确定单元，用于综合所述候选识别结果的识别得分和相似度得分，从所述n个候选识别结果中确定所述待识别语音对应的识别结果。

根据本公开的第三方面，提供了一种电子设备，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指令，所述指令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上所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。

根据本公开的第五方面，一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。

由以上技术方案可以看出，在获取到语音识别模型对候选识别结果的识别得分基础上，将候选识别结果与预先收集的热门实体的发音相似度融入对各候选结果的打分，并综合打分和实体得分确定最终的识别结果，以使得最终的识别结果能够尽可能在发音上与热门实体相似，从而提高识别准确率。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示出了现有技术中语音识别方法的示意图；

图2示出了可以应用本发明实施例的语音识别方法或装置的示例性系统架构；

图3为本公开实施例提供的一种语音识别方法的流程图；

图4a为本公开实施例提供的实体资源树的实例图；

图4b为本公开实施例提供的实体资源模糊树的实例图；

图5为本公开实施例提供的语音识别方法的示意图；

图6为本公开实施例提供的语音识别装置的结构图；

图7为用来实现本公开实施例的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图2示出了可以应用本发明实施例的语音识别方法或装置的示例性系统架构。

如图2所示，该系统架构可以包括终端设备201和202，网络203和服务器204。网络203用以在终端设备201、202和服务器204之间提供通信链路的介质。网络203可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备201和202通过网络203与服务器204交互。终端设备201和202上可以安装有各种应用，例如语音交互应用、网页浏览器应用、地图类应用、通信类应用等。

终端设备201和202可以是支持语音交互的各种电子设备，可以是有屏设备，也可以是无屏设备。包括但不限于智能手机、平板电脑、智能音箱、智能电视等等。本发明所提供的语音识别装置可以设置并运行于上述终端设备201或202侧，也可以设置并运行于上述服务器204侧。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不做具体限定。

例如，语音识别装置设置并运行于上述服务器204侧，那么用户通过终端设备201输入语音请求，由终端设备201将语音请求发送至服务器204。由服务器204采用本公开实施例提供的方式进行语音识别后得到语音识别结果，并基于该语音识别结果进行响应。例如将语音识别结果返回给终端设备201并显示给用户。再例如依据语音识别结果执行其中包含的指令，等等。另外，服务器204侧还可以设置有本公开实施例提供的训练语音识别模型的装置，预先对语音识别模型进行训练用以进行上述语音识别。

服务器204可以是单一服务器，也可以是多个服务器构成的服务器群组。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图3为本公开实施例提供的一种语音识别方法的流程图，该方法的执行装置为语音识别装置，该装置可以是位于服务器端的应用，或者还可以为位于服务器端的应用中的插件或软件开发工具包(softwaredevelopmentkit，sdk)等功能单元，或者，还可以位于具有较强计算能力的终端设备侧，本发明实施例对此不进行特别限定。如图3中所示，该方法可以包括以下步骤：

步骤301：获取语音识别模型针对待识别语音输出的识别得分排在前n个的候选识别结果，n为大于1的正整数。

步骤302：基于候选识别结果与预先收集的热门实体的发音相似度，分别对所述n个候选识别结果进行打分，得到各候选识别结果的相似度得分。

步骤303：综合候选识别结果的识别得分和相似度得分，从上述n个候选识别结果中确定待识别语音对应的识别结果。

由图3所示实施例可以看出，在获取到语音识别模型对候选识别结果的识别得分基础上，将候选识别结果与预先收集的热门实体的发音相似度融入对各候选结果的打分，并综合打分和实体得分确定最终的识别结果，以使得最终的识别结果能够尽可能在发音上与热门实体相似，从而提高识别准确率。

本公开所提供的上述语音识别的方法可以应用于多种领域，相应地，上述热门实体可以是与领域对应的特定类型的热门实体。例如地图类应用领域，即上述热门实体可以为poi或地点等特定类型。再例如医疗类应用领域，即上述热门实体可以为疾病、药品等特定类型。为了方便对上述方法的理解，在下面实施例中以地图类应用领域为例进行描述。

下面结合实施例对上述实施例中各步骤进行详细描述。

首先在上述步骤301中，本公开对于语音识别模型的处理并未进行任何修改和影响，解码器仍然利用声学模型和语言模型获取候选识别结果以及各候选识别结果的识别得分。

其中可以按照识别得分对各候选识别结果进行排序，选取排在前n个的候选识别结果。其中n为大于1的正整数。

鉴于这部分内容本实施例并未进行变更，在此不加以详述。

例如，在用户输入包含地点的语音请求“导航到鼓楼大街”后，由于用户发音、环境等等因素的影响，解码器的识别结果并不一定准确。例如利用语音识别模型对该语音请求进行识别后，获取识别得分排在前3个的识别结果：“导航到古龙大街”、“导航到鼓楼大街”和“导航到胡楼大街”。可见如果采用传统的实现方式直接选取排在第1个的识别结果，则识别结果并不正确。

下面结合实施例对上述步骤302即“基于候选识别结果与预先收集的特定类型的热门实体的发音相似度，分别对所述n个候选识别结果进行打分，得到各候选识别结果的相似度得分”进行详细描述。

首先在本公开实施例中会预先收集特定类型的热门实体。由于目前各个领域的实体是否热门大多是基于流量进行判断的，因此可以基于流量统计特定类型的热门实体，从而生成热门实体列表。其中，上述的流量可以是用户实地访问所产生的人流量，也可以是用户在线访问或请求等所产生的流量。

以地图类应用领域中的地点为例，可以首先基于用户实地访问所产生的人流量统计出很多热门地点。例如基于人流量统计出人流量超过预设人流量阈值的热门地点，或者统计出人流量排在前预设数量的热门地点。更进一步地，还可以在基于人流量统计出的热门地点中针对每个热门地点的请求进行统计，统计出请求流量超过预设请求流量阈值的热门地点，或者统计出请求流量排在前预设数量的热门地点。将统计得到的热门地点形成热门地点列表。

上述基于地点的统计仅仅以流量作为标准，不需要获取任何用户的隐私信息，能够在很好保护用户隐私的前提下，为后续以“热门地点”为基础的个性化提供基础。并且，重点实现对流量大的地点的语音识别优化，更容易满足大数量用户的需求。

再以医学类应用领域为例，可以基于流量(例如搜索量、访问量、新闻中作为关键词的出现量等等)进行统计后，得到流量超过预设流量阈值的热门疫病或药品。例如洛伐他汀、修美乐、舒利迭等等。

再以娱乐类应用领域为例，可以基于流量(例如搜索量、访问量、新闻中作为关键词的出现量等等)进行统计后，得到流量超过预设流量阈值的热门节目、热门明星、热门事件等等。例如，可以从每天、每周、每月等的娱乐热词排行榜中获取上述的热门实体。

另外，作为一种优选的实施方式，可以将上述热门实体列表以树结构进行存储，得到实体资源树。其中，在实体资源树中，各节点为热门实体中的字，节点之间的边为字之间的顺序关系，另外，由于本公开中对候选识别结果进行的相似度打分是基于发音相似度的，因此在实体资源树上标注有各节点的发音。

举个简单的例子，假设热门地点列表中存在如下热门地点“北京海淀公园”、“北京海淀大厦”以及“北京鼓楼大街”，形成的实体资源树可以如图4a中所示。其中对实体资源树中各节点的发音标注采用拼音的形式。除了拼音之外，也可以采用其他发音标注方式，在此不做限制。

从以上实体资源树中可以看出，对于相同前缀的实体实际上只需要针对相同前缀部分存储一次即可，即合并了前缀，从而节省内存。并且树结构在进行查询匹配过程中能够更加快速地响应。

对于上述形成的实体资源树，在服务器端或云端加载时，可以将其作用于预设范围内用户的语音识别。例如，对于地点资源树，可以将其作用于距离对应地点预设距离范围内(例如5km)的用户的语音识别。

作为一种优选的实施方式，在对n个候选识别结果进行打分时，可以采用以下的两级打分法分别对各候选识别结果进行打分：

第一级是对相似度进行预判。将候选识别结果在实体资源模糊树上进行匹配，如果未匹配到，则可以直接确定该候选识别结果的相似度得分为0；如果能够匹配到，则继续进行第二级打分处理。

其中实体资源模糊树是对实体资源树进行扩展后得到的。扩展的方式是在实体资源树上扩展标注节点的相似发音，该相似发音的扩展主要基于预设的规则。实际上是对节点的标注发音进行“模糊”处理，使得在相似发音的匹配时能够允许细微差异。上述预设的规则主要包括前后鼻音的扩展、声调的扩展、声韵母的扩展等等。

仍以图4a为例，例如有些用户的发音可能在前后鼻音上把握不准，因此可以将“京”标注的发音扩展出“jin”。再例如，有些用户的发音可能在声母或韵母上把握不准，例如“l”和“n”分不清，因此可以将“楼”标注的发音扩展出“nou”。例如“ou”和“ong”分不清，因此可以将“楼”标注的发音扩展出“long”。再例如，有些用户在一些字的认知上可能存在差异，很多用户会把“厦”读成“xia”，因此可以将“厦”标注的发音扩展出“xia”。这样就扩展出了如图4b所示的实体资源模糊树。

对于候选识别结果，例如“导航到古龙大街”、“导航到鼓楼大街”和“导航到胡楼大街”。经过与上述实体资源模糊树进行匹配后，“导航到古龙大街”、“导航到鼓楼大街”都能够在实体资源模糊树上依据发音匹配到，而“导航到胡楼大街”无法在实体资源模糊树上依据发音匹配到。因此，可以将“导航到胡楼大街”的相似度得分确定为0，而将“导航到古龙大街”、“导航到鼓楼大街”送入第二级打分处理。

第二级是采用相似度计算模型进行打分。利用相似度计算模型计算候选识别结果与匹配得到的热门实体的发音相似度的最大值，将该最大值作为候选识别结果的相似度得分。

接续上例，分别对候选识别结果“导航到古龙大街”和“导航到鼓楼大街”进行第二级打分。

以“导航到鼓楼大街”为例，假设其在实体资源模糊树上匹配得到两个热门实体，一个是“鼓楼大街”，另一个是“葫芦大街”。利用相似度计算模型计算候选识别结果与匹配得到的这两个热门实体的发音相似度，“导航到鼓楼大街”与“鼓楼大街”的发音相似度为100％，与“葫芦大街”的发音相似度为60％，那么依据最大值100％确定该候选识别结果“导航到鼓楼大街”的相似度得分为100分(假设为百分制)。基于同样的方式也可以针对“导航到古龙大街”确定出其相似度得分。

通过相似度计算模型实际上是精确计算发音相似度，该相似度计算模型是所有热门实体公用的模型。

其中相似度计算模型可以采用任意可以计算两个文本之间发音相似度的模型。也可以预先对发音相似和不相似的热门地点对(包含两个热门地点)进行发音相似度得分的标注，作为训练数据来训练相似度计算模型。

通过上述两级打分的模式，如果第一级相似度预判过程中未匹配上，就不再进行后续基于相似度计算模型的打分，从而较少了相似度计算模型的计算次数。但若仅采用一级打分的模式，即不执行第一级打分，而是针对各候选识别结果直接执行上述第二级基于相似度计算模型的打分，即直接利用相似度计算模型计算候选识别结果与各热门实体的发音相似度的最大值，基于该最大值确定候选识别结果的相似度打分，也可以实现，但在效率上远不及两级打分的模式。

另外，在第二级打分过程中，仅仅需要计算通过第一级相似度预判的候选识别结果与在第一级相似度预判过程中模糊匹配得到的若干个热门实体，因此将原本候选识别结果需要与所有热门实体进行相似度计算的过程精简为仅需要与该若干个热门实体进行相似度计算的过程，因此大大减少了计算量。

下面对上述步骤303即“综合候选识别结果的识别得分和相似度得分，从上述n个候选识别结果中确定待识别语音对应的识别结果”进行详细描述。

在本步骤中，可以将候选识别结果的识别得分和相似度得分进行加权求和，得到n个候选识别结果的最终得分，然后利用最终得分确定待识别语音对应的识别结果。

其中上述进行加权求和处理时采用的权重可以是经验值，也可以是实验值。

在利用最终得分确定待识别语音对应的识别结果时，如果仅输出一个识别结果，则可以将最终得分最高的候选识别结果作为待识别语音对应的识别结果。如果可以输出m个识别结果，则可以按照最终得分的顺序输出排在前m个的识别结果，其中m≤n。

接续上例，在步骤301中经过语音识别模型得到的识别得分排在前3个的识别结果：“导航到古龙大街”、“导航到鼓楼大街”和“导航到胡楼大街”，经过基于发音相似度的打分后，由于“导航到鼓楼大街”与热门地点列表中的地点“鼓楼大街”在发音上相似度最高，因此对于“导航到鼓楼大街”的相似度评分会显著高于“导航到古龙大街”和“导航到胡楼大街”。这样经过对识别得分和相似度得分进行加权求和后，“导航到鼓楼大街”的最终得分会升高，从而使得最终获得的识别结果的准确性提高。

如图5中所示，相似度打分单元(用以执行上述基于发音相似度的打分)在语音识别过程中并未对解码器的处理过程进行干预，而是对解码器输出的候选识别结果进行最终得分的调整。

以上是对本公开所提供方法进行的详细描述，下面结合实施例对本公开提供的装置进行详细描述。

图6为本公开实施例提供的语音识别装置的结构图，如图6中所示，该装置600可以包括：候选获取单元601、相似度打分单元602和结果确定单元603，还可以包括实体统计单元604、资源存储单元605和资源加载单元606。其中各组成单元的主要功能如下：

候选获取单元601，用于获取语音识别模型针对待识别语音输出的识别得分排在前n个的候选识别结果，n为大于1的正整数。

相似度打分单元602，用于基于候选识别结果与预先收集的热门实体的发音相似度，分别对n个候选识别结果进行打分，得到各候选识别结果的相似度得分。

结果确定单元603，用于综合候选识别结果的识别得分和相似度得分，从n个候选识别结果中确定待识别语音对应的识别结果。

实体统计单元604，用于预先基于流量统计热门实体，生成热门实体列表。

资源存储单元605，用于将热门实体列表以树结构进行存储，得到实体资源树；其中，实体资源树中的节点为热门实体中的字，节点之间的边为字之间的顺序关系，在实体资源树上标注有各节点的发音。

资源加载单元606，用于加载实体资源树并作用于预设范围内用户的语音识别。

作为一种可实现的方式，上述相似度打分单元602可以针对n个候选识别结果分别执行：利用相似度计算模型计算候选识别结果与各热门实体的发音相似度的最大值，将该最大值作为该候选识别结果的相似度得分。

作为一种优选的实施方式，上述相似度打分单元602可以针对n个候选识别结果分别执行：

将候选识别结果在实体资源模糊树上进行匹配；其中，实体资源模糊树通过在实体资源树上扩展标注各节点的相似发音得到；

若能够匹配，则利用相似度计算模型计算该候选识别结果与匹配得到的热门实体的发音相似度的最大值，基于该最大值确定该候选识别结果的相似度得分，否则，确定该候选识别结果的相似度得分为0。

作为一种可实现的方式，上述结果确定单元603可以将候选识别结果的识别得分和实体得分进行加权求和，得到n个候选识别结果的最终得分；利用最终得分确定待识别语音对应的识别结果。

作为其中一种典型的应用场景：热门实体可以包括：基于流量统计得到的热门兴趣点poi或热门地点。

除此之外，还可以应用于其他场景，例如医学类领域中的热门疾病、热门药品，娱乐类领域中的热搜事件、热门明星、热门节目等。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

如图7所示，是根据本公开实施例的语音识别方法或训练语音识别模型的方法的电子设备的框图。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/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储设备700操作所需的各种程序和数据。计算单元701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

设备700中的多个部件连接至i/o接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。

计算单元701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。计算单元701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计算单元、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。计算单元701执行上文所描述的各个方法和处理，例如语音识别方法或训练语音识别模型的方法。例如，在一些实施例中，语音识别方法或训练语音识别模型的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。

在一些实施例中，计算机程序的部分或者全部可以经由rom802和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的语音识别方法或训练语音识别模型的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行语音识别方法或训练语音识别模型的方法。

此处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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控30制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、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。

在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)和互联网。

计算机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，以解决传统物理主机与虚拟专用服务器(vps，ⅵirtualprivateserver)服务中存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本发申请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，只要能够实现本公开公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。