一种商品购买事件预测方法及装置与流程

1.本技术涉及电子商务技术领域，尤其涉及商品购买事件预测方法及装置。


背景技术：

2.随着电子商务的进一步普及，人们对于线上商品购买的需求与日俱增。目前，各大电商平台可以通过拍摄图像来识别同类商品，并推荐给用户以进行购买，一定程度上增加了商品购买的效率。
3.目前，对于拍照识别商品而言，没有跟用户的个人喜好、消费习惯以及购买记录等挂钩，拍照识别商品往往只是一个单一的功能，没有为不同用户量身定制化一套行之有效的商品推荐手段，增加商品购买的概率。例如，针对教学教具或电子玩具类别的商品而言，不同年龄段适配的教学教具或电子玩具都不同，并且也要充分结合该用户的个人喜好来推荐。而对于普通消费类电子产品或化妆品等，类别更加五花八门，需要从年龄、性别、所在地域、购买记录等综合预测下一次购买的商品类别和品牌，而不仅仅只是拍摄图像后的强相关商品推荐。因此，拍照识别的功能较为单一，拟推荐商品与用户的实际需求匹配度较低，会导致用户复购率低，客单转化率不高。


技术实现要素：

4.本技术实施例提供一种商品购买事件预测方法及装置，用于解决现有技术中拍照识别的功能较为单一导致拟推荐商品与用户的实际需求匹配度较低的问题。
5.本发明实施例提供一种商品购买事件预测方法，包括：
6.采集商品图像，对所述商品图像进行识别，确定所述商品图像中的商品类别；
7.获取用户购买商品的历史信息，基于所述历史信息及所述商品类别，利用人工智能方法对所述购买事件进行预测，预测出所述用户购买所述商品类别的购买概率，其中，所述历史信息包括所述用户购买商品的时间、地域、价格及频次；
8.若所述购买概率大于预设阈值，则向所述用户推荐所述商品类别，以使所述用户对所述商品类别进行查阅并购买。
9.可选地，所述获取用户购买商品的历史信息，基于所述历史信息及所述商品类别，利用人工智能方法对所述购买事件进行预测，包括：
10.利用多维hawkes过程获取所述用户购买商品的历史信息；
11.基于图卷积神经网络将所述历史信息与所述商品类别进行关联，获取关联矩阵；
12.将所述关联矩阵输入循环神经网络模型中，通过所述循环神经网络模型对所述购买事件进行预测。
13.可选地，所述利用多维hawkes过程获取所述用户购买商品的历史信息；基于图卷积神经网络将所述历史信息与所述商品类别进行关联，获取关联矩阵；将所述关联矩阵输入循环神经网络模型中，通过所述循环神经网络模型对所述购买事件进行预测，包括：
14.按照时间序列维度，将用户与历史购买商品组成关联序列；
15.建立关联模型，将所述关联序列输入至所述关联模型，输出所述用户与历史购买商品的特征向量；
16.将所述特征向量输入所述图卷积神经网络，获取图邻接信息；
17.将所述图邻接信息输入至gcn网络，利用所述gcn网络输出历史购买商品与购买时间的时空关联矩阵；
18.将所述历史购买商品与购买时间的时空关联矩阵输入循环神经网络模型，以输出所述商品类别的购买概率。
19.可选地，在将所述特征向量输入所述图卷积神经网络，获取图邻接信息之前，所述方法还包括：
20.构建所述图卷积神经网络，包括：
21.图嵌入阶段，使用双层并联图卷积神经网络来捕获图形空间特征；
22.在傅里叶域中，构建用于捕获图中节点空间特征的滤波器，将所述滤波器遍历图中的每一节点；
23.在获取所述每一节点的空间特征后，通过堆叠多个团卷积层构建图卷积神经网络模型。
24.可选地，对所述商品图像进行识别，确定所述商品图像中的商品类别，包括：
25.对所述商品图像进行几何形态分析和聚类分析处理，识别出所述商品轮廓的拟合数据，确定所述商品轮廓在所述图像上的位置；
26.对所述商品进行轮廓提取，并对所述提取出来的商品进行类型识别；
27.其中，所述对所述商品图像进行几何形态分析和聚类分析处理，识别出所述商品轮廓的拟合数据，包括：
28.对所述商品图像进行二值化处理；
29.对所述二值化处理后的图像进行连通区域扫描；
30.对所述扫描后的连通区域进行轮廓筛选；
31.对所述筛选出的轮廓进行拆分，获取轮廓边界的拟合数据；
32.对所述拟合数据进行最小二乘拟合，确定所述商品轮廓在所述商品图像中的位置；
33.其中，对所述商品进行轮廓提取，并对所述提取出来的商品进行类型识别，包括：
34.建立深度残差网络模型；
35.将所述商品图像输入所述深度残差网络模型端，通过所述深度残差网络依次对所述商品图像进行特征提取、表征增强、目标检测及姿态测量，输出并识别所述商品的目标区域，确定所述商品类别。
36.可选地，在所述通过所述深度残差网络对所述商品图像进行表征增强之前，所述方法还包括：
37.对所述商品图像依次进行亮度提取、全局色调映射、拉普拉斯域融合，并恢复所述商品图像色彩。
38.可选地，所述对所述商品图像依次进行亮度提取、全局色调映射、拉普拉斯域融合，并恢复所述商品图像色彩，包括：
39.将所述商品图像由rgb空间转换到ciexyz空间，分离所述图像的亮度分量；
40.运用reinhard全局色调映射算法对所述商品图像进行全局色调映射，获取三幅压缩后的亮度图像；
41.采用伽马校正算法对所述三幅亮度图像中的过曝区域和过暗区域进行修正；
42.采用双金字塔频域融合算法对所述三幅亮度图像进行融合，输出最终的亮度图像；
43.将所述最终的亮度图像进行图像颜色恢复。
44.可选地，所述采用双金字塔频域融合算法对所述三幅亮度图像进行融合，输出最终的亮度图像，包括：
45.分别计算所述三幅亮度图像的对比度、曝光良好度和边缘信息，作为三种不同的质量测度因子；
46.将所述三种质量测度因子相乘得到权重图像；
47.对所述权重图像进行归一化处理，然后对所述权重图像进行高斯金字塔分解；
48.对所述输入的三幅图像进行拉普拉斯金字塔分解；
49.将所述两次金字塔分解后的图像按照像素分布进行相乘，得到一个新的金字塔；
50.对新的金字塔进行拉普拉斯金字塔重构，获得最后的亮度输出图像。
51.可选地，所述商品类别为教学教具或儿童游戏商品。
52.本发明实施例还提供一种装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
53.本发明实施例提供的方法，基于所述历史信息及所述商品类别，利用人工智能方法对所述购买事件进行预测，具体地，可采用多维霍克斯过程和神经网络进行购买事件预测，从而更好地决定推荐或不推荐该商品类别，实现结合了商品图像识别功能后的个性化商品推荐，增加了商品推荐成功率。
附图说明
54.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
55.图1为一个实施例中商品购买事件预测的流程示意图；
56.图2a为一个实施例中拍摄的过暗商品图像示意图；
57.图2b为一个实施例中拍摄的过曝商品图像示意图；
58.图2c为一个实施例中拍摄的图像处理后的商品图像示意图；
59.图3为一个实施例中图卷积神经网络架构图；
60.图4为一个实施例中装置的硬件组成示意图。
具体实施方式
61.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
62.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。
63.还应当理解，在此本技术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技术。如在本技术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。
64.还应当进一步理解，在本技术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。
65.如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0066]
图1是本发明实施例的其中一个商品购买事件预测的流程图，如图1所示，该方法包括：
[0067]
s101、采集商品图像，对所述商品图像进行识别，确定所述商品图像中的商品类别；
[0068]
在本发明实施例中，可以通过专用的图像采集设备来采集商品图像，例如摄像头、智能终端、物联网设备、工业用的高清摄像设备等，采集商品图像可以是在户外白天或晚上进行商品拍摄，也可以是室内对某一个产品进行拍摄。例如，在户外可以对电动自行车、球鞋等商品进行图像抓拍，并将拍摄的图像上传后端的云服务器，通过云服务器进行后续的图像处理与商品识别。
[0069]
云服务器在获取到商品图像后，对所述商品图像进行识别，确定所述商品图像中的商品类别，具体地，
[0070]
云服务器需要对所述商品图像进行几何形态分析和聚类分析处理，识别出所述商品轮廓的拟合数据，确定所述商品轮廓在所述图像上的位置；在识别出该轮廓后，对所述商品进行轮廓提取，并对所述提取出来的商品进行类型识别。
[0071]
其中，所述对所述商品图像进行几何形态分析和聚类分析处理，识别出所述商品轮廓的拟合数据，包括：
[0072]
s1011、对所述商品图像进行二值化处理；
[0073]
目前图像二值化算法主要包括一下三种，本发明实施例可采用其中任一一种：
[0074]
传统边缘检测二值化算子，常见的边缘检测算子有roberts、sobel、prewitt等，通过导数与微分来计算图像中灰度值变化较大的特征点。特点是速度快，操作简单，易理解。但是需要手动输入阈值才能实现边缘检测，结果的好坏并不能准确衡量，选定的同一参数并不适用于其他图像数据，缺少普适性。
[0075]
全局自适应阈值边缘检测二值化方法，该方法选取图像所有像素中全部灰度值为对象，取平均值为二值化的阈值，将大于阈值的像素定为特征点，其余则为非特征点。对整幅图像选定统一的阈值来进行边缘检测，避免手动输入参数的同时，精度较差，部分特征信息丢失。
[0076]
部分自适应阈值边缘检测二值化方法，类似平面卷积，根据像素点的8邻域块像素
点灰度值分布平均值来确定该像素上的阈值，部分自适应阈值是图像的不同的区域使用不同的阈值，而阈值是对这个区域计算得到的。本发明实施例中，采用了改进的部分自适应阈值边缘检测二值化算法，通过将方形窗口改为环形邻域窗口，根据环形窗口覆盖各像素点的面积占比重新计算像素点灰度值，综合考虑距离加权，使用不同半径环形窗口组合，计算中心像素点阈值。
[0077]
s1012、对所述二值化处理后的图像进行连通区域扫描；
[0078]
连通区域扫描后可得到该区域的轮廓线条、区域的面积、周长等数据。
[0079]
s1013、对所述扫描后的连通区域进行轮廓筛选；
[0080]
对所述扫描后的连通区域进行轮廓筛选，进行轮廓筛选，即对上一步提取的轮廓进行快速几何形态分析，仅保留形似多边形的轮廓，以减少后续步骤的处理时间。具体而言，首先使用局部平均的方法对轮廓线进行一次平滑，然后使用近邻差分法计算轮廓线上每个点的切向量，最后使用分级聚类方法对所有的切向量坐标进行分析，若形成的显著聚类恰好为n个，则认为该轮廓形似n边形(n为正整数)。
[0081]
s1014、对所述筛选出的轮廓进行拆分，获取轮廓边界的拟合数据；
[0082]
基于上一步的聚类分析结果，将n个显著聚类对应的轮廓点坐标提取到n个集合中，对应为n边形n条边的拟合数据。
[0083]
s1015、对所述拟合数据进行最小二乘拟合，确定所述商品轮廓在所述商品图像中的位置。
[0084]
此外，对所述商品进行轮廓提取，并对所述提取出来的商品进行类型识别，具体可以为：
[0085]
s1016、建立深度残差网络模型；
[0086]
s1017、将所述商品图像输入所述深度残差网络模型端，通过所述深度残差网络依次对所述商品图像进行特征提取、表征增强、目标检测及姿态测量，输出并识别所述商品的目标区域，确定所述商品类别。
[0087]
具体地，该深度残差网络对商品图像进行特征点锚定，通过残差深度学习算法获取到多个特征点，并进行直线拟合，获取到商品在图像中的特征信息，并依次进行表征增强、特定目标检测和特定的姿态检测，最终输出该商品的目标区域及相关参数，从而进行商品类别的识别，例如商品类别可以为教学教具或儿童游戏商品。其中，特征提取、表征增强、目标检测及姿态测量属于现有技术，本发明实施例不再累述。
[0088]
此外，在商品图像识别领域，常常会遇到图像拍摄画面导致商品识别有误的问题，例如在户外过暗或过曝的拍摄场景中往往商品识别有误。因此，如果是户外拍摄图像，为了提升更好的商品识别成功率，在所述通过所述深度残差网络对所述商品图像进行表征增强之前，本发明实施例还需要对商品图像进行色调映射调节，以更好地输出高质量的图像，并增加识别成功率。色调映射调节具体方法包括：将所述商品图像依次进行亮度提取、全局色调映射、拉普拉斯域融合，并恢复所述商品图像色彩。其具体过程如下：
[0089]
将所述商品图像由rgb空间转换到ciexyz空间，分离所述图像的亮度分量；
[0090]
首先将hdr图像由rgb空间转换到ciexyz空间，因为该空间中x、y、z三个分量的关联性非常小，这样压缩亮度的动态范围时图像的色度不会受到较大影响。其中，x、z代表图像的色度，亮度分量只与y有关，转换公式如下：
[0091][0092]
运用reinhard全局色调映射算法对所述商品图像进行全局色调映射，获取三幅压缩后的亮度图像；
[0093]
可选地，现有技术分为局部色调映射和全局色调映射两种算法，局部色调映射可以显著提升图像对比度，但是耗时显著增多，且局部映射结果同样面临局部亮度过暗的问题，本发明可采用改进型全局色调映射算法中嵌入快速暗部细节增强/亮度均衡算法。
[0094]
具体地，相对于现有技术中的全局色调映射算法而言，本发明实施例采用全局色调映射方法首先将高曝光部分压缩动态范围，如：
[0095]
l(mask)＝(settedmaxl-thl)*(l(mask)-thl)/(maxl-thl) thl
ꢀꢀ
(2)
[0096]
此外再采用mean函数将对数均值再反对数变换(取指数)，以对亮度进行均衡处理。如
[0097]
meanlw＝exp(mean(ll(:)))
ꢀꢀ
(3)
[0098]
此外，可采用伽马校正算法对所述三幅亮度图像中的过曝区域和过暗区域进行修正；其中，伽马校正算法包括：伽马大于1的伽马校正算法和伽马小于1的伽马校正算法。伽马大于1的伽马校正算法恢复图像过曝光区域的细节、伽马小于1的伽马校正算法提高图像暗区的亮度信息和对比度信息。
[0099]
最后，可采用双金字塔频域融合算法对所述三幅亮度图像进行融合，输出最终的亮度图像；具体地，分别计算所述三幅亮度图像的对比度、曝光良好度和边缘信息，作为三种不同的质量测度因子；将所述三种质量测度因子相乘得到权重图像；对所述权重图像进行归一化处理，然后对所述权重图像进行高斯金字塔分解；对所述输入的三幅图像进行拉普拉斯金字塔分解；将所述两次金字塔分解后的图像按照像素分布进行相乘，得到一个新的金字塔；对新的金字塔进行拉普拉斯金字塔重构，获得最后的亮度输出图像。
[0100]
将所述最终的亮度图像进行图像颜色恢复。
[0101]
图2a是本发明实施例中拍摄的商品图像，该商品是一台学习机，但是由于拍摄进光量问题导致拍摄的图像过暗，图2b则是进光量较高导致拍摄图像过亮，经过上述双金字塔处理后可获得图2c的正常图像。
[0102]
s102、获取用户购买商品的历史信息，基于所述历史信息及所述商品类别，利用人工智能方法对所述购买事件进行预测，预测出所述用户购买所述商品类别的购买概率，其中，所述历史信息包括所述用户购买商品的时间、地域、价格及频次；
[0103]
具体地，s102可以采用多维霍克斯(hawkes)和神经网络进行该过程的预测，具体包括：
[0104]
利用多维hawkes过程获取所述用户购买商品的历史信息；
[0105]
基于图卷积神经网络将所述历史信息与所述商品类别进行关联，获取关联矩阵；
[0106]
将所述关联矩阵输入预先构建的循环神经网络模型中，通过所述循环神经网络模型对所述购买事件进行预测。
[0107]
上述过程具体而言，说明如下：
[0108]
s1021、按照时间序列(time series)维度，将用户与历史购买商品组成关联序列；
[0109]
例如，用户1在t1周期购买的商品为a,b，在t2周期购买的商品为c,d...则该关联序列可以为关联矩阵s，该关联矩阵s可表述时间维度和商品维度的关联关系，s
i,j
＝[item
i,j
,t
i,j
]，item表示商品标识，t表示周期,i,j为正整数，且0《i,j《n。
[0110]
s1022、建立关联模型，将所述关联序列输入至所述关联模型，输出所述用户与历史购买商品的特征向量；
[0111]
在其中一个实施例中，关联模型公式如下：
[0112][0113]
其中f(item,t)为关联模型函数，h(item)和g(t)分别表示商品强度函数和时间强度函数。
[0114]
特征向量包括不限于用户与商品的关联系数/契合度和购买频率等，其中，关联系数/契合度可表示该用户与该商品的关联关系，其数值越高，证明该用户与该商品的关联程度越高，契合度越高，推荐商品的成功率越高。
[0115]
s1023、将所述特征向量输入所述图卷积神经网络，获取图邻接信息；
[0116]
其中，图邻接信息包括用户节点的邻接矩阵及使用svd获取的用户节点特征矩阵。
[0117]
此外，图卷积神经网络的构建阶段包括：
[0118]
图嵌入阶段，使用双层并联图卷积神经网络来捕获图形空间特征；
[0119]
在傅里叶域中，构建用于捕获图中节点空间特征的滤波器，将所述滤波器遍历图中的每一节点；
[0120]
在获取所述每一节点的空间特征后，通过堆叠多个团卷积层构建图卷积神经网络模型。
[0121]
s1024、将所述图邻接信息输入至图卷积神经gcn网络，利用所述gcn网络输出历史购买商品与购买时间的时空关联矩阵；
[0122]
图卷积神经网络(graph convolutional network，gcn)是一种能对图数据进行深度学习的方法。其算法原理为：
[0123]
第一步：发射(send)每一个节点将自身的特征信息经过变换后发送给邻居节点。这一步是在对节点的特征信息进行抽取变换。
[0124]
第二步：接收(receive)每个节点将邻居节点的特征信息聚集起来。这一步是在对节点的局部结构信息进行融合。
[0125]
第三步：变换(transform)把前面的信息聚集之后做非线性变换，增加模型的表达能力。
[0126]
图卷积神经网络具有卷积神经网络的以下性质：
[0127]
1、局部参数共享，算子是适用于每个节点(圆圈代表算子)，处处共享。
[0128]
2、感受域正比于层数，最开始的时候，每个节点包含了直接邻居的信息，再计算第二层时就能把邻居的邻居的信息包含进来，这样参与运算的信息就更多更充分。层数越多，感受域就更广，参与运算的信息就更多。
[0129]
图3是gcn的一个网络架构图，在其中一个实施例中，将图邻接信息输入gcn网络中，输出历史购买商品和购买时间的时空关联矩阵，可包括如下步骤：
[0130]
将图邻接信息输入编码层encoder，encoder编码完成后输入至解码层decoder进
行解码工作，其中encoder和decoder均包括多扩散卷积递归层(diffusion convolutional recurrent layer)及激活函数relu，图邻接信息包括历史购买商品邻接矩阵a和使用svd获取的购买时间邻接矩阵b。
[0131]
在基于谱的图神经网络中，图被假定为无向图，无向图的一种鲁棒数学表示是正则化图拉普拉斯矩阵，即
[0132][0133]
其中，a为图的邻接矩阵，d为对角矩阵且
[0134]dii
＝σj(a
i，j
)
ꢀꢀꢀꢀ
(6)
[0135]
正则化图拉普拉斯矩阵具有实对称半正定的性质。正则化拉普拉斯矩阵可以分解为
[0136][0137]
，其中
[0138][0139]
u是由l的特征向量构成的矩阵，λ是对角矩阵，对角线上的值为l的特征值。正则化拉普拉斯矩阵的特征向量构成了一组正交基。
[0140]
在图信号处理过程中，一个图的信号
[0141]
x∈rnꢀꢀꢀꢀ
(9)
[0142]
是一个由图的各个节点组成的特征向量，xi代表第i个节点。
[0143]
对图x的傅里叶变换由此被定义为
[0144][0145]
傅里叶反变换则为
[0146][0147]
其中为傅里叶变换后的结果。
[0148]
傅里叶变换将输入的图信号投影到正交空间，而这个正交空间的基则是由正则化图拉普拉斯的特征向量构成。
[0149]
转换后得到的信号的元素是新空间中图信号的坐标，因此原来的输入信号可以表示为
[0150][0151]
这是傅里叶反变换的结果。
[0152]
因此定义对输入信号x的图卷积操作：
[0153][0154]
其中，g定义的滤波器；
⊙
表示hadamard product。
[0155]
此外，历史购买商品与购买时间的时空关联矩阵，除了时间维度还包括空间维度，具体而言，包括购买的季节、地域等关联因素。
[0156]
s1025、将所述历史购买商品与购买时间的时空关联矩阵输入循环神经网络模型，以输出所述商品类别的购买概率。
[0157]
循环神经网络(recurrent neural network，rnn)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。rnn之所以能够有效地处理序列数据，得益于其特殊的结构。传统的nn模型结构比较简单：输入层-》隐藏层-》输出层；rnn与传统nn模型最大的区别在于：隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出。
[0158]
循环神经网络模型的预测机制是现有技术，此处略过。
[0159]
s103、若所述购买概率大于预设阈值，则向所述用户推荐所述商品类别，以使所述用户对所述商品类别进行查阅并购买。
[0160]
预设阈值为人为设置，例如80％。
[0161]
本发明实施例提供的方法，基于所述历史信息及所述商品类别，利用人工智能方法对所述购买事件进行预测，具体地，可采用多维霍克斯过程和神经网络进行购买事件预测，从而更好地决定推荐或不推荐该商品类别，实现结合了商品图像识别功能后的个性化商品推荐，增加了商品推荐成功率。
[0162]
本发明实施例还包括一种装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
[0163]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机可执行指令，该计算机可执行指令用于执行上述实施例中的方法。
[0164]
本发明实施例还提供一种装置，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
[0165]
图4为一个实施例中装置的硬件组成示意图。可以理解的是，图4仅仅示出了装置的简化设计。在实际应用中，装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等，而所有可以实现本技术实施例的大数据管理方法的装置都在本技术的保护范围之内。
[0166]
存储器包括但不限于是随机存储记忆体(random access memory，ram)、只读存储器(read至only memory，rom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、或便携式只读存储器(compact disc read至only memory，cd至rom)，该存储器用于相关指令及数据。
[0167]
输入系统用于输入数据和/或信号，以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件，也可以是一个整体的器件。
[0168]
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(central processing unit，cpu)，在处理器是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。处理器还可以包括一个或多个专用处理器，专用处理器可以包括gpu、fpga等，用于进行加速处理。
[0169]
存储器用于存储网络设备的程序代码和数据。
[0170]
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
[0171]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，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系统，或一些特征可以忽略，或不执行。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，系统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。
[0172]
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。
[0173]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该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(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(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。该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成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至only memory，rom)，或随机存储存储器(random access memory，ram)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，dvd)、或者半导体介质，例如，固态硬盘(solid state disk，ssd)等。
[0174]
以上仅为本技术的具体实施方式，但本技术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技术揭露的技术范围内，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技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。