疾病录入及决策的全链路测试方法、装置、设备及介质与流程

1.本发明涉及人工智能及测试技术领域，尤其涉及一种疾病录入及决策的全链路测试方法、装置、设备及介质。


背景技术：

2.在核保理赔项目中，基于ocr(optical character recognition，光学字符识别)、nlp(natural language processing，自然语言处理)、知识图谱等ai(artificial intelligence，人工智能)技术与大数据进行深度融合，打造核保核赔的智能解决方案，支持智能收集、智能录入、智能审核、智能风控等功能，构建了客户体验更佳、风险识别更准、作业效能更高的新一代核保核赔体系。
3.其中，最核心的功能是ai辅助录入和智能决策，因此，为了保证ai辅助录入和智能决策的有效性，需要对二者进行全链路测试。
4.但是，现有的测试方案中主要采用postman或jmeter接口测试工具进行录入操作，当图片的数量比较大时，生产的字节流也较大，如果超过了postman请求内容限制的最大值，测试将无法继续执行。并且，ai辅助录入和智能决策是分别执行测试的，测试过程中没有实现数据的共享，因此，字节流与原图的映射关系不能自动被记录下来，需要人工维护，导致每次测试不同病历的疾病时，都需要重新生成字节流对象。另外，在测试过程中，随着疾病数量的增加，对每种疾病进行全链路的人工测试工作量具大，测试效率较低，同时，postman测试返回耗时与实际链路使用的耗时也相差较大，进一步影响了测试效率。


技术实现要素：

5.本发明实施例提供了一种疾病录入及决策的全链路测试方法、装置、设备及介质，旨在解决疾病ai辅助录入及智能决策的全链路测试的测试效果不佳，且效率低的问题。
6.第一方面，本发明实施例提供了一种疾病录入及决策的全链路测试方法，其包括：
7.响应于测试请求，根据所述测试请求确定测试环境及待测试疾病；
8.获取预先创建的配置文件，并根据所述测试环境及所述配置文件生成目标统一资源定位器信息；
9.获取预先配置的字典，根据所述待测试疾病及所述字典生成目标地址；
10.连接至所述目标地址，并根据所述测试请求从所述目标地址处获取待处理图片集；
11.将所述待处理图片集中的每张待处理图片转化为字节流对象；
12.根据所述目标统一资源定位器信息确定ai辅助录入接口及智能决策接口；
13.将每张待处理图片的字节流对象传输至所述ai辅助录入接口，并接收所述ai辅助录入接口返回的数据作为每张待处理图片的目标ai辅助录入结果，并记录每张待处理图片的目标ai辅助录入结果所对应的待处理图片的目标标识符；
14.将每张待处理图片的目标ai辅助录入结果及目标标识符传输至所述智能决策接
口，并接收所述智能决策接口返回的数据作为每张待处理图片的目标智能决策结果；
15.调取预先配置的映射表，并根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果，生成测试结果。
16.根据本发明优选实施例，所述根据所述测试环境及所述配置文件生成目标统一资源定位器信息包括：
17.利用读写配置类从所述配置文件中读取目标字段作为与所述测试环境对应的目标ip及目标端口；
18.从所述配置文件中提取通用接口信息；
19.拼接所述通用接口信息、所述目标ip及所述目标端口，得到所述目标统一资源定位器信息。
20.根据本发明优选实施例，在所述获取预先配置的字典前，所述方法还包括：
21.每隔预设时间间隔从配置数据库中获取病例图片，并获取所述病例图片所对应的疾病名称；
22.将具有相同的疾病名称的病例图片划分为一组，得到至少一个病例图片组；
23.将所述至少一个病例图片组保存至指定文件夹，并根据每个病例图片组所对应的疾病名称为每个病例图片组命名，得到至少一个子文件夹；
24.配置每个子文件夹下所包含的病例图片的编码；
25.获取每张病例图片所对应的目录，并根据所述目录生成所述字典。
26.根据本发明优选实施例，所述方法还包括：
27.从执行日志中获取所述ai辅助录入接口对于每张待处理图片的字节流对象的响应时间作为每张待处理图片的第一响应时间，及获取所述智能决策接口对于每张待处理图片的目标ai辅助录入结果及目标标识符的响应时间作为每张待处理图片的第二响应时间；
28.当检测到有待处理图片的所述第一响应时间大于或者等于第一配置时间阈值，及/或所述第二响应时间大于或者等于第二配置时间阈值时，将检测到的待处理图片确定为目标图片；
29.跳过对所述目标图片的所述目标ai辅助录入结果及所述目标智能决策结果的校验，并根据所述目标图片生成预警信息。
30.根据本发明优选实施例，在所述调取预先配置的映射表前，所述方法还包括：
31.按照配置的时间周期获取历史测试数据；
32.从所述历史测试数据中获取ai辅助录入结果及智能决策结果间的映射关系；
33.根据获取的ai辅助录入结果及智能决策结果间的映射关系建立所述映射表；
34.当检测到有新增疾病的测试结果时，从所述新增疾病的测试结果中获取所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系；
35.将所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系维护至所述映射表。
36.根据本发明优选实施例，在所述生成测试结果后，所述方法还包括：
37.获取在测试过程中的执行日志；
38.从所述执行日志中获取所述ai辅助录入接口在数据传输过程中的总响应时间，及获取所述智能决策接口在数据传输过程中的总响应时间；
39.计算所述ai辅助录入接口在数据传输过程中的总响应时间及所述智能决策接口在数据传输过程中的总响应时间的和作为总接口耗时；
40.记录每张待处理图片的字节流对象及每张待处理图片的目标标识符；
41.根据每张待处理图片、每张待处理图片的字节流对象及每张待处理图片的目标标识符、所述总接口耗时及所述测试结果生成可视化的目标文件；
42.调用配置库将所述目标文件发送至指定邮箱。
43.根据本发明优选实施例，所述方法还包括：
44.当所述测试结果显示有目标ai辅助录入结果及对应的目标智能决策结果未通过校验时，获取未通过校验的待处理图片；
45.从所述字典中删除所述未通过校验的待处理图片。
46.第二方面，本发明实施例提供了一种疾病录入及决策的全链路测试装置，其包括：
47.确定单元，用于响应于测试请求，根据所述测试请求确定测试环境及待测试疾病；
48.生成单元，用于获取预先创建的配置文件，并根据所述测试环境及所述配置文件生成目标统一资源定位器信息；
49.所述生成单元，还用于获取预先配置的字典，根据所述待测试疾病及所述字典生成目标地址；
50.获取单元，用于连接至所述目标地址，并根据所述测试请求从所述目标地址处获取待处理图片集；
51.转化单元，用于将所述待处理图片集中的每张待处理图片转化为字节流对象；
52.所述确定单元，还用于根据所述目标统一资源定位器信息确定ai辅助录入接口及智能决策接口；
53.传输单元，用于将每张待处理图片的字节流对象传输至所述ai辅助录入接口，并接收所述ai辅助录入接口返回的数据作为每张待处理图片的目标ai辅助录入结果，并记录每张待处理图片的目标ai辅助录入结果所对应的待处理图片的目标标识符；
54.所述传输单元，还用于将每张待处理图片的目标ai辅助录入结果及目标标识符传输至所述智能决策接口，并接收所述智能决策接口返回的数据作为每张待处理图片的目标智能决策结果；
55.校验单元，用于调取预先配置的映射表，并根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果，生成测试结果。
56.第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的疾病录入及决策的全链路测试方法。
57.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的疾病录入及决策的全链路测试方法。
58.本发明实施例提供了一种疾病录入及决策的全链路测试方法、装置、设备及介质，能够响应于测试请求，根据所述测试请求确定测试环境及待测试疾病，获取预先创建的配置文件，并根据所述测试环境及所述配置文件生成目标统一资源定位器信息，通过创建所述配置文件，实现了测试环境的可配置化，打通了不同的测试环境，使不同的测试环境间能
够共用统一的测试框架，获取预先配置的字典，根据所述待测试疾病及所述字典生成目标地址，通过预先构建的字典实现对病例图片的统一管理，使疾病测试更加通用化，通过维护所述字典，能够支持对多种疾病的测试，减少了测试时间，进而加快了测试和生产验证的效率，连接至所述目标地址，并根据所述测试请求从所述目标地址处获取待处理图片集，将所述待处理图片集中的每张待处理图片转化为字节流对象，根据所述目标统一资源定位器信息确定ai辅助录入接口及智能决策接口，将每张待处理图片的字节流对象传输至所述ai辅助录入接口，并接收所述ai辅助录入接口返回的数据作为每张待处理图片的目标ai辅助录入结果，并记录每张待处理图片的目标ai辅助录入结果所对应的待处理图片的目标标识符，通过生成的统一资源定位器信息直接定位到对应的接口，并利用对应的接口执行ai辅助录入，能够有效避免由于字节流对象过大影响测试的正常执行的问题，同时，也避免了使用postman测试时返回耗时与实际链路使用的耗时相差较大的问题，进而提升了测试效果，将每张待处理图片的目标ai辅助录入结果及目标标识符传输至所述智能决策接口，并接收所述智能决策接口返回的数据作为每张待处理图片的目标智能决策结果，调取预先配置的映射表，并根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果，生成测试结果，通过搭建共同的接口测试框架，实现了对ai辅助录入及智能决策的全链路测试，在ai辅助录入测试及智能决策测试间进行数据共享，实现了对数据的复用，进而提高了测试效率。
附图说明
59.为了更清楚地说明本发明实施例技术方案，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。
60.图1为本发明实施例提供的疾病录入及决策的全链路测试方法的流程示意图；
61.图2为本发明实施例提供的疾病录入及决策的全链路测试装置的示意性框图；
62.图3为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
63.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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
64.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
65.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
66.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
67.请参阅图1，为本发明实施例提供的疾病录入及决策的全链路测试方法的流程示意图。
68.s10，响应于测试请求，根据所述测试请求确定测试环境及待测试疾病。
69.在本实施例中，所述测试请求可以由相关工作人员触发，如测试人员、开发人员等。
70.在本实施例中，所述测试环境可以包括，但不限于：测试任务对应的环境、生产任务对应的环境等。
71.在本实施例中，所述待测试疾病可以包括，但不限于甲状腺炎、阑尾炎等各种疾病。
72.s11，获取预先创建的配置文件，并根据所述测试环境及所述配置文件生成目标统一资源定位器信息。
73.在本实施例中，所述配置文件是根据不同的测试环境及接口进行配置的。
74.本实施例通过创建所述配置文件，实现了测试环境的可配置化，打通了不同的测试环境，使不同的测试环境间能够共用统一的测试框架。
75.在本发明的至少一个实施例中，所述根据所述测试环境及所述配置文件生成目标统一资源定位器信息包括：
76.利用读写配置类从所述配置文件中读取目标字段作为与所述测试环境对应的目标ip及目标端口；
77.从所述配置文件中提取通用接口信息；
78.拼接所述通用接口信息、所述目标ip及所述目标端口，得到所述目标统一资源定位器信息。
79.其中，所述读写配置类可以为configparser类。
80.例如：假设所述配置文件为cfg_trace.ini，在文件中配置测试环境的环境信息，以及测试所需要的接口信息，共分为三个部分：common部分，用于存储通用的接口信息，如各种核保理赔项目接口的uri(uniform resource identifier，统一资源标识符)(例如/vas/ai_platform/medical_report_recg_elis_uws)；test部分，用于配置测试环境的ip和端口；prd部分，用于配置生产环境的ip和端口。从所述配置文件中使用读写配置类解析需要的字段，然后拼接成所述目标统一资源定位器信息，例如medical_recg_eles_uws_url＝http://192.168.16.123/vas/ai_platform/medical_report_recg_elis_uws即是根据所述测试请求生成的一个对应的目标统一资源定位器信息。
81.s12，获取预先配置的字典，根据所述待测试疾病及所述字典生成目标地址。
82.在本发明的至少一个实施例中，在所述获取预先配置的字典前，所述方法还包括：
83.每隔预设时间间隔从配置数据库中获取病例图片，并获取所述病例图片所对应的疾病名称；
84.将具有相同的疾病名称的病例图片划分为一组，得到至少一个病例图片组；
85.将所述至少一个病例图片组保存至指定文件夹，并根据每个病例图片组所对应的疾病名称为每个病例图片组命名，得到至少一个子文件夹；
86.配置每个子文件夹下所包含的病例图片的编码；
87.获取每张病例图片所对应的目录，并根据所述目录生成所述字典。
88.其中，所述预设时间间隔可以进行自定义配置，如：每隔30天。
89.其中，所述配置数据库可以为指定的医院的数据库等，本发明不限制。
90.通过上述实施方式，能够通过预先构建的字典实现对病例图片的统一管理，使疾病测试更加通用化，通过维护所述字典，能够支持对多种疾病的测试，减少了测试时间，进而加快了测试和生产验证的效率。
91.经过验证，通过将疾病测试通用化，能够有效减少测试时间，由原来13分钟测试一种疾病的全链路，降低到25秒即可测试一种疾病的全链路，提高了测试和生产验证的效率。
92.在本发明的至少一个实施例中，所述根据所述待测试疾病及所述字典生成目标地址包括：
93.获取所述待测试疾病对应的疾病名称；
94.根据所述待测试疾病对应的疾病名称在所述字典中进行查询，得到所述目标地址。
95.例如：通过目标地址{'basepath':'d:\\users\\***\\documents\\核保核赔\\image
‑
test\\上呼吸道感染'，'dirinfo':['1','2','3','4','10']}，可以获取到上呼吸道感染子文件夹下的第1、2、3、4、10张病例图片；通过目标地址{'basepath':'d:\\users\\***\\documents\\核保核赔\\image
‑
test\\促甲状腺素'，'dirinfo':['1','2','3','4','5','6','7','8','9','10','11','12']}，可以获取到促甲状腺素子文件夹下的第1、2、3、4、5、6、7、8、9、10、11、12张病例图片。
[0096]
s13，连接至所述目标地址，并根据所述测试请求从所述目标地址处获取待处理图片集。
[0097]
在本实施例中，所述待处理图片可以为医学影像，所述待处理图片包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，ct(computed tomography，电子计算机断层扫描)、mri(magnetic resonance imaging，磁共振成像)、us(ultrasonic，超声)、x光图像、脑电图以及光学摄影灯由医学仪器生成的图像。
[0098]
在本发明的至少一个实施例中，所述根据所述测试请求从所述目标地址处获取待处理图片集包括：
[0099]
根据所述测试请求确定待获取的病例图片的数量作为目标数量；
[0100]
从所述目标地址处获取所述目标数量的病例图片作为所述待处理图片。
[0101]
例如：当需要测试三张病例图片时，可以从所述目标地址处获取前三张图片，或者任意三张图片作为所述待处理图片。
[0102]
s14，将所述待处理图片集中的每张待处理图片转化为字节流对象。
[0103]
在本发明的至少一个实施例中，所述将所述待处理图片集中的每张待处理图片转化为字节流对象包括：
[0104]
启动python的标准库base64工具，利用二进制方式打开每张待处理图片；
[0105]
读取每张待处理图片的文件内容，并将每张待处理图片的文件内容转换为base64编码，得到每张待处理图片转化为字节流对象。
[0106]
s15，根据所述目标统一资源定位器信息确定ai辅助录入接口及智能决策接口。
[0107]
在本实施例中，通过所述目标统一资源定位器信息可以获取到接口信息，即可根
据所述接口信息进一步确定所述ai辅助录入接口及所述智能决策接口。
[0108]
在本实施例中，所述ai辅助录入接口能够执行ai辅助录入任务，即录入病例的风险信息。
[0109]
在本实施例中，所述智能决策接口用于执行智能决策任务，即通过录入的病例的风险信息预测疾病程度，并进一步判断投保的风险度，以确定是否符合要购买的保险的投保要求。
[0110]
s16，将每张待处理图片的字节流对象传输至所述ai辅助录入接口，并接收所述ai辅助录入接口返回的数据作为每张待处理图片的目标ai辅助录入结果，并记录每张待处理图片的目标ai辅助录入结果所对应的待处理图片的目标标识符。
[0111]
需要说明的是，在传统的ai辅助录入测试场景下，通常使用postman或者jmeter接口测试工具填充请求体，以进行ai辅助录入操作，当病例图片的数据量较大时，生成的字节流也较大时，如果超过了postman或者jmeter请求内容限制的最大值，将导致无法执行测试。
[0112]
在本实施例中，通过生成的统一资源定位器信息直接定位到对应的接口，并利用对应的接口执行ai辅助录入，能够有效避免由于字节流对象过大影响测试的正常执行的问题，同时，也避免了使用postman测试时返回耗时与实际链路使用的耗时相差较大的问题，进而提升了测试效果。
[0113]
s17，将每张待处理图片的目标ai辅助录入结果及目标标识符传输至所述智能决策接口，并接收所述智能决策接口返回的数据作为每张待处理图片的目标智能决策结果。
[0114]
以往的测试方案中将ai辅助录入测试与智能决策测试分开执行，由于二者的数据没有实现通用，测试耗时较长，效率较低。
[0115]
本实施方式通过搭建共同的接口测试框架，实现了对ai辅助录入及智能决策的全链路测试，在ai辅助录入测试及智能决策测试间进行数据共享，实现了对数据的复用，进而提高了测试效率。
[0116]
在本发明的至少一个实施例中，所述方法还包括：
[0117]
从执行日志中获取所述ai辅助录入接口对于每张待处理图片的字节流对象的响应时间作为每张待处理图片的第一响应时间，及获取所述智能决策接口对于每张待处理图片的目标ai辅助录入结果及目标标识符的响应时间作为每张待处理图片的第二响应时间；
[0118]
当检测到有待处理图片的所述第一响应时间大于或者等于第一配置时间阈值，及/或所述第二响应时间大于或者等于第二配置时间阈值时，将检测到的待处理图片确定为目标图片；
[0119]
跳过对所述目标图片的所述目标ai辅助录入结果及所述目标智能决策结果的校验，并根据所述目标图片生成预警信息。
[0120]
其中，所述第一配置时间阈值是指所述ai辅助录入接口的响应时间的上限值，超过所述第一配置时间阈值，则说明所述ai辅助录入接口的响应异常。
[0121]
其中，所述第二配置时间阈值是指所述智能决策接口的响应时间的上限值，超过所述第二配置时间阈值，则说明所述智能决策接口的响应异常。
[0122]
通过上述实施方式，能够在测试过程中实时检测接口耗时，并在发现影响异常时及时处理，避免影响测试时间，进而提高了测试效率。
[0123]
s18，调取预先配置的映射表，并根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果，生成测试结果。
[0124]
例如：所述目标ai辅助录入结果为高血糖，所述目标智能决策为有糖尿病风险，适用于重疾险的免责条款。如果与所述映射表中的数据相同，则确定所述测试结果为ai辅助录入的结果及智能决策的结果通过测试。
[0125]
在本发明的至少一个实施例中，在所述调取预先配置的映射表前，所述方法还包括：
[0126]
按照配置的时间周期获取历史测试数据；
[0127]
从所述历史测试数据中获取ai辅助录入结果及智能决策结果间的映射关系；
[0128]
根据获取的ai辅助录入结果及智能决策结果间的映射关系建立所述映射表；
[0129]
当检测到有新增疾病的测试结果时，从所述新增疾病的测试结果中获取所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系；
[0130]
将所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系维护至所述映射表。
[0131]
通过上述实施方式，对建立的映射表进行周期性维护，并在有新增疾病时及时更新所述映射表，以辅助进行完整的全链路测试。
[0132]
当然，在其他实施方式中，当所述新增疾病没有响应的测试数据时，可以向指定联系人的终端设备发送提示信息，用于提示所述指定联系人上传所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系。
[0133]
在本发明的至少一个实施例中，所述根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果包括：
[0134]
从所述映射表中查询所述目标ai辅助录入结果与所述目标智能决策结果间的映射关系；
[0135]
当在所述映射表中查询到所述目标ai辅助录入结果与所述目标智能决策结果间的映射关系时，确定所述目标ai辅助录入结果及所述目标智能决策结果通过校验；或者
[0136]
当在所述映射表中未查询到所述目标ai辅助录入结果与所述目标智能决策结果间的映射关系时，确定所述目标ai辅助录入结果及所述目标智能决策结果未通过校验。
[0137]
通过上述实施方式，能够实现对ai辅助录入及智能决策的自动化全链路测试。
[0138]
经过验证，由于本案中的每个环节都缩短了测试时间，因此，整体上能够将原本3天的测试缩短到在2小时内完成。
[0139]
在本发明的至少一个实施例中，在所述生成测试结果后，所述方法还包括：
[0140]
获取在测试过程中的执行日志；
[0141]
从所述执行日志中获取所述ai辅助录入接口在数据传输过程中的总响应时间，及获取所述智能决策接口在数据传输过程中的总响应时间；
[0142]
计算所述ai辅助录入接口在数据传输过程中的总响应时间及所述智能决策接口在数据传输过程中的总响应时间的和作为总接口耗时；
[0143]
记录每张待处理图片的字节流对象及每张待处理图片的目标标识符；
[0144]
根据每张待处理图片、每张待处理图片的字节流对象及每张待处理图片的目标标识符、所述总接口耗时及所述测试结果生成可视化的目标文件；
[0145]
调用配置库将所述目标文件发送至指定邮箱。
[0146]
其中，所述目标文件可以为excel格式。
[0147]
例如：使用python的xlwt扩展工具将每张待处理图片、每张待处理图片的字节流对象及每张待处理图片的目标标识符、所述总接口耗时及所述测试结果保存于excel，得到所述目标文件。
[0148]
其中，所述配置库可以为第三方库，如email.mime库，本发明不限制。
[0149]
其中，所述指定邮箱可以包括测试人员的邮箱、开发人员的邮箱等，根据不同的测试场景可以进行自定义配置。
[0150]
在上述实施方式中，通过获取测试过程中的一系列日志信息，方便问题的排查与定位；记录的总接口耗时能够有效反应测试过程中接口的性能；记录的每张待处理图片的字节流对象及每张待处理图片的目标标识符能够实现对生成的字节流对象的复用，避免每次测试时重新生成，造成时间的损耗；同时，将测试结果等数据以可视化的文件格式进行存储，并发送至执行邮箱，方便用户进行查看。
[0151]
在本发明的至少一个实施例中，在所述生成测试结果后，所述方法还包括：
[0152]
当所述测试结果显示有目标ai辅助录入结果及对应的目标智能决策结果未通过校验时，获取未通过校验的待处理图片；
[0153]
从所述字典中删除所述未通过校验的待处理图片。
[0154]
通过上述实施方式，能够避免出现问题的图片被再次使用，进而有效避免了生产过程中的复现线上偶现的问题。
[0155]
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，映射表可存储于区块链节点中。
[0156]
由以上技术方案可以看出，本发明响应于测试请求，根据所述测试请求确定测试环境及待测试疾病，获取预先创建的配置文件，并根据所述测试环境及所述配置文件生成目标统一资源定位器信息，通过创建所述配置文件，实现了测试环境的可配置化，打通了不同的测试环境，使不同的测试环境间能够共用统一的测试框架，获取预先配置的字典，根据所述待测试疾病及所述字典生成目标地址，通过预先构建的字典实现对病例图片的统一管理，使疾病测试更加通用化，通过维护所述字典，能够支持对多种疾病的测试，减少了测试时间，进而加快了测试和生产验证的效率，连接至所述目标地址，并根据所述测试请求从所述目标地址处获取待处理图片集，将所述待处理图片集中的每张待处理图片转化为字节流对象，根据所述目标统一资源定位器信息确定ai辅助录入接口及智能决策接口，将每张待处理图片的字节流对象传输至所述ai辅助录入接口，并接收所述ai辅助录入接口返回的数据作为每张待处理图片的目标ai辅助录入结果，并记录每张待处理图片的目标ai辅助录入结果所对应的待处理图片的目标标识符，通过生成的统一资源定位器信息直接定位到对应的接口，并利用对应的接口执行ai辅助录入，能够有效避免由于字节流对象过大影响测试的正常执行的问题，同时，也避免了使用postman测试时返回耗时与实际链路使用的耗时相差较大的问题，进而提升了测试效果，将每张待处理图片的目标ai辅助录入结果及目标标识符传输至所述智能决策接口，并接收所述智能决策接口返回的数据作为每张待处理图片的目标智能决策结果，调取预先配置的映射表，并根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果，生成测试结果，通过搭建共同的接口测试框架，实现了对
ai辅助录入及智能决策的全链路测试，在ai辅助录入测试及智能决策测试间进行数据共享，实现了对数据的复用，进而提高了测试效率。
[0157]
本发明实施例还提供一种疾病录入及决策的全链路测试装置，该疾病录入及决策的全链路测试装置用于执行前述疾病录入及决策的全链路测试方法的任一实施例。具体地，请参阅图2，图2是本发明实施例提供的疾病录入及决策的全链路测试装置的示意性框图。
[0158]
如图2所示，疾病录入及决策的全链路测试装置100包括：确定单元101、生成单元102、获取单元103、转化单元104、传输单元106、校验单元107。
[0159]
响应于测试请求，确定单元101根据所述测试请求确定测试环境及待测试疾病。
[0160]
在本实施例中，所述测试请求可以由相关工作人员触发，如测试人员、开发人员等。
[0161]
在本实施例中，所述测试环境可以包括，但不限于：测试任务对应的环境、生产任务对应的环境等。
[0162]
在本实施例中，所述待测试疾病可以包括，但不限于甲状腺炎、阑尾炎等各种疾病。
[0163]
生成单元102获取预先创建的配置文件，并根据所述测试环境及所述配置文件生成目标统一资源定位器信息。
[0164]
在本实施例中，所述配置文件是根据不同的测试环境及接口进行配置的。
[0165]
本实施例通过创建所述配置文件，实现了测试环境的可配置化，打通了不同的测试环境，使不同的测试环境间能够共用统一的测试框架。
[0166]
在本发明的至少一个实施例中，所述生成单元102根据所述测试环境及所述配置文件生成目标统一资源定位器信息包括：
[0167]
利用读写配置类从所述配置文件中读取目标字段作为与所述测试环境对应的目标ip及目标端口；
[0168]
从所述配置文件中提取通用接口信息；
[0169]
拼接所述通用接口信息、所述目标ip及所述目标端口，得到所述目标统一资源定位器信息。
[0170]
其中，所述读写配置类可以为configparser类。
[0171]
例如：假设所述配置文件为cfg_trace.ini，在文件中配置测试环境的环境信息，以及测试所需要的接口信息，共分为三个部分：common部分，用于存储通用的接口信息，如各种核保理赔项目接口的uri(uniform resource identifier，统一资源标识符)(例如/vas/ai_platform/medical_report_recg_elis_uws)；test部分，用于配置测试环境的ip和端口；prd部分，用于配置生产环境的ip和端口。从所述配置文件中使用读写配置类解析需要的字段，然后拼接成所述目标统一资源定位器信息，例如medical_recg_eles_uws_url＝http://192.168.16.123/vas/ai_platform/medical_report_recg_elis_uws即是根据所述测试请求生成的一个对应的目标统一资源定位器信息。
[0172]
所述生成单元102获取预先配置的字典，根据所述待测试疾病及所述字典生成目标地址。
[0173]
在本发明的至少一个实施例中，在所述获取预先配置的字典前，每隔预设时间间
隔从配置数据库中获取病例图片，并获取所述病例图片所对应的疾病名称；
[0174]
将具有相同的疾病名称的病例图片划分为一组，得到至少一个病例图片组；
[0175]
将所述至少一个病例图片组保存至指定文件夹，并根据每个病例图片组所对应的疾病名称为每个病例图片组命名，得到至少一个子文件夹；
[0176]
配置每个子文件夹下所包含的病例图片的编码；
[0177]
获取每张病例图片所对应的目录，并根据所述目录生成所述字典。
[0178]
其中，所述预设时间间隔可以进行自定义配置，如：每隔30天。
[0179]
其中，所述配置数据库可以为指定的医院的数据库等，本发明不限制。
[0180]
通过上述实施方式，能够通过预先构建的字典实现对病例图片的统一管理，使疾病测试更加通用化，通过维护所述字典，能够支持对多种疾病的测试，减少了测试时间，进而加快了测试和生产验证的效率。
[0181]
经过验证，通过将疾病测试通用化，能够有效减少测试时间，由原来13分钟测试一种疾病的全链路，降低到25秒即可测试一种疾病的全链路，提高了测试和生产验证的效率。
[0182]
在本发明的至少一个实施例中，所述生成单元102根据所述待测试疾病及所述字典生成目标地址包括：
[0183]
获取所述待测试疾病对应的疾病名称；
[0184]
根据所述待测试疾病对应的疾病名称在所述字典中进行查询，得到所述目标地址。
[0185]
例如：通过目标地址{'basepath':'d:\\users\\***\\documents\\核保核赔\\image
‑
test\\上呼吸道感染'，'dirinfo':['1','2','3','4','10']}，可以获取到上呼吸道感染子文件夹下的第1、2、3、4、10张病例图片；通过目标地址{'basepath':'d:\\users\\***\\documents\\核保核赔\\image
‑
test\\促甲状腺素'，'dirinfo':['1','2','3','4','5','6','7','8','9','10','11','12']}，可以获取到促甲状腺素子文件夹下的第1、2、3、4、5、6、7、8、9、10、11、12张病例图片。
[0186]
获取单元103连接至所述目标地址，并根据所述测试请求从所述目标地址处获取待处理图片集。
[0187]
在本实施例中，所述待处理图片可以为医学影像，所述待处理图片包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，ct(computed tomography，电子计算机断层扫描)、mri(magnetic resonance imaging，磁共振成像)、us(ultrasonic，超声)、x光图像、脑电图以及光学摄影灯由医学仪器生成的图像。
[0188]
在本发明的至少一个实施例中，所述获取单元103根据所述测试请求从所述目标地址处获取待处理图片集包括：
[0189]
根据所述测试请求确定待获取的病例图片的数量作为目标数量；
[0190]
从所述目标地址处获取所述目标数量的病例图片作为所述待处理图片。
[0191]
例如：当需要测试三张病例图片时，可以从所述目标地址处获取前三张图片，或者任意三张图片作为所述待处理图片。
[0192]
转化单元104将所述待处理图片集中的每张待处理图片转化为字节流对象。
[0193]
在本发明的至少一个实施例中，所述转化单元104将所述待处理图片集中的每张
待处理图片转化为字节流对象包括：
[0194]
启动python的标准库base64工具，利用二进制方式打开每张待处理图片；
[0195]
读取每张待处理图片的文件内容，并将每张待处理图片的文件内容转换为base64编码，得到每张待处理图片转化为字节流对象。
[0196]
所述确定单元101根据所述目标统一资源定位器信息确定ai辅助录入接口及智能决策接口。
[0197]
在本实施例中，通过所述目标统一资源定位器信息可以获取到接口信息，即可根据所述接口信息进一步确定所述ai辅助录入接口及所述智能决策接口。
[0198]
在本实施例中，所述ai辅助录入接口能够执行ai辅助录入任务，即录入病例的风险信息。
[0199]
在本实施例中，所述智能决策接口用于执行智能决策任务，即通过录入的病例的风险信息预测疾病程度，并进一步判断投保的风险度，以确定是否符合要购买的保险的投保要求。
[0200]
传输单元106将每张待处理图片的字节流对象传输至所述ai辅助录入接口，并接收所述ai辅助录入接口返回的数据作为每张待处理图片的目标ai辅助录入结果，并记录每张待处理图片的目标ai辅助录入结果所对应的待处理图片的目标标识符。
[0201]
需要说明的是，在传统的ai辅助录入测试场景下，通常使用postman或者jmeter接口测试工具填充请求体，以进行ai辅助录入操作，当病例图片的数据量较大时，生成的字节流也较大时，如果超过了postman或者jmeter请求内容限制的最大值，将导致无法执行测试。
[0202]
在本实施例中，通过生成的统一资源定位器信息直接定位到对应的接口，并利用对应的接口执行ai辅助录入，能够有效避免由于字节流对象过大影响测试的正常执行的问题，同时，也避免了使用postman测试时返回耗时与实际链路使用的耗时相差较大的问题，进而提升了测试效果。
[0203]
所述传输单元106将每张待处理图片的目标ai辅助录入结果及目标标识符传输至所述智能决策接口，并接收所述智能决策接口返回的数据作为每张待处理图片的目标智能决策结果。
[0204]
以往的测试方案中将ai辅助录入测试与智能决策测试分开执行，由于二者的数据没有实现通用，测试耗时较长，效率较低。
[0205]
本实施方式通过搭建共同的接口测试框架，实现了对ai辅助录入及智能决策的全链路测试，在ai辅助录入测试及智能决策测试间进行数据共享，实现了对数据的复用，进而提高了测试效率。
[0206]
在本发明的至少一个实施例中，从执行日志中获取所述ai辅助录入接口对于每张待处理图片的字节流对象的响应时间作为每张待处理图片的第一响应时间，及获取所述智能决策接口对于每张待处理图片的目标ai辅助录入结果及目标标识符的响应时间作为每张待处理图片的第二响应时间；
[0207]
当检测到有待处理图片的所述第一响应时间大于或者等于第一配置时间阈值，及/或所述第二响应时间大于或者等于第二配置时间阈值时，将检测到的待处理图片确定为目标图片；
[0208]
跳过对所述目标图片的所述目标ai辅助录入结果及所述目标智能决策结果的校验，并根据所述目标图片生成预警信息。
[0209]
其中，所述第一配置时间阈值是指所述ai辅助录入接口的响应时间的上限值，超过所述第一配置时间阈值，则说明所述ai辅助录入接口的响应异常。
[0210]
其中，所述第二配置时间阈值是指所述智能决策接口的响应时间的上限值，超过所述第二配置时间阈值，则说明所述智能决策接口的响应异常。
[0211]
通过上述实施方式，能够在测试过程中实时检测接口耗时，并在发现影响异常时及时处理，避免影响测试时间，进而提高了测试效率。
[0212]
校验单元107调取预先配置的映射表，并根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果，生成测试结果。
[0213]
例如：所述目标ai辅助录入结果为高血糖，所述目标智能决策为有糖尿病风险，适用于重疾险的免责条款。如果与所述映射表中的数据相同，则确定所述测试结果为ai辅助录入的结果及智能决策的结果通过测试。
[0214]
在本发明的至少一个实施例中，在所述调取预先配置的映射表前，按照配置的时间周期获取历史测试数据；
[0215]
从所述历史测试数据中获取ai辅助录入结果及智能决策结果间的映射关系；
[0216]
根据获取的ai辅助录入结果及智能决策结果间的映射关系建立所述映射表；
[0217]
当检测到有新增疾病的测试结果时，从所述新增疾病的测试结果中获取所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系；
[0218]
将所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系维护至所述映射表。
[0219]
通过上述实施方式，对建立的映射表进行周期性维护，并在有新增疾病时及时更新所述映射表，以辅助进行完整的全链路测试。
[0220]
当然，在其他实施方式中，当所述新增疾病没有响应的测试数据时，可以向指定联系人的终端设备发送提示信息，用于提示所述指定联系人上传所述新增疾病对应的ai辅助录入结果及智能决策结果间的映射关系。
[0221]
在本发明的至少一个实施例中，所述校验单元107根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果包括：
[0222]
从所述映射表中查询所述目标ai辅助录入结果与所述目标智能决策结果间的映射关系；
[0223]
当在所述映射表中查询到所述目标ai辅助录入结果与所述目标智能决策结果间的映射关系时，确定所述目标ai辅助录入结果及所述目标智能决策结果通过校验；或者
[0224]
当在所述映射表中未查询到所述目标ai辅助录入结果与所述目标智能决策结果间的映射关系时，确定所述目标ai辅助录入结果及所述目标智能决策结果未通过校验。
[0225]
通过上述实施方式，能够实现对ai辅助录入及智能决策的自动化全链路测试。
[0226]
经过验证，由于本案中的每个环节都缩短了测试时间，因此，整体上能够将原本3天的测试缩短到在2小时内完成。
[0227]
在本发明的至少一个实施例中，在所述生成测试结果后，获取在测试过程中的执行日志；
[0228]
从所述执行日志中获取所述ai辅助录入接口在数据传输过程中的总响应时间，及获取所述智能决策接口在数据传输过程中的总响应时间；
[0229]
计算所述ai辅助录入接口在数据传输过程中的总响应时间及所述智能决策接口在数据传输过程中的总响应时间的和作为总接口耗时；
[0230]
记录每张待处理图片的字节流对象及每张待处理图片的目标标识符；
[0231]
根据每张待处理图片、每张待处理图片的字节流对象及每张待处理图片的目标标识符、所述总接口耗时及所述测试结果生成可视化的目标文件；
[0232]
调用配置库将所述目标文件发送至指定邮箱。
[0233]
其中，所述目标文件可以为excel格式。
[0234]
例如：使用python的xlwt扩展工具将每张待处理图片、每张待处理图片的字节流对象及每张待处理图片的目标标识符、所述总接口耗时及所述测试结果保存于excel，得到所述目标文件。
[0235]
其中，所述配置库可以为第三方库，如email.mime库，本发明不限制。
[0236]
其中，所述指定邮箱可以包括测试人员的邮箱、开发人员的邮箱等，根据不同的测试场景可以进行自定义配置。
[0237]
在上述实施方式中，通过获取测试过程中的一系列日志信息，方便问题的排查与定位；记录的总接口耗时能够有效反应测试过程中接口的性能；记录的每张待处理图片的字节流对象及每张待处理图片的目标标识符能够实现对生成的字节流对象的复用，避免每次测试时重新生成，造成时间的损耗；同时，将测试结果等数据以可视化的文件格式进行存储，并发送至执行邮箱，方便用户进行查看。
[0238]
在本发明的至少一个实施例中，在所述生成测试结果后，当所述测试结果显示有目标ai辅助录入结果及对应的目标智能决策结果未通过校验时，获取未通过校验的待处理图片；
[0239]
从所述字典中删除所述未通过校验的待处理图片。
[0240]
通过上述实施方式，能够避免出现问题的图片被再次使用，进而有效避免了生产过程中的复现线上偶现的问题。
[0241]
需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，映射表可存储于区块链节点中。
[0242]
由以上技术方案可以看出，本发明响应于测试请求，根据所述测试请求确定测试环境及待测试疾病，获取预先创建的配置文件，并根据所述测试环境及所述配置文件生成目标统一资源定位器信息，通过创建所述配置文件，实现了测试环境的可配置化，打通了不同的测试环境，使不同的测试环境间能够共用统一的测试框架，获取预先配置的字典，根据所述待测试疾病及所述字典生成目标地址，通过预先构建的字典实现对病例图片的统一管理，使疾病测试更加通用化，通过维护所述字典，能够支持对多种疾病的测试，减少了测试时间，进而加快了测试和生产验证的效率，连接至所述目标地址，并根据所述测试请求从所述目标地址处获取待处理图片集，将所述待处理图片集中的每张待处理图片转化为字节流对象，根据所述目标统一资源定位器信息确定辅助录入接口及智能决策接口，将每张待处理图片的字节流对象传输至所述ai辅助录入接口，并接收所述ai辅助录入接口返回的数据作为每张待处理图片的目标ai辅助录入结果，并记录每张待处理图片的目标ai辅助录入结
果所对应的待处理图片的目标标识符，通过生成的统一资源定位器信息直接定位到对应的接口，并利用对应的接口执行ai辅助录入，能够有效避免由于字节流对象过大影响测试的正常执行的问题，同时，也避免了使用postman测试时返回耗时与实际链路使用的耗时相差较大的问题，进而提升了测试效果，将每张待处理图片的目标ai辅助录入结果及目标标识符传输至所述智能决策接口，并接收所述智能决策接口返回的数据作为每张待处理图片的目标智能决策结果，调取预先配置的映射表，并根据所述映射表校验所述目标ai辅助录入结果及所述目标智能决策结果，生成测试结果，通过搭建共同的接口测试框架，实现了对ai辅助录入及智能决策的全链路测试，在ai辅助录入测试及智能决策测试间进行数据共享，实现了对数据的复用，进而提高了测试效率。
[0243]
上述疾病录入及决策的全链路测试装置可以实现为计算机程序的形式，该计算机程序可以在如图3所示的计算机设备上运行。
[0244]
请参阅图3，图3是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0245]
其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0246]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0247]
参阅图3，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
[0248]
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行疾病录入及决策的全链路测试方法。
[0249]
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
[0250]
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行疾病录入及决策的全链路测试方法。
[0251]
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0252]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的疾病录入及决策的全链路测试方法。
[0253]
本领域技术人员可以理解，图3中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机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。例如，在一些实施例中，计算机设备可以仅包括存
储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图3所示实施例一致，在此不再赘述。
[0254]
应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessing unit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(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。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0255]
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的疾病录入及决策的全链路测试方法。
[0256]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0257]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
[0258]
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，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，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，也可以是电的，机械的或其它的形式连接。
[0259]
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发明实施例方案的目的。
[0260]
本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备
的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0261]
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，也可以是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。
[0262]
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(rom，read
‑
only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0263]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。