分布式数据系统的应灾处理方法、装置、设备及存储介质与流程

1.本技术涉及人工智能、系统应灾处理技术领域，尤其涉及一种分布式数据系统的应灾处理方法、装置、设备及存储介质。


背景技术：

2.在数据疯狂增长的大数据时代，大数据挖掘和分析技术在各行业领域中被广泛应用。然而，随着数据量的不断增长，传统的数据管理系统在有突发的数据灾难事件来临时，难以保障数据的安全性，缺乏应对数据灾难以及突发数据丢失的能力。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种分布式数据系统的应灾处理方法、装置、电子设备及存储介质，可以通过融合hadoop集群技术和退火算法，实现数据的分布式存储的同时有效地提高分布式数据系统应对数据灾难以及突发数据丢失的能力，解决传统的医疗大数据存储所存在的读取效率以及数据安全性问题。
4.本技术实施例的第一方面提供了一种分布式数据系统的应灾处理方法，包括：
5.获取分布式数据系统当前的资源使用率，并判断所述分布式数据系统当前的资源使用率是否达到应灾启动阈值；
6.若所述资源使用率达到应灾启动阈值，则采用预设的应灾模型求解出系统应灾需要追加的计算资源用量；
7.根据所述需要追加的计算资源用量对所述分布式数据系统进行资源调度处理，以使所述分布式数据系统的资源使用率下降至表征系统安全运行的基准值。
8.结合第一方面，在第一方面的第一种可能实现方式中，所述若所述资源使用率达到应灾启动阈值，则采用预设的应灾模型求解出系统应灾需要追加的计算资源用量的步骤，包括：
9.将预设的初始化的计算资源追加用量输入到所述预设的应灾模型中进行迭代处理，获得迭代后的计算资源追加用量；
10.根据所述迭代后的计算资源追加用量，模拟计算所述分布式数据系统在追加计算资源后的资源使用率；
11.判断所述分布式数据系统在追加计算资源后的资源使用率是否低于预设的资源使用率阈值，若是，则将所述迭代后的计算资源追加用量配置为系统应灾需要追加的计算资源用量，否则重新进行迭代处理，直至所述分布式数据系统在追加计算资源后的资源使用率低于预设的资源使用率阈值为止。
12.结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，所述将预设的初始化的计算资源追加用量输入到所述预设的应灾模型中进行迭代处理，获得迭代后的计算资源追加用量的步骤，包括：
13.将所述预设置的初始化的计算资源追加用量作为所述预设的应灾模型中目标损
失函数的初始解计算所述目标损失函数，获得第一函数值；
14.按照预设的扰动条件对所述初始解进行扰动处理，获得与所述初始解相对应的若干个扰动解；
15.从所述若干个扰动解中随机选取一个扰动解作为所述预设的应灾模型中目标损失函数的新解计算所述目标损失函数，获得第二函数值；
16.比对所述第一函数值和所述第二函数值，若所述第二函数值小于等于所述第一函数值，则接受所述新解并以所述新解作为初始解对所述目标损失函数进行下一轮的迭代处理，直至迭代次数达到预设次数阈值为止，获得迭代后的计算资源追加用量。
17.结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述按照预设的扰动条件对所述初始解进行扰动处理，获得与所述初始解相对应的若干个扰动解的步骤中，所述预设的扰动条件配置为：
18.ω2‑
ω’>0且ω
’2＝2
‑
ω
19.其中，ω表示为初始解，ω’表示为扰动解。
20.结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，比对所述第一函数值和所述第二函数值的步骤之后，若所述第二函数值大于所述第一函数值，还包括：
21.根据所述第一函数值和所述第二函数值，按照metropolis准则计算接受所述新解的概率值；
22.将计算获得的所述概率值与预设的概率阈值进行比对，若所述概率值大于预设的概率阈值，则接受所述新解并以所述新解作为初始解对所述目标损失函数进行下一轮的迭代处理，否则不接受所述新解。
23.结合第一方面的第一种可能实现方式，在第一方面的第五种可能实现方式中，若所述分布式数据系统在追加计算资源后的资源使用率未低于预设的资源使用率阈值，则重新进行迭代处理，直至所述分布式数据系统在追加计算资源后的资源使用率低于预设的资源使用率阈值为止的步骤，包括：
24.按照预设的退火速率降低所述分布式数据系统的资源使用率并重置迭代次数，以基于所述分布式数据系统退火后的资源使用率重新进行迭代处理。
25.结合第一方面或第一方面的任意一种可能实现方式，在第一方面的第六种可能实现方式中，所述根据所述需要追加的计算资源用量对所述分布式数据系统进行资源调度处理，以使所述分布式数据系统的资源使用率下降至表征系统安全运行的基准值的步骤中，进行资源调度处理的方式包括内部调度处理和外部接入处理，其中：所述内部调度处理为所述分布式数据系统中从节点与从节点之间的资源调度，所述外部接入处理为从所述分布式数据系统的外部接入计算资源。
26.本技术实施例的第二方面提供了一种分布式数据系统的应灾处理装置，所述分布式数据系统的应灾处理装置包括：
27.判断模块，用于获取分布式数据系统当前的资源使用率，并判断所述分布式数据系统当前的资源使用率是否达到应灾启动阈值；
28.计算模块，用于若所述资源使用率达到应灾启动阈值，则采用预设的应灾模型求解出系统应灾需要追加的计算资源用量；
29.调度模块，用于根据所述需要追加的计算资源用量对所述分布式数据系统进行资源调度处理，以使所述分布式数据系统的资源使用率下降至表征系统安全运行的基准值。
30.本技术实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在电子设备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第一方面提供的分布式数据系统的应灾处理方法的各步骤。
31.本技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的分布式数据系统的应灾处理方法的各步骤。
32.本技术实施例提供的一种分布式数据系统的应灾处理方法、装置、电子设备及存储介质，具有以下有益效果：
33.本技术所述方法通过获取分布式数据系统当前的资源使用率，并判断分布式数据系统当前的资源使用率是否达到应灾启动阈值；若资源使用率达到应灾启动阈值，则采用预设的应灾模型求解出系统应灾需要追加的计算资源用量；根据需要追加的计算资源用量对分布式数据系统进行资源调度处理，以使分布式数据系统的资源使用率下降至表征系统安全运行的基准值。基于该方法，通过预设的应灾模型，在采用hadoop集群技术构建的分布式数据系统中融合退火算法，实现对数据进行分布式存储的同时有效地提高分布式数据系统应对数据灾难以及突发数据丢失的能力，从而在分布式数据系统有突发的数据灾难事件来临时，利用退火算法进行数据灾难的“浇灭”，使得分布式数据系统中集群的资源使用率下降至一个安全的值，以此保证分布式数据系统正常运行。
附图说明
34.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1为本技术实施例提供的一种分布式数据系统的应灾处理方法的实现流程图；
36.图2为本技术实施例提供的一种分布式数据系统的应灾处理方法中分布式数据系统存储数据时的过程流程图；
37.图3为本技术实施例提供的分布式数据系统的应灾处理方法中求解系统应灾需要追加的计算资源用量时的一种方法流程示意图；
38.图4为本技术实施例提供的分布式数据系统的应灾处理方法中通过迭代获取迭代后的计算资源追加用量时的方法流程示意图；
39.图5为本技术实施例提供的分布式数据系统的应灾处理方法中通过迭代获取迭代后的计算资源追加用量时的另一方法流程示意图；
40.图6为本技术实施例提供的一种分布式数据系统的应灾处理装置的基本结构框图；
41.图7为本技术实施例提供的一种电子设备的基本结构框图。
具体实施方式
42.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
43.请参阅图1，图1为本技术实施例提供的一种分布式数据系统的应灾处理方法的实现流程图。详述如下：
44.s11：获取分布式数据系统当前的资源使用率，并判断所述分布式数据系统当前的资源使用率是否达到应灾启动阈值。
45.本实施例中，分布式数据系统为采用hadoop(分布式系统基础架构)搭建的用于进行数据存储和管理的系统。在分布式数据系统中构建有至少一个主节点和多个从节点，其中，主节点用于执行应对数据灾难的工作，从节点则用于存储不同类别的数据。示例性的，请一并参阅图2，图2为本技术实施例提供的一种分布式数据系统的应灾处理方法中分布式数据系统存储数据时的过程流程图。如图2所示，分布式数据系统提供了在线和离线两种数据接入的入口，其中，在线入口直接连接数据库，支持直接从数据库中读取数据，离线入口则支持读取本地csv文件，从该本地csv文件中读取数据，从两个不同的数据接入入口读取得到数据之后，将该两个数据接入入口读取到的数据进行汇总。然后，根据读取到的数据按照设定好的数据类别进行数据分片处理，将数据分割成若干个数据块。进而，将该若干个数据块按照数据类别分别存储到不同的从节点中。
46.在本实施例中，一个节点的资源使用率越高表示该节点越大机率会面临宕机而导致该节点的数据无法使用的数据灾难。在本实施例中，可以通过预先在分布式数据系统中设置一个触发系统执行应灾处理的应灾启动阈值，该应灾启动阈值为表征系统可以正常运行的资源使用率上限基准值。然后通过在分布式数据系统的主节点监听各从节点的资源使用率，将各从节点的资源使用率进行汇总整合获得该分布式数据系统当前的资源使用率。通过将该获得的分布式数据系统当前的资源使用率与系统中预先设置的应灾启动阈值进行比较，判断该获得的分布式数据系统当前的资源使用率是否大于或等于系统中预先设置的应灾启动阈值，若大于，则判断为该分布式数据系统当前的资源使用率是否达到应灾启动阈值。
47.s12：若所述资源使用率达到应灾启动阈值，则采用预设的应灾模型求解出系统应灾需要追加的计算资源用量。
48.本实施例中，预设的应灾模型利用模拟退火算法构建得到，在该应灾模型中，设计有一目标损失函数，该目标损失函数采用交叉熵损失函数，具体如下：
49.l＝
‑
[ylog y^ (1
‑
y)log(1
‑
y^)]
[0050]
其中，y表示为应灾模型的真实输出，y^表示为应灾模型的预测输出。
[0051]
在本实施例中，应灾模型的输入为初始设定的计算资源追加用量，应灾模型的输出为追加计算资源后系统的资源使用率。在应灾模型中，基于输入的计算资源追加用量，迭代目标损失函数，通过令目标损失函数最小化，求解出系统应灾需要追加的计算资源用量。在本实施例中，当应灾模型输出的资源使用率达到系统安全运行的基准值时，表示目标损失函数最小化。
[0052]
s13：根据所述需要追加的计算资源用量对所述分布式数据系统进行资源调度处
理，以使所述分布式数据系统的资源使用率下降至表征系统安全运行的基准值。
[0053]
本实施例中，资源调度处理的方式包括内部调度处理和外部接入处理两种方式。其中：内部调度处理为所述分布式数据系统中从节点与从节点之间的资源调度，外部接入处理为从所述分布式数据系统的外部接入计算资源。即资源调度处理可以是从分布式数据系统内部已有的计算资源进行调度，也可以是从外部追加新的计算资源。在本实施例中，使用内部调度处理的方式时，具体通过计算分布式数据系统中各从节点的计算资源使用情况，将计算资源充足的从节点中的计算资源调度给计算资源不足的从节点，从而实现内部调度。可以理解的是，在进行内部调度处理时，须确保计算资源充足的从节点自身的资源使用率能够稳定在表征系统安全运行的基准值以下，再把富余的计算资源调度给其他从节点。
[0054]
以上可以看出，本实施例提供的分布式数据系统的应灾处理方法通过获取分布式数据系统当前的资源使用率，并判断分布式数据系统当前的资源使用率是否达到应灾启动阈值；若资源使用率达到应灾启动阈值，则采用预设的应灾模型求解出系统应灾需要追加的计算资源用量；根据需要追加的计算资源用量对分布式数据系统进行资源调度处理，以使分布式数据系统的资源使用率下降至表征系统安全运行的基准值。通过预设的应灾模型，在采用hadoop集群技术构建的分布式数据系统中融合退火算法，实现对数据进行分布式存储的同时有效地提高分布式数据系统应对数据灾难以及突发数据丢失的能力，从而在分布式数据系统有突发的数据灾难事件来临时，利用退火算法进行数据灾难的“浇灭”，使得分布式数据系统中集群的资源使用率下降至一个安全的值，以此保证分布式数据系统正常运行。
[0055]
本技术的一些实施例中，请参阅图3，图3为本技术实施例提供的分布式数据系统的应灾处理方法中求解系统应灾需要追加的计算资源用量时的一种方法流程示意图。详细如下：
[0056]
s31：将预设的初始化的计算资源追加用量输入到所述预设的应灾模型中进行迭代处理，获得迭代后的计算资源追加用量；
[0057]
s32：根据所述迭代后的计算资源追加用量，模拟计算所述分布式数据系统在追加计算资源后的资源使用率；
[0058]
s33：判断所述分布式数据系统在追加计算资源后的资源使用率是否低于预设的资源使用率阈值，若是，则将所述迭代后的计算资源追加用量配置为系统应灾需要追加的计算资源用量，否则重新进行迭代处理，直至所述分布式数据系统在追加计算资源后的资源使用率低于预设的资源使用率阈值为止。
[0059]
本实施例中，预设的初始化的计算资源追加用量通过随机设置获得。在本实施例中，可以先通过随机输入一个初始化的计算资源追加用量，然后对该初始化的计算资源追加用量进行随机扰动产生与该初始化的计算资源追加用量相对应的扰动解，分别采用初始化的计算资源追加用量和与该初始化的计算资源追加用量相对应的扰动解计算目标损失函数，获得各自对应的两个函数值，进而通过比对该两个函数值的大小，若采用与该初始化的计算资源追加用量相对应的扰动解计算目标损失函数时获得的函数值小于或等于采用初始化的计算资源追加用量计算目标损失函数时获得的函数值，则接受该扰动解作为此次迭代后的计算资源追加用量。在本实施例中，可以在应灾模型中设置迭代次数阈值，实现通
过多次迭代来获得迭代后的计算资源追加用量。可以理解的是，进行多次迭代时，目标损失函数迭代过程中扰动解被接受后，则在进行下一次迭代时，以该扰动解作为初始解重新进行随机扰动产生该下一次迭代的扰动解。获得迭代后的计算资源追加用量后，根据该迭代后的计算资源追加用量模拟追加到分布式数据系统中，从而模拟计算出该分布式数据系统在追加计算资源后的资源使用率。进而，判断该分布式数据系统在追加计算资源后的资源使用率是否低于预设的资源使用率阈值来确定该迭代后的计算资源追加用量是否能够作为系统应灾需要追加的计算资源用量。在本实施例中，预设的资源使用率阈值表征为系统安全运行的基准值。若根据该迭代后的计算资源追加用量模拟追加计算资源后，该分布式数据系统在追加计算资源后的资源使用率低于预设的资源使用率阈值，则说明该迭代后的计算资源追加用量满足分布式数据系统的应灾需求，此时，可以将迭代后的计算资源追加用量配置为该分布式数据系统应灾需要追加的计算资源用量。
[0060]
本技术的一些实施例中，请参阅图4，图4为本技术实施例提供的分布式数据系统的应灾处理方法中通过迭代获取迭代后的计算资源追加用量时的方法流程示意图，详细如下：
[0061]
s41：将所述预设的初始化的计算资源追加用量作为所述预设的应灾模型中目标损失函数的初始解计算所述目标损失函数，获得第一函数值；
[0062]
s42：按照预设的扰动条件对所述初始解进行扰动处理，获得与所述初始解相对应的若干个扰动解；
[0063]
s43：从所述若干个扰动解中随机选取一个扰动解作为所述预设的应灾模型中目标损失函数的新解计算所述目标损失函数，获得第二函数值；
[0064]
s44：比对所述第一函数值和所述第二函数值，若所述第二函数值小于等于所述第一函数值，则接受所述新解并以所述新解作为初始解对所述目标损失函数进行迭代处理，直至迭代次数达到预设次数阈值为止，获得迭代后的计算资源追加用量。
[0065]
本实施例中，初始化的计算资源追加用量通过随机设置获得。在本实施例中，初始化的计算资源追加用量设置为一个计算资源单位的用量，如100m。获得初始化的计算资源追加用量后，在应灾模型中，可以以该初始化的计算资源追加用量作为初始解计算应灾模型中的目标损失函数，获得一个第一函数值。对于该初始化的计算资源追加用量，可以通过按照预设的扰动条件进行扰动处理，获得与该初始化的计算资源追加用量相对应的扰动解，可以理解的是，该扰动解亦表征为计算资源追加用量。示例性的，假设初始化的计算资源追加用量表示为ω，扰动解表示为ω’，可以设定扰动条件为：ω2‑
ω’>0且ω
’2＝2
‑
ω，基于该扰动条件可以产生有限数量个扰动解。在本实施例中，可以从该有限数量个扰动解中随机选取一个扰动解作为目标损失函数的新解计算该目标损失函数，获得一个第二函数值。获得第一函数值和第二函数值后，通过比对该第一函数值和第二函数值，若第二函数值小于等于第一函数值，则接受该扰动解并以该扰动解作为初始解对目标损失函数进行下一轮的迭代处理。在本实施例中，通过在应灾模型中预先设定一个迭代次数阈值，以实现通过多次迭代，直至迭代次数达到预设次数阈值为止，来获取迭代后的计算资源追加用量。
[0066]
本技术的一些实施例中，请参阅图5，图5为本技术实施例提供的分布式数据系统的应灾处理方法中通过迭代获取迭代后的计算资源追加用量时的另一方法流程示意图，详细如下：
[0067]
s51：根据所述第一函数值和所述第二函数值，按照metropolis准则计算接受所述新解的概率值；
[0068]
s52：将计算获得的所述概率值与预设的概率阈值进行比对，若所述概率值大于预设的概率阈值，则接受所述新解并以所述新解作为初始解对所述目标损失函数进行下一轮的迭代处理，否则不接受所述新解。
[0069]
本实施例中，若第二函数值大于第一函数值，则可以按照metropolis准则判断是否接受该扰动解。具体地，metropolis准则为计算接受该扰动解的概率，即p＝exp(
‑
δt/t)，其中，δt＝第二函数值
‑
第一函数值。若计算概率大于预设阈值时，则接受该扰动解，否则不接受该扰动解，其中，预设阈值为[0,1)区间的随机数。在本实施例中，若按照metropolis准则判断不接受此次选取的扰动解，则重新在此前基于扰动条件产生的其他扰动解中随机选取一个扰动解，以重新对该目标函数进行迭代处理。在本实施例中，为目标损失函数的迭代处理设置迭代次数阈值，当目标损失函数每次迭代并接收扰动解后，判断此时的迭代次数是否达到迭代次数阈值，若达到，则获取该次迭代所接受的扰动解作为迭代后的计算资源追加用量。
[0070]
在本技术的一些实施例中，若迭代后的计算资源追加用量仍未能满足该分布式数据系统的应灾需求，那么，此时还可以返回重新进行迭代处理，直至分布式数据系统在追加计算资源后的资源使用率低于预设的资源使用率阈值为止。示例性的，基于模拟退火算法，按照预设的退火速率降低分布式数据系统的资源使用率并重置迭代次数，使得迭代次数归零，从而基于该分布式数据系统退火后的资源使用率重新进行迭代处理。在本实施例中，设置退火速率λ为小于1的正数，具体的，取值为0.8到0.99之间，以该退火速率缓慢降低分布式数据系统的资源使用率，具体计算公式为：t(n 1)＝λt(n)，n＝1,2,3...。其中，t(n)表示为退火前分布式数据系统的资源使用率，t(n 1)表示为退火后分布式数据系统的资源使用率。当判断分布式数据系统在追加计算资源后的资源使用率未低于预设的资源使用率阈值时，按照该预先设定好的退火速率对该分布式数据系统进行降温处理，然后返回重新迭代，直至所述分布式数据系统在追加计算资源后的资源使用率低于预设的资源使用率阈值为止，以此获取迭代后的计算资源追加用量。
[0071]
可以理解的是，上述实施例中各步骤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，而不应对本技术实施例的实施过程构成任何限定。
[0072]
本技术的一些实施例中，请参阅图6，图6为本技术实施例提供的一种分布式数据系统的应灾处理装置的基本结构框图。本实施例中该装置包括的各单元用于执行上述方法实施例中的各步骤。具体请参阅上述方法实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。如图6所示，分布式数据系统的应灾处理装置包括：判断模块61、计算模块62以及调度模块63。其中：所述判断模块61用于获取分布式数据系统当前的资源使用率，并判断所述分布式数据系统当前的资源使用率是否达到应灾启动阈值。所述计算模块62用于若所述资源使用率达到应灾启动阈值，则采用预设的应灾模型求解出系统应灾需要追加的计算资源用量。所述调度模块63用于根据所述需要追加的计算资源用量对所述分布式数据系统进行资源调度处理，以使所述分布式数据系统的资源使用率下降至表征系统安全运行的基准值。
[0073]
应当理解的是，上述分布式数据系统的应灾处理装置，与上述的分布式数据系统的应灾处理方法一一对应，此处不再赘述。
[0074]
本技术的一些实施例中，请参阅图7，图7为本技术实施例提供的一种电子设备的基本结构框图。如图7所示，该实施例的电子设备7包括：处理器71、存储器72以及存储在所述存储器72中并可在所述处理器71上运行的计算机程序73，例如分布式数据系统的应灾处理方法的程序。处理器71执行所述计算机程序73时实现上述各个分布式数据系统的应灾处理方法各实施例中的步骤。或者，所述处理器71执行所述计算机程序73时实现上述分布式数据系统的应灾处理装置对应的实施例中各模块的功能。具体请参阅实施例中的相关描述，此处不赘述。
[0075]
示例性的，所述计算机程序73可以被分割成一个或多个模块(单元)，所述一个或者多个模块被存储在所述存储器72中，并由所述处理器71执行，以完成本技术。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序73在所述电子设备7中的执行过程。例如，所述计算机程序73可以被分割成判断模块、计算模块以及调度模块，各模块具体功能如上所述。
[0076]
所述电子设备可包括，但不仅限于，处理器71、存储器72。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，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，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0077]
所称处理器71可以是中央处理单元(central processing unit，cpu)，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 specific integrated 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。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。
[0078]
所述存储器72可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器72也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器72还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器72用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器72还可以用于暂时地存储已经输出或者将要输出的数据。
[0079]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0080]
本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。在本实施例中，所述计算机可读存储介质可以是非易失性，也可以是易失性。
[0081]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
[0082]
可以理解的是，本技术实施例可以基于人工智能技术对相关的数据进行获取和处
理。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。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。
[0083]
可以理解的是，本技术实施例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。本技术实施例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技术，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。
[0084]
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0085]
所述集成的模块/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。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0086]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0087]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各
实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。