一种基于有向图的无监督P2P流量识别方法及系统

一种基于有向图的无监督p2p流量识别方法及系统
技术领域
1.本发明涉及网络流量分析技术领域，尤其是一种基于有向图的无监督p2p流量识别方法及系统。


背景技术：

2.近些年来，p2p类型的网络流量占据的比例越来越高，在文件共享、流媒体、游戏等领域被广泛运用，占据了网络流量带宽的主要部分，使得传统客户端-服务器架构的应用程序的性能下降，也让互联网服务提供商难以高效的提供公平的网络使用环境。
3.现有的p2p流量识别技术主要有：端口号匹配，流量负载检测，基于流量特征的启发式学习方法或机器学习方法等，但是，随着越来越多的p2p应用支持随机端口与流量加密，端口号匹配与流量负载检测的方法已经不再适用新的p2p流量，基于流量特征的启发式学习方法或机器学习方法需要大量有标注的网络流量才能得到算法模型，而公网数据包因隐私保护无法获得数据包负载，自行采集则难免缺乏多样性，也无法采集到核心网络中的网络流量。


技术实现要素：

4.有鉴于此，本发明实施例提供一种基于有向图的无监督p2p流量识别方法及系统，能够避免使用数据包的负载，且无需对流量进行标注，即可对p2p网络流量进行识别，为互联网服务提供商提供新的p2p流量识别方法，为企业管理p2p流量提供新途径。
5.本发明实施例的第一方面提供了一种基于有向图的无监督p2p流量识别方法，包括：
6.获取目标时间段的原始网络流量，统计得到网络会话信息；
7.根据所述网络会话信息，统计节点之间的连接信息得到有向特征图；
8.根据所述有向特征图，训练无监督模型得到节点嵌入集；
9.根据所述节点嵌入集，结合无监督机器学习算法确定节点类型；
10.根据所述节点类型，确定p2p网络流量。
11.可选地，所述根据所述网络会话信息，统计节点之间的连接信息得到有向特征图，包括：
12.根据网络流量包含的数据包的头部信息构建有向特征图；
13.根据所述有向特征图构建有向边上的特征向量。
14.可选地，所述根据网络流量包含的数据包的头部信息构建有向特征图，包括：
15.构建有向特征图的数学模型，有向特征图的表达式为：
16.g＝{v,e}，
17.其中，v表示节点集合，且v＝{v1,v2,v3,...,vn}，|v|＝n，n表示节点的数量，vi(i＝1,2,3,...,n)表示第i个节点；e表示边集合，且e
ij
表示第i个节点指向第j个节点的有向边上的特征向量。
18.可选地，所述根据所述有向特征图构建有向边上的特征向量，包括：
19.根据特征向量元素构建有向边上的特征向量，所述特征向量元素包括采样标记、会话数量、数据包数量和传输字节数量；
20.确定所述有向特征图的每个元素与所述特征向量的关系。
21.可选地，所述根据所述有向特征图，训练无监督模型得到节点嵌入集，包括：
22.将所述有向特征图作为无监督模型的模型输入；
23.根据均值聚合的方法聚合节点特征，训练得到生成节点嵌入的无监督模型；
24.根据所述生成节点嵌入的无监督模型得到节点嵌入集。
25.可选地，所述根据均值聚合的方法聚合节点特征，训练得到生成节点嵌入的无监督模型，包括：
26.构建节点特征聚合的数学模型，节点特征聚合的表达式为：
[0027][0028][0029]
其中，表示节点节点vi在第k层聚合时，通过无监督模型计算得到的嵌入向量，且且v表示节点集合；mean表示特征向量在不同维度上相应的平均值的计算函数；a
vu
表示有向特征图中节点v到节点u的特征向量，sample_flag表示特征向量中的采样标记；σ表示激活函数，且x表示激活函数的输入；wk表示无监督模型的权重参数；concat表示合并特征向量函数；n(v)表示节点v的邻居节点集合。
[0030]
可选地，所述根据所述节点嵌入集，结合无监督机器学习算法确定节点类型，包括：
[0031]
根据所述无监督机器学习算法对节点进行特征聚类；
[0032]
根据所述特征聚类，确定聚类数据；
[0033]
根据节点嵌入之间的相似性，结合所述聚类数据确定节点类型。
[0034]
可选地，所述确定聚类数据，包括以下至少之一：
[0035]
确定各类别的节点数量；
[0036]
确定节点到类中心的平均距离；
[0037]
确定节点特征的平均模值。
[0038]
可选地，所述根据节点嵌入之间的相似性，结合所述聚类数据确定节点类型，包括：
[0039]
根据节点嵌入之间的相似性，结合所述聚类数据将节点分为p2p节点和non-p2p节点。
[0040]
本发明实施例第二方面提供了一种基于有向图的无监督p2p流量识别系统，包括：
[0041]
第一模块，用于获取目标时间段的原始网络流量，统计得到网络会话信息；
[0042]
第二模块，用于根据所述网络会话信息，统计节点之间的连接信息得到有向特征图；
[0043]
第三模块，用于根据所述有向特征图，训练无监督模型得到节点嵌入集；
[0044]
第四模块，用于根据所述节点嵌入集，结合无监督机器学习算法确定节点类型；
[0045]
第五模块，用于根据所述节点类型，确定p2p网络流量。
[0046]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0047]
本发明实施例通过获取目标时间段的原始网络流量，统计得到网络会话信息；随后根据所述网络会话信息，统计节点之间的连接信息得到有向特征图，能够避免使用数据包负载，对流量数据进行统计，构造出一个和邻接矩阵表示方式类似的有向的特征图；之后根据所述有向特征图，训练无监督模型得到节点嵌入集；然后根据所述节点嵌入集，结合无监督机器学习算法确定节点类型，利用无监督模型对邻居节点特征的聚合能力，区分并确定节点类型；最终根据所述节点类型，确定p2p网络流量。本发明实施例将p2p流量识别的任务提升为对节点类别的识别，同时采用无监督算法，大大降低p2p流量识别对流量标注的依赖性。
附图说明
[0048]
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的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1为本发明实施例提供的基于有向图的无监督p2p流量识别方法的流程示意图；
[0050]
图2为本发明实施例提供的p2p流量与non-p2p流量传输模式的示意图；
[0051]
图3为本发明具体实施例提供的整体流程示意图。
具体实施方式
[0052]
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用以解释本技术，并不用于限定本技术。
[0053]
下面结合说明书附图，对本发明的方法的实现原理进行详细说明：
[0054]
本发明实施例提供了一种基于有向图的无监督p2p流量识别方法，图1所示为本发明实施例提供的基于有向图的无监督p2p流量识别方法的流程示意图，方法包括：
[0055]
获取目标时间段的原始网络流量，统计得到网络会话信息；
[0056]
根据网络会话信息，统计节点之间的连接信息得到有向特征图；
[0057]
根据有向特征图，训练无监督模型得到节点嵌入集；
[0058]
根据节点嵌入集，结合无监督机器学习算法确定节点类型；
[0059]
根据节点类型，确定p2p网络流量。
[0060]
在一些实施例中，根据网络会话信息，统计节点之间的连接信息得到有向特征图，包括：
[0061]
根据网络流量包含的数据包的头部信息构建有向特征图；
[0062]
根据有向特征图构建有向边上的特征向量。
[0063]
在一些实施例中，根据网络流量包含的数据包的头部信息构建有向特征图，包括：
[0064]
构建有向特征图的数学模型，有向特征图的表达式为：
[0065]
g＝{v,e}，
[0066]
其中，v表示节点集合，且v＝{v1,v2,v3,...,vn}，|v|＝n，n表示节点的数量，vi(i＝1,2,3,...,n)表示第i个节点；e表示边集合，且e
ij
表示第i个节点指向第j个节点的有向边上的特征向量。
[0067]
需要说明的是，当存在节点i发送至节点j的数据包时，e
ij
存在，用于表征节点i到节点j的流量特征。
[0068]
在一些实施例中，根据有向特征图构建有向边上的特征向量，包括：
[0069]
根据特征向量元素构建有向边上的特征向量，特征向量元素包括采样标记、会话数量、数据包数量和传输字节数量；
[0070]
确定有向特征图的每个元素与所述特征向量的关系。
[0071]
具体地，采样标记的取值为0或1，其余元素的取值为非负正整数。若节点i和节点j之间存在udp连接，且存在节点i向节点j发送的udp包，则e
ij
的采样标记位为1；若节点i和节点j之间只存在tcp连接，且第一次发起连接时为节点i向节点j发起连接，则e
ij
的采样标记位为1；其余状况的e
ij
的采样标记位为0，采样标记可以表征是否存在源节点向目的节点的主动连接。e
ij
的会话数量的值等于在采集的时间段内，节点i和节点j之间的会话的数量。e
ij
的数据包数量的值等于节点i向节点j发送的数据包的数量。e
ij
的传输字节数量的值等于节点i向节点j发送的总的字节数。最终特征向量e
ij
为(采用标记，会话数量，数据包数量，传输字节数量)。
[0072]
所有的e
ij
可以构成一个邻接矩阵，该邻接矩阵的每一个元素就是一个特征向量，当e
ij
不存在时，元素的值为零向量，称这个由特征向量构成的邻接矩阵为特征图，记为a。特征图a的每个元素a
ij
与特征向量e
ij
的关系：
[0073][0074]
在一些实施例中，根据有向特征图，训练无监督模型得到节点嵌入集，包括：
[0075]
将有向特征图作为无监督模型的模型输入；
[0076]
根据均值聚合的方法聚合节点特征，训练得到生成节点嵌入的无监督模型；
[0077]
根据生成节点嵌入的无监督模型得到节点嵌入集。
[0078]
在一些实施例中，根据均值聚合的方法聚合节点特征，训练得到生成节点嵌入的无监督模型，包括：
[0079]
构建节点特征聚合的数学模型，节点特征聚合的表达式为：
[0080][0081][0082]
其中，表示节点节点vi在第k层聚合时，通过无监督模型计算得到的嵌入向量，
且且v表示节点集合；mean表示特征向量在不同维度上相应的平均值的计算函数；a
vu
表示有向特征图中节点v到节点u的特征向量，sample_flag表示特征向量中的采样标记；σ表示激活函数，且x表示激活函数的输入；wk表示无监督模型的权重参数；concat表示合并特征向量函数；n(v)表示节点v的邻居节点集合。
[0083]
具体地，通过上述过程，不断迭代、训练，得到生成节点嵌入的无监督模型。
[0084]
在一些实施例中，根据节点嵌入集，结合无监督机器学习算法确定节点类型，包括：
[0085]
根据无监督机器学习算法对节点进行特征聚类；
[0086]
根据特征聚类，确定聚类数据；
[0087]
根据节点嵌入之间的相似性，结合聚类数据确定节点类型。
[0088]
在一些实施例中，确定聚类数据，包括以下至少之一：
[0089]
确定各类别的节点数量；
[0090]
确定节点到类中心的平均距离；
[0091]
确定节点特征的平均模值。
[0092]
在一些实施例中，根据节点嵌入之间的相似性，结合聚类数据确定节点类型，包括：
[0093]
根据节点嵌入之间的相似性，结合聚类数据将节点分为p2p节点和non-p2p节点。
[0094]
需要说明的是，在同一个p2p覆盖网络中，由于节点之间通常有双向连接，经过特征聚合之后，同一个覆盖网络的节点之间的聚类分析距离通常较短。相对的，不含p2p流量的节点之间，由于与服务器之间的连接一般是单向的，特征聚合过程被服务器节点隔断，因此节点之间的距离一般较远，在聚类完后有更大概率被分类到不同的类别中。此外，p2p节点的特征向量中，通常会有若干个分量数值较大，导致p2p节点的特征向量的模值(向量的长度)一般较非p2p节点的模值更大。因此，可以计算每个类别中的节点数量、节点到类中心的平均距离、节点特征的平均模值来进一步区分是否为p2p节点。再依据分析中得到的经验数据，设置阈值，最终将节点分为两大类别，并得到若干个聚类中心，其中一个节点类别为p2p，另一个节点类别为non-p2p，即非p2p节点。其中p2p节点的含义是产生了p2p流量的节点，而non-p2p节点是指没有产生p2p流量的节点。基于节点的类型，可以将p2p类型的节点之间的所有流量标记为p2p流量；p2p类型节点和non-p2p类型节点之间，以及non-p2p类型节点之间的流量标记为non-p2p流量。最终达到无需样本标签，无监督地识别p2p网络流量的目的。
[0095]
在一些具体的实施例中，本发明首先使用某一时间段内通过核心网络中的路由器的网络流量，统计网络会话信息，以一个ip作为一个节点，对节点之间的连接信息进行统计，形成有向的特征图；随后将有向的特征图作为无监督graphsage模型的输入，使用无监督graphsage算法学习节点embedding的生成模型，并最终得到各节点的embedding；最终将网络中各个节点的embedding作为无监督分类机器学习算法的输入，依据节点embedding之间的相似性，以及每个类别中的节点数量、节点到类中心的平均距离、节点特征的平均模值，将节点分类成p2p节点和non-p2p节点两大类，得到若干个聚类中心。从而依据节点类型有效识别p2p网络流量。实现本发明上述的方法实施例具体包括：
[0096]
1)统计节点间信息，构建有向特征图：
[0097]
1.1)构建有向特征图
[0098]
在拟进行p2p流量识别的时间段内，使用在位于网络中心位置的路由器上采集到的网络流量，使用所述网络流量所包含的数据包的头部信息来构建有向图，而无需使用数据包的负载部分。以一个ip为一个节点，构建有向图g＝{v,e},其中v＝{v1,v2,v3,...,vn}，|v|＝n，n即为所述网络流量中出现的不同ip的数量，vi(i＝1,2,3,...,n)代表的是第i个ip，e
ij
代表的是第i个ip指向第j个ip的有向边上的特征向量。当存在节点i发送至节点j的数据包时，e
ij
存在，用于表征节点i到节点j的流量特征。参照图2，如图2所示的web服务器，节点a，b，c，d，e组成了节点集合v，其中的连边组成连边集合e。
[0099]
1.2)构造有向边上的特征向量
[0100]
有向边上的特征向量的元素包含：采样标记(sample_flag)，会话数量(s_count)，数据包数量(p_count)，传输字节数量(b_count)。其中采样标记的取值为0或1，其余元素的取值为非负正整数。若节点i和节点j之间存在udp连接，且存在节点i向节点j发送的udp包，则e
ij
的采样标记位为1；若节点i和节点j之间只存在tcp连接，且第一次发起连接时为节点i向节点j发起连接，则e
ij
的采样标记位为1；其余状况的e
ij
的采样标记位为0，采样标记可以表征是否存在源节点向目的节点的主动连接。e
ij
的会话数量的值等于在采集的时间段内，节点i和节点j之间的会话的数量。e
ij
的数据包数量的值等于节点i向节点j发送的数据包的数量。e
ij
的传输字节数量的值等于节点i向节点j发送的总的字节数。最终特征向量e
ij
为(sample_flag，s_count，p_count，b_count)。
[0101]
参照图2，由于web服务器一般不具有主动向客户端发起的连接，而只存在客户端向web服务器发起的连接，所以节点a，b，c，e指向web服务器的连边上的特征向量的采样标记为1，相反方向为0，可以用指向web服务器的单向边表示。相反的，如果两个节点之间，存在两个方向的主动连接，则可以用双向边表示。
[0102]
所有的e
ij
可以构成一个邻接矩阵，该邻接矩阵的每一个元素就是一个特征向量，当e
ij
不存在时，元素的值为零向量，称这个由特征向量构成的邻接矩阵为特征图，记为a。特征图a的每个元素a
ij
与特征向量e
ij
的关系：
[0103][0104]
2)无监督graphsage模型的训练：
[0105]
将步骤1)构建的有向特征图作为无监督graphsage模型的输入，每个节点的特征使用均值聚合的方法聚合特征。在训练开始时，各节点的embedding初始化为0向量。聚合节点特征时的聚合深度k＝2。在聚合节点特征时，节点特征的表示由起始节点指向目的节点的有向边上的特征表示，当进行第k层聚合时(k＝1或2)，对节点v进行聚合计算时的公式：
[0106][0107][0108]
[0109]
其中，表示节点节点vi在第k层聚合时，通过无监督graphsage模型计算得到的embedding向量，v表示节点集合；mean函数表示在特征向量的不同维度上求相应的平均值；a
vu
为特征图中表示节点v到节点u的特征向量；sample_flag是特征向量中的采样标记；concat函数表示合并特征向量；σ表示激活函数；wk为无监督graphsage模型的权重参数；n(v)表示节点v的邻居节点集合。
[0110]
其中σ激活函数为sigmoid函数，对应的表达式：
[0111][0112]
其中，x表示激活函数的输入；
[0113]
通过以上过程，不断迭代、训练，得到生成网络节点embedding的无监督graphsage模型。需要注意的是，上述过程区别于原本的graphsage模型的训练过程。一般地，第一次提出的graphsage模型在训练时，边不具有特征，特征只在节点上。而在本实施例中，初始状态下的节点不具有特征，特征只存在有向边上。
[0114]
参照图2，a，c，d节点可以彼此聚合节点特征，因为p2p覆盖网络中，尤其对于文件下载型p2p网络，同一覆盖网络中的节点因为有相同的文件下载需求，两两节点之间存在双向连接是一种典型现象。即使a节点属于p2p节点，它也存在与web服务器的连接，a节点能聚合web服务器的特征。但是，即使graphsage模型的聚合深度为2，a节点也不能聚合b节点的特征，因为不存在web服务器指向b节点的有向边。更一般地说，边的方向是允许进行邻居采样的方向。
[0115]
3)使用无监督机器学习算法识别p2p流量：
[0116]
将步骤2)得到的各节点的embedding作为自适应k-means算法的输入。通过自适应k-means算法的不断迭代训练，最终得到若干个节点类别。在同一个p2p覆盖网络中，由于节点之间通常有双向连接，经过特征聚合之后，同一个覆盖网络的节点之间的聚类分析距离通常较短。相对的，不含p2p流量的节点之间，由于与服务器之间的连接一般是单向的，特征聚合过程被服务器节点隔断，因此节点之间的距离一般较远，在聚类完后有更大概率被分类到不同的类别中。此外，p2p节点的特征向量中，通常会有若干个分量数值较大，具体地，用于语音通话或视频通话的p2p流量往往数据包较小但产生的数据包数量较多，因此特征向量中的数据包数量的分量数值较大；用于文件传输的p2p流量由于有大量数据传输的需求，因此特征向量中传输字节数量的分量数值较大。相反的，传统客户端-服务器架构的流量通常不具有这样的特性。这导致p2p节点的特征向量的模值(向量的长度)一般较非p2p节点的模值更大。
[0117]
因此，可以计算每个类别中的节点数量、节点到类中心的平均距离、节点特征的平均模值来进一步区分是否为p2p节点。再依据分析中得到的经验数据，设置阈值，最终将节点分为两大类别，并得到若干个聚类中心，其中一个节点类别为p2p，另一个节点类别为non-p2p，即非p2p节点。其中p2p节点的含义是产生了p2p流量的节点，而non-p2p节点是指没有产生p2p流量的节点。
[0118]
参照如2，如图2所示，其中的节点a，c，d构成了一个p2p覆盖网络，在自适应k-means算法中，这一覆盖网络会高概率地被分类成一个类别。p2p覆盖网络通常会有多个，以文件下载型p2p为例，通常有相同文件下载需求的节点会在同一覆盖网络中，没有相同文件
下载需求的节点，一般会在不同的p2p覆盖网络中。由于p2p文件下载通常有相同的特点，如传输的数据包较多，传输字节数量较大，这些特征就可以被用于后续的分类，最终将节点分为p2p和non-p2p两类。
[0119]
需要注意的是，实际应用场景中，往往有许多与节点a，c类似的混合节点，同时运行有p2p流量和非p2p流量。本发明将会把这类节点分类为p2p节点，而后将p2p类型的节点之间的所有流量标记为p2p流量；p2p类型节点和non-p2p类型节点之间，以及non-p2p类型节点之间的流量标记为non-p2p流量。
[0120]
在对新的网络流量做p2p流量识别时，只需进行步骤1)和步骤2)得到节点的特征向量，然后与步骤3)中已经得到的聚类中心做距离计算，将节点归属于距离更近的聚类中心就可以完成节点类别的判断。
[0121]
上述实施例的实施流程整体是线性的，并且流程呈模块化，其中的模块可以被替换为相似功能的模块以适应具体问题与应用场景，整体过程如图3所示。
[0122]
在一些实施例中，还可以将本发明的节点的识别结果用于p2p流量的限速，可以在企业网内，也可以在城际网、骨干网；利用僵尸网络具有的p2p网络的性质，将本方法应用于僵尸网络发现，作为网络安全防御的一种手段；在多个时间点应用本方法，将识别结果组合成时间序列，探究p2p覆盖网络或僵尸网络的特征，分析发展过程与趋势；更改步骤3)算法的参数或是依据具体场景将算法更改为其他无监督分类算法。
[0123]
本发明实施例提供了一种基于有向图的无监督p2p流量识别系统，包括：
[0124]
第一模块，用于获取目标时间段的原始网络流量，统计得到网络会话信息；
[0125]
第二模块，用于根据网络会话信息，统计节点之间的连接信息得到有向特征图；
[0126]
第三模块，用于根据有向特征图，训练无监督模型得到节点嵌入集；
[0127]
第四模块，用于根据节点嵌入集，结合无监督机器学习算法确定节点类型；
[0128]
第五模块，用于根据节点类型，确定p2p网络流量。
[0129]
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
[0130]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法。
[0131]
综上所述，相较于现有技术，本发明针对具有以下有益效果：
[0132]
1.传统p2p流量识别技术使用的特征维度较低，一般以网络数据包或会话为单位进行分析。本发明通过使用节点之间的连接模式对节点类型进行分类，进而达到p2p流量识别的目的，降低了数据的特征维度和处理难度；
[0133]
2.传统流量识别视野比较局限，使用的方法有限。本发明将流量识别的视野放在网络整体的连接上，使用了深度图学习算法graphsage，利用其对邻居节点特征的聚合能力，从网络的全局视野先识别节点类别，再利用节点类别实现流量识别，为网络流量识别提供了创新的发展方向；
[0134]
3.传统流量识别需要大量标注的流量样本，从有标注的样本中得出启发式识别算法或是使用有监督的算法过程识别流量。本发明巧妙利用graphsage模型，p2p网络的连接
模式和p2p流量的特征，采用无监督深度图学习算法和无监督机器学习算法识别网络流量，极大降低了对样本标注的依赖，更自动化，智能化，减少了人工干预。
[0135]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0136]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0137]
所述功能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)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0138]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0139]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0140]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件
或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0141]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0142]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0143]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。