一种残膜回收机防缠绕挑膜装置的制 一种秧草收获机用电力驱动行走机构

运维指标监控模型训练方法、装置及数据滤波方法与流程

2022-04-13 20:08:24 来源:中国专利 TAG:


1.本发明涉及it运维领域,具体而言,涉及一种运维指标监控模型训练方法、装置及数据滤波方法。


背景技术:

2.目前,企业内传统的运维工具,例如zabbix、prometheus、solarwinds等一般基于阈值告警,即告警占用率超过某一阈值后,并且触发一段时间后,通过短信、电话、即时通信接口等方式告知运维人员。这种告警方式集中存在告警的有效性不高,噪声、重复告警数量多的问题。例如以下场景:
3.一些指标短期在监控阈值附件反复波动,容易持续产生大量的重复告警。
4.一些监控指标的劣化速度相当慢,例如内存占用从90%增长至95%需要超过一个月甚至更久的情况,设定监控阈值为90%后会持续产生大量重复告警。
5.上述低价值、甚至无效的告警在本专利统称为噪声告警。总之,大量重复、低价值的告警会严重降低运维人员的敏感度,可能造成遗漏关注关键告警信息。
6.现有技术中虽然也有一些方法可用于告警噪声的抑制,但存在以下不足:
7.1)预测模型事先推定监控指标的函数模型和个别参数取值,经常出现预测结果与监控指标的真实分布不符的情况,用于噪声抑制的效果不佳。
8.2)难以对不同大小时间窗口的监控指标作出有效预测,通常只能够对一定时效内的监控指标进行预测。上述专利授权基于单一时间窗口进行预测,难以同时兼顾短、中、长期的故障的预测能力。例如,一些专利方法在小时级别的数据集上有较好的预测效果,能够预测未来数小时内监控指标的变化趋势,但是对于短时间内劣化严重的监控指标和数天内缓慢劣化的监控指标难以做出有效预测,或预测精度与实际有较大出入。
9.综上,一方面传统的时间序列分析、回归分析等技术,受限于模型能力限制,在预测能力上存在缺陷。另一方面,循环神经网络(lstm\gru)模型虽然在时间序列型数据预测、nlp等领域有着优异的表现,但是it监控预测场景下,却存在着以下问题:
10.一些监控指标的频繁波动,容易对循环神经网络的门控、模型状态造成影响,影响预测精度。例如,服务器启动关闭进程时,cpu、内存等指标在会有频繁的波动,会对传统的循环网络模型产生干扰。
11.大时间窗口下,由于训练数据增大,需要训练的参数量也随之增多,模型训练的耗时增大,不利于生产环境下的快测预测和响应。
12.其次,循环时间网络普遍面临的问题:若采集的样本点间隔时间不等,则预测效果会变得很差。在实际生产中,若发生采集系统的故障等原因,造成数据采集间隔时间不等,则会严重降低预测精度。
13.针对上述的问题,目前尚未提出有效的解决方案。


技术实现要素:

14.本发明实施例提供了一种运维指标监控模型训练方法、装置及数据滤波方法,以至少解决由于现有技术中不能有效降低波动噪声数据对模型的不利影响造成的模型训练效果不佳的技术问题。
15.根据本发明实施例的一个方面,提供了一种运维指标监控模型训练方法,包括:确定第一训练数据集;确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集;基于第二训练数据集对运维指标监控模型进行训练。
16.可选地,确定第一训练数据集包括:确定运维指标监控模型的预测窗口的大小;确定多个样本,以及多个样本中的每个样本对应的采样周期,其中,样本为服务器;确定多个样本中的每个样本对应的采样点,其中,每个样本对应的采样点的数量与预测窗口的大小相同,采样点中包括表示采样时间点的时间戳,以及在采样时间点采样得到的样本的目标运维指标的指标值,目标运维指标为运维指标监控模型监控的指标;确定多个样本中的每个样本对应的标签;确定第一训练数据集中的样本集和标签集,其中,样本集中包括多个样本中的每个样本对应的采样点,标签集中包括多个样本中的每个样本对应的标签。
17.可选地,确定目标滤波器包括:确定空间目标函数,值域目标函数,以及时域目标函数;依据空间目标函数,值域目标函数,以及时域目标函数构建目标滤波器的权重规范项,其中,空间目标函数和权重规范项组成部分中的空间部分为空间核,值域目标函数和权重规范项组成部分中的值域部分为值域核,时域目标函数和权重规范项组成部分中的时域部分为时域核;依据权重规范项,空间目标函数,值域目标函数,以及时域目标函数构建目标滤波器,其中,目标滤波器用于对第一训练数据集进行双边滤波。
18.可选地,目标滤波器用于对第一训练数据集降噪,其中,空间核用于对第一训练数据集中的第一样本降噪,其中,第一样本为第一训练数据集中的样本值方差小于第一预设方差阈值的样本;值域核用于对第一训练数据集中的第二样本降噪,其中,第二样本为第一训练数据集中的样本值方差大于第一预设方差阈值的样本;时域核用于对第一训练数据集中的第三样本降噪,其中,第三样本为第一训练数据集中的采样周期方差大于第二预设方差阈值的样本。
19.可选地,基于目标滤波器对训练数据集进行滤波,得到第二训练数据集包括:确定目标滤波器的滤波步长,其中,滤波步长大于1;按照滤波步长,基于目标滤波器对训练数据集进行降采样,得到第二训练数据集。
20.可选地,基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集包括:确定第一训练数据集中的样本集对应的样本集矩阵,以及第一训练数据集中的样本的标签集对应的标签集矩阵,其中,样本集矩阵中的元素为每个样本对应的采样点,采样点中包括表示采样时间点的时间戳,以及在采样时间点采样得到的样本的目标运维指标的指标值,目标运维指标为运维指标监控模型监控的指标,标签集矩阵中的元素为每个样本对应的标签;将样本集矩阵和标签集矩阵合并为与第一训练数据集对应的第一增广矩阵;基于目标滤波器对第一增广矩阵进行滤波,得到第二增广矩阵,并将第二增广矩阵作为第二训练数据集。
21.根据本发明实施例的另一方面,还提供了一种数据滤波方法,包括:确定训练数据
集;确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;在训练数据集中的样本为第一样本的情况下,基于空间核用于对训练数据集中的第一样本降噪,其中,第一样本为训练数据集中的样本值方差小于第一预设方差阈值的样本;在训练数据集中的样本为第二样本的情况下,基于值域核用于对训练数据集中的第二样本降噪,其中,第二样本为训练数据集中的样本值方差大于第一预设方差阈值的样本;在训练数据集中的样本为第三样本的情况下,基于时域核用于对训练数据集中的第三样本降噪,其中,第三样本为训练数据集中的采样周期方差大于第二预设方差阈值的样本。
22.根据本发明实施例的另一方面,还提供了一种运维指标监控模型训练装置,包括:第一处理模块,用于确定第一训练数据集;第二处理模块,用于确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;过滤模块,用于基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集;训练模块,用于基于第二训练数据集对运维指标监控模型进行训练。
23.根据本发明实施例的另一方面,提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行运维指标监控模型训练方法。
24.根据本发明实施例的另一方面,提供了一种电子设备,电子设备包括处理器,处理器用于运行程序,其中,程序运行时执行运维指标监控模型训练方法。
25.在本发明实施例中,采用确定第一训练数据集;确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集;基于第二训练数据集对运维指标监控模型进行训练的方式,通过构建包含空间核,值域核和时域核的滤波器来对训练数据集进行过滤,达到了有效降低训练数据集中的波动噪声数据的目的,从而实现了提高运维指标监控模型训练效果的技术效果,进而解决了由于现有技术中不能有效降低波动噪声数据对模型的不利影响造成的模型训练效果不佳技术问题。
附图说明
26.此处所说明的附图用来提供对本发明的进一步理解,构成本技术的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
27.图1是根据本发明实施例提供的一种运维指标监控模型训练方法的流程示意图;
28.图2是根据本发明实施例提供的一种数据滤波方法的流程示意图;
29.图3是根据本发明实施例提供的一种运维指标监控模型的结构示意图;
30.图4是根据本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
31.为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
32.需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
33.根据本发明实施例,提供了一种运维指标监控模型训练方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
34.图1是根据本发明实施例的运维指标监控模型训练方法,如图1所示,该方法包括如下步骤:
35.步骤s102,确定第一训练数据集;
36.在本技术的一些实施例中,确定第一训练数据集包括:确定所述运维指标监控模型的预测窗口的大小;确定多个样本,以及所述多个样本中的每个样本对应的采样周期,其中,所述样本为服务器;确定所述多个样本中的每个样本对应的采样点,其中,所述每个样本对应的采样点的数量与所述预测窗口的大小相同,所述采样点中包括表示采样时间点的时间戳,以及在所述采样时间点采样得到的所述样本的目标运维指标的指标值,所述目标运维指标为所述运维指标监控模型监控的指标;确定所述多个样本中的每个样本对应的标签;确定所述第一训练数据集中的样本集和标签集,其中,所述样本集中包括所述多个样本中的每个样本对应的采样点,所述标签集中包括所述多个样本中的每个样本对应的标签。
37.在本技术的一些实施例中,上述第一训练数据集中的样本集和标签集如下:
[0038][0039]
其中上述中样本集x中含有n个样本,每个样本包含m个时间采样周期固定的样本点,即循环神经网络的预测窗口大小为m,y
label
为n个样本的标签。
[0040]
步骤s104,确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;
[0041]
在本技术的一些实施例中,确定目标滤波器包括:确定空间目标函数,值域目标函数,以及时域目标函数;依据所述空间目标函数,所述值域目标函数,以及所述时域目标函数构建所述目标滤波器的权重规范项,其中,所述空间目标函数和所述权重规范项组成部分中的空间部分为所述空间核,所述值域目标函数和所述权重规范项组成部分中的值域部分为所述值域核,所述时域目标函数和所述权重规范项组成部分中的时域部分为所述时域核;依据所述权重规范项,所述空间目标函数,所述值域目标函数,以及所述时域目标函数构建所述目标滤波器,其中,所述目标滤波器用于对所述第一训练数据集进行双边滤波。
[0042]
在本技术的一些实施例中,当预测窗口m较大时,循环神经网络的训练和预测效率下降较为明显,同时短期剧烈波动数据也不利于网络的预测精度,此时需要使用如下式所
述的滤波器对数据进行滤波降噪处理:
[0043][0044][0045]
上式中,σs、σi、σ
t
分别为空间域、值域和时间域,g为高斯函数,w为权重规范项,s为滤波器内滤波元素的集合,j和i为s内元素,j为样本的对应的时间戳。即该滤波器同时基于矩阵距离、样本值差、样本时间差,该滤波器的组成为空间核、值域核和时域核。
[0046]
需要说明的是,在本技术的一些实施例中,g也可以为其他能够消除数据噪声的函数。
[0047]
步骤s106,基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集;
[0048]
在本技术的一些实施例中,所述目标滤波器用于对所述第一训练数据集降噪,其中,所述空间核用于对所述第一训练数据集中的第一样本降噪,其中,所述第一样本为所述第一训练数据集中的样本值方差小于第一预设方差阈值的样本;所述值域核用于对所述第一训练数据集中的第二样本降噪,其中,所述第二样本为所述第一训练数据集中的样本值方差大于第一预设方差阈值的样本;所述时域核用于对所述第一训练数据集中的第三样本降噪,其中,所述第三样本为所述第一训练数据集中的采样周期方差大于第二预设方差阈值的样本。
[0049]
具体地,当滤波器内监控样本值随时间变化不明显时,起作用,这时相当于对样本进行单纯的高斯平滑降噪。当滤波器内监控样本值变化明显时,即监控指标剧烈波动时,起作用,能够保持波动特征,同时平滑噪声影响。当滤波器内样本的采集时间差异较为明显时,即监控样本的时间差异较大时,起作用,能够保持样本在时间维度的差异特征,同时平滑噪声影响。
[0050]
在本技术的一些实施例中,基于所述目标滤波器对所述第一训练数据集进行滤波,得到第二训练数据集包括:确定所述第一训练数据集中的样本集对应的样本集矩阵,以及所述第一训练数据集中的样本的标签集对应的标签集矩阵,其中,所述样本集矩阵中的元素为每个样本对应的采样点,所述采样点中包括表示采样时间点的时间戳,以及在所述采样时间点采样得到的所述样本的目标运维指标的指标值,所述目标运维指标为所述运维指标监控模型监控的指标,所述标签集矩阵中的元素为所述每个样本对应的标签;将所述样本集矩阵和所述标签集矩阵合并为与所述第一训练数据集对应的第一增广矩阵;基于所述目标滤波器对所述第一增广矩阵进行滤波,得到第二增广矩阵,并将所述第二增广矩阵作为所述第二训练数据集。
[0051]
在本技术的一些实施例中,第一训练数据集对应的增广矩阵如下:
[0052][0053]
在本技术的一些实施例中,基于所述目标滤波器对所述训练数据集进行滤波,得
到第二训练数据集包括:确定所述目标滤波器的滤波步长,其中,所述滤波步长大于1;按照所述滤波步长,基于所述目标滤波器对所述训练数据集进行降采样,得到所述第二训练数据集。
[0054]
具体地,还可以使用上述滤波器对增广矩阵进行滤波操作,设定滤波步长为k(k>1),可满足将采样操作,得到矩阵其形式为:
[0055][0056]
式中,m>m

n>n

,即是的降采样结果。使用作为样本集进行it运维指标的预测任务,能够提高预测精度与预测效率。
[0057]
步骤s108,基于第二训练数据集对运维指标监控模型进行训练。
[0058]
在本技术的一些实施例中,上述运维指标监控模型可以为循环神经网络模型。
[0059]
在本技术的一些实施例中,基于所述第二训练数据集对所述运维指标监控模型进行训练包括:确定所述第二训练数据集中的样本集对应的样本集矩阵,以及所述第二训练数据集中的样本的标签集对应的标签集矩阵,其中,所述样本集矩阵中的元素为每个样本对应的采样点,所述采样点中包括表示采样时间点的时间戳,以及在所述采样时间点采样得到的所述样本的目标运维指标的指标值,所述目标运维指标为所述运维指标监控模型监控的指标,所述标签集矩阵中的元素为所述每个样本对应的标签;将所述样本集矩阵和所述标签集矩阵合并为增广矩阵;将所述增广矩阵输入所述运维指标监控模型中进行训练。
[0060]
为了进一步阐述图1中所示的运维指标监控模型训练方法,下面以运维指标为服务器的内存占用率为例,对图1中所示的方法做进一步解释说明。
[0061]
具体地,以预测服务器的内存占用率为例。首先可以使用自制脚本了收集了24小时内的监控数据,采集频率为10秒一次,共计8640条数据。采集数据包括程序所在服务器的内存使用率和时间戳。在该实施例中,每个x包括144个内存监控值,y
label
为x后续的48个内存监控值,从中挑选并划分训练、测试集的个数分别为49个、10个。为保证实验效果,数据集中部分样本点的采集间隔其他样本点并不一致。
[0062]
对于该实施例,滤波器的构造、计算方式如下:
[0063]
其样本矩阵,标签矩阵为:
[0064][0065]
上述中样本集x中含有49个样本,每个样本包含144个时间采样周期固定的样本点,即循环神经网络的预测窗口大小为144,y
label
为49个样本的标签。
[0066]
对于上述样本和标签,合并为增广矩阵
[0067][0068]
设定滤波器的大小为3*3,滤波器的定义为:
[0069][0070][0071]
式中,σs、σi、σ
t
分别为空间域、值域和时间域,g为高斯函数,w为权重规范项,s为滤波器内滤波元素的集合,j和i为s内元素,j为样本的对应的时间戳。即该滤波器同时基于矩阵距离、样本值差、样本时间差,该滤波器的组成为空间核、值域核和时域核。
[0072]
设定步长为3,采用填充padding的方式,则滤波后的样本集为:
[0073][0074]
相比于原数据集,样本量为原矩阵的1/9,有效实现了降采样操作。
[0075]
在本技术的一些实施例中,通过本技术中所提供的方法得到的降采样数据集,在训练循环神经网络gru时,相对于现有技术可以明显提高模型的训练效果。下表为采用不同方式得到的数据集训练循环神经网络时对应的rmse(均方根差),可以看出本技术明显优于现有技术。
[0076][0077]
通过确定第一训练数据集;确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集;基于第二训练数据集对运维指标监控模型进行训练的方式,通过构建包含空间核,值域核和时域核的滤波器来对训练数据集进行过滤,达到了有效降低训练数据集中的波动噪声数据的目的,从而实现了提高运维指标监控模型训练效果的技术效果,进而解决了由于现有技术中不能有效降低波动噪声数据对模型的不利影响造成的模型训练效果不佳技术问题。
[0078]
并且,本技术中还提供了一种适用于循环神经网络模型下,用于it运维监控指标预测的滤波器,能够有效降低波动噪声数据对模型的不利影响(去噪声),同时降低训练时
的参数量(降采样),实现不等间隔采样样本的预测任务,兼顾预测的精度与速度。
[0079]
另外,采用本技术所提供的运维指标监控模型训练方法,相对于现有技术具有以下有益效果:能够有效降低样本噪声,提高预测精度。服务器工作时,进程资源的频繁启停会造成监控指标波动,相当于噪声影响。本专利提出的滤波器能够在保持样本波动、时间特征的情况下,最大限度降低噪声影响。能够有效降采样,提高预测效能。设定滤波器的步长大于1,能够实现降采样操作,同时保证预测精度不损失过多。能够提高循环神经网络模型在非等间隔时间样本下的预测精度,在滤波器中引入时域核,能够保留样本因采集时间变化带来的差异。
[0080]
根据本发明实施例,提供了一种数据过滤方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
[0081]
图2是根据本发明实施例的数据过滤方法,如图2所示,该方法包括如下步骤:
[0082]
步骤s202,确定训练数据集;
[0083]
步骤s204,确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;
[0084]
步骤s206,在训练数据集中的样本为第一样本的情况下,基于空间核用于对训练数据集中的第一样本降噪,其中,第一样本为训练数据集中的样本值方差小于第一预设方差阈值的样本;
[0085]
步骤s208,在训练数据集中的样本为第二样本的情况下,基于值域核用于对训练数据集中的第二样本降噪,其中,第二样本为训练数据集中的样本值方差大于第一预设方差阈值的样本;
[0086]
步骤s210,在训练数据集中的样本为第三样本的情况下,基于时域核用于对训练数据集中的第三样本降噪,其中,第三样本为训练数据集中的采样周期方差大于第二预设方差阈值的样本。
[0087]
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
[0088]
根据本发明实施例,提供了一种运维指标监控模型训练装置的装置实施例。图3是根据本发明实施例提供的运维植保监控模型训练装置,如图3所示,该装置包括:第一处理模块30,用于确定第一训练数据集;第二处理模块32,用于确定目标滤波器,其中,所述目标滤波器中包括空间核,值域核和时域核;过滤模块34,用于基于所述目标滤波器对所述第一训练数据集进行滤波,得到第二训练数据集;训练模块36,用于基于所述第二训练数据集对所述运维指标监控模型进行训练。
[0089]
根据本发明实施例,提供了一种非易失性存储介质的实施例。非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行如下运维指标监控模型训练方法:确定第一训练数据集;确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集;基于第二训练数据集对运维指标监控模型进行训练。
[0090]
根据本发明实施例,提供了一种电子设备的实施例。电子设备包括处理器,处理器用于运行程序,其中,在程序运行时执行如下运维指标监控模型训练方法:确定第一训练数据集;确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;基于目标滤波器
对第一训练数据集进行滤波,得到第二训练数据集;基于第二训练数据集对运维指标监控模型进行训练。
[0091]
根据本发明实施例,还提供了一种计算机终端的实施例。图4是根据本发明实施例示出的一种计算机设备400的结构示意图。
[0092]
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器404,上述指令可由装置400的处理器402执行以完成以下运维指标监控模型训练方法:确定第一训练数据集;确定目标滤波器,其中,目标滤波器中包括空间核,值域核和时域核;基于目标滤波器对第一训练数据集进行滤波,得到第二训练数据集;基于第二训练数据集对运维指标监控模型进行训练。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0093]
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
[0094]
在本技术所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以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。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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
[0095]
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。
[0096]
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。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。
[0097]
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(可为个人计算机、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、只读存储器(rom,read-only memory)、随机存取存储器(ram,random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0098]
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,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。
再多了解一些

本文用于企业家、创业者技术爱好者查询,结果仅供参考。

发表评论 共有条评论
用户名: 密码:
验证码: 匿名发表

相关文献