一种数据处理方法、装置及设备与流程

1.本说明书涉及计算机技术领域，尤其涉及一种数据处理方法、装置及设备。


背景技术：

2.自动模式识别或者自动模式发现是指无需人为干扰，机器能自动把具体的样本归类到某一个模式。现有的自动模式发现技术主要是针对结构化的数据，自动指定字符串的模式。但是由于现有的自动模式发现技术，针对的结构化的数据，且假设结构化的数据中不包含嵌套的子结构，把结构化的数据视为最小的原子单位，显然现有技术并不能对键值类型数据进行自动模式发现。此外，现有的自动模式发现技术中，时间消耗通常随着数据长度的增加而呈指数增长，因此，现有技术也不能对长文本数据进行自动模式发现。
3.基于此，需要一种新的方法，能够进行键值类型数据的内部结构的发现，而且能够解决长文本数据的内部结构的发现。


技术实现要素：

4.本说明书实施例提供一种数据处理方法、装置及设备，用于解决以下技术问题：现有的自动模式发现技术，针对的结构化的数据，且假设结构化的数据中不包含嵌套的子结构，把结构化的数据视为最小的原子单位，显然现有技术并不能对键值类型数据进行自动模式发现。此外，现有的自动模式发现技术中，时间消耗通常随着数据长度的增加而呈指数增长，因此，现有技术也不能对长文本数据进行自动模式发现。
5.为解决上述技术问题，本说明书实施例是这样实现的：
6.本说明书实施例提供一种数据处理方法，包括：
7.获取待处理数据；
8.对所述待处理数据进行泛化，获得泛化数据；
9.对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，所述泛化数据的子结构满足预设的数据模式；
10.对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
11.本说明书实施例还提供一种数据处理装置，包括：
12.获取模块，获取待处理数据；
13.泛化模块，对所述待处理数据进行泛化，获得泛化数据；
14.模板抽取模块，对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，所述泛化数据的子结构满足预设的数据模式；
15.模板细化模块，对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
16.本说明书实施例还提供一种电子设备，包括：
17.至少一个处理器；以及，
18.与所述至少一个处理器通信连接的存储器；其中，
19.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
20.获取待处理数据；
21.对所述待处理数据进行泛化，获得泛化数据；
22.对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，所述泛化数据的子结构满足预设的数据模式；
23.对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
24.本说明书实施例通过获取待处理数据；对所述待处理数据进行泛化，获得泛化数据；对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，所述泛化数据的子结构满足预设的数据模式；对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式，能够实现快速进行键值类型数据的数据模式的划分，解决长文本问题，自动生成高准确率和高召回率的数据，且能够节省内存及计算资源。
附图说明
25.为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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。
26.图1为本说明书实施例提供的一种数据处理方法的示意图；
27.图2为本说明书实施例提供的又一种数据处理方法流程图；
28.图3为本说明书实施例提供的一种数据处理方法框架图；
29.图4为本说明书实施例提供的一种数据处理装置的示意图。
具体实施方式
30.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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技术一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
31.正则表达式是一种简洁地指定字符串模式的方法，这种规范可由专用引擎用于从数据流中提取与规范匹配的字符串，是一种可广泛应用于各种应用领域(包括文本处理)的成熟技术，由于其表达能力和灵活性，是一种常用的工具。由于许多实际情况下，相关实体遵循一种基本的语法模式，而这种模式可以用正则表达式来描述，因此，一大类实体提取任务，可以通过正则表达式来处理。然而，构造能够保证给定提取任务的高精度和高召回率的正则表达式是乏味、困难的，并且需要特定的技术技能。
32.现有的自动模式发现技术主要包括：potter wheel，fidex，xsystem。其中，potterwheel是一个开源的方法，能够根据数据自动生成符合数据特征的模式，该方法生成了符合数据要求的正则表达式后再利用最小长度准则进行排序；fidex是一种利用样例生成正则表达式，并利用正则表达式从表格中过滤数据的方法，该方法使用枚举的方法生成
图结构，然后再在图结构上进行剪枝；xsystem是一种从数据库中抽取语义模式的方法，该方法使用分支与合并的方法生成正则表达式。
33.基于此，本说明书实施例提供一种新的方法，图1为本说明书实施例提供的一种数据处理方法的示意图，如图1所示，本说明书实施例提供一种数据处理方法，具体包括如下步骤：
34.步骤s101：获取待处理数据。
35.在本说明书实施例中，待处理数据为键值类型数据。当然，待处理数据也可以为可以生成键值类型数据的数据。若待处理数据为可生成键值类型数据的数据，则需要先将待处理数据进行处理，生成键值类型数据。
36.待处理数据的来源可以为来源于区块链的数据，也可以为其它数据，待处理的数据的来源并不构成对本技术的限定。
37.键值类型数据是以键值对的形式进行存储的。键值存储(key-value store)是一种数据的存储形式，该存储方式具有便于查找、检索高效性，而且能够存储多种不同类型的数据，因此，在数据存储中广泛应用。
38.需要特别说明的是，本说明书实施例中，待处理数据可以为长文本数据。
39.步骤s103：对所述待处理数据进行泛化，获得泛化数据。
40.在本说明书实施例中，所述对所述待处理数据进行泛化，获得泛化数据，具体包括：
41.以所述待处理数据中的每个字符作为泛化树的叶子节点；
42.将所述叶子节点映射到上层的分支节点，实现所述待处理数据中的字符的泛化，获得泛化字符；
43.基于所述待处理数据的泛化字符，采用贪心算法选择最优的泛化等级，获得所述泛化数据。
44.泛化就是吸取两个或多个类的共同点，把它们组合成一个泛华的超类，使子类可以共享超类的属性，关系，和方法。
45.在本说明书实施例中，所述采用贪心算法确认泛化等级，获得所述泛化数据，具体包括：
46.以语义距离作为所述贪心算法的优化测度，选择最优的泛化等级，获得所述泛化数据。
47.贪心算法(又称贪婪算法)是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，算法得到的是在某种意义上的局部最优解。语义距离是一种度量，在本说明书实施例中，语义距离用以衡量泛化树中的叶子节点之间的距离。语义距离、贪心算法、泛化的具体过程，均可以采用现有技术的过程予以实现，在此不再赘述。
48.需要特别说明的是，采用泛化树的方法生成泛化数据，其目的是为了生成正则表达式，该方法相比传统的枚举方法生成正则表达式的方法，能够明显降低运算内存及时间的消耗。
49.步骤s105：对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，所述泛化数据的子结构满足预设的数据模式。
50.在本说明书实施例中，所述模板抽取包括循环结构划分和竖直结构划分，所述对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，具体包括：
51.基于所述泛化数据中的特殊字符及空格进行循环结构划分，和/或基于所述泛化数据所包括的各个数据进行竖直结构划分，获得模板候选集；
52.基于距离最小原则，从所述候选模板候选集中选择子结构，作为所述泛化数据的子结构。
53.在本说明书实施例中，所述基于所述泛化数据中的特殊字符及空格进行循环结构划分，和/或基于所述泛化数据所包括的各个数据进行竖直结构划分，获得模板候选集，具体包括：
54.基于所述泛化数据中的特殊字符集空格进行循环结构划分，计算所述泛化数据中的各个数据之间的循环距离，当所述循环距离小于预设的第一相似度阈值时，将所述循环结构划分获得的子结构作为候选结构加入模板候选集；
55.和/或
56.基于所述泛化数据所包括的各个数据进行竖直结构划分，计算所述泛化数据中的各个数据之间的竖直距离，当所述竖直距离小于预设的第二相似度阈值时，将所述竖直结构划分获得的子结构作为候选结构加入模板候选集。
57.为了进一步理解本说明书实施例提供的循环结构划分及竖直结构划分，下面将结合具体的实施例予以说明。
58.对于循环结构划分，给定一个数据l1＝2012,2013,2014，循环结构切分即在一条数据的内部，根据一些特殊字符或者空格进行划分，l1可被划分为三个部分
[0059][0060]
同样地，给定一系列数据我们使用h(ln)代表数据ln的所有可能的循环结构划分，数据的所有可能划分可以表示为
[0061][0062]
我们还定义了循环距离，循环距离可以表示为
[0063][0064]
算法会枚举数据的所有可能的循环结构划分，计算数据之间的循环距离。当循环距离小于预设的第一相似度阈值时，认为该循环结构属于待处理数据的真正的子结构，将该子结构作为候选结构加入模板候选集。第一相似度阈值的具体数值一般根据业务场景而定。
[0065]
对于竖直结构划分，给定一个数据l1＝jan,2013，l2＝nov,2014。竖直结构切分在数据之间进行，l1与l2可以被切分成两个部分
[0066]
part1＝{jan,nov},part2＝{2013,2014}
[0067]
同样地，给定一系列数据我们使用h(vn)代表数据ln的所有可能的竖直结构划分，数据的所有可能划分可以表示为
[0068][0069]
竖直距离可以表示为
[0070][0071]
算法会枚举数据的所有可能的竖直结构划分，计算数据之间的竖直距离。当竖直距离小于预设的第一相似度阈值时，认为该竖直结构属于待处理数据的真正的子结构，将该子结构作为候选结构加入模板候选集。第二相似度阈值的具体数值一般根据业务场景而定。需要特别说明的是，第一相似度阈值和第二相似度阈值的具体数值可能相同，也可能不同。
[0072]
在本说明书实施例中，所述预设的数据模式为正则表达式结构。若前述步骤获得的泛化数据的子结构不满足正则表达式结构，则需要对待处理数据继续进行泛化、模板抽取的循环操作，直至泛化数据的子结构满足预设的数据模式。对待处理数据继续进行泛化是通过改变泛化等级实现的。
[0073]
步骤s107：对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
[0074]
为了保证较高的准确率及召回率，进一步需要对模板进行细化。
[0075]
在本说明书实施例中，所述对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式，具体包括：
[0076]
对所述泛化数据的子结构中的中间节点细化为叶子节点，获得所述待处理数据的数据模式。
[0077]
在本说明书实施例中，所述对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式，具体包括：
[0078]
基于所述泛化数据的子结构的各个部分，使用统计的方法确定所述泛化数据的子结构的各个部分的频繁单词；
[0079]
将所述频繁单词与非频繁单词构成正则表达式的字母表；
[0080]
基于所述字母表对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
[0081]
需要特别说明的是，基于所述泛化数据的子结构的各个部分，使用统计的方法确定所述泛化数据的子结构的各个部分的频繁单词时，使用统计的方法，统计出来的为各个单词的相对出现频率，出现频率一般会存在级数的差异。一般认为出现频率为10倍以上的单词即可定义为频繁单词。
[0082]
通过模板细化后，能够实现捕获字符级别的特征。
[0083]
由于待处理数据是动态的，通常数据集的大小会随着时间的增长而增长。为了达到节省内存与计算资源的目的，本说明书实施例中，获得待处理数据后，进一步通过增量计算的方法进行数据处理。图2为本说明书实施例提供的又一种数据处理方法流程图，该方法包括：
[0084]
步骤s201：获取待处理数据。
[0085]
步骤s203：将所述待处理数据与上一个时间点的待处理数据进行增量计算，确定所述待处理数据中属于当前时间点的待处理数据。
[0086]
在本说明书实施例中，所述将所述待处理数据与上一个时间点的待处理数据进行增量计算，确定所述待处理数据中属于当前时间点的待处理数据，具体包括：
[0087]
将所述上一个时间点的待处理数据的数据约束状态定义为所述待处理数据的数据提交情况，确定所述待处理数据中属于当前时间点的待处理数据。
[0088]
增量计算是有状态的计算。批量计算里，每一次的输出结果只与本次全量扫进来的数据有关，而且计算是幂等的。增量计算，每批计算结果，是由本批数据和历史批次结果计算出来的，即newvalue＝function(currentbatchvalue,oldvalue)，然后本批计算出来的newvalue会作为oldvalue参与下一批数据的计算中。采用增量计算的方法，能够使得已经经过计算的数据不必再进行计算，从而显著节省内存与计算资源。
[0089]
步骤s205：对所述待处理数据进行泛化，获得泛化数据。
[0090]
步骤s207：对所述泛化数据进行模板抽取，获得所述泛化数据的子结构。
[0091]
步骤s209：若所述泛化数据的子结构不满足预设的数据模式，则对所述待处理数据按照步骤s205及步骤s207进行泛化、模板抽取的循环操作，直至所述泛化数据的子结构满足预设的数据模式。
[0092]
步骤s211：对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
[0093]
为了进一步理解本说明书实施例提供的数据处理方法，本说明书实施例还提供一种数据处理方法框架图，图3为本说明书实施例提供的一种数据处理方法框架图。如图3所示，数据输入后，经过数据泛化，模板抽取后，进一步判断是否具有合适的结构，若不存在预设的数据模式，则继续进行数据泛化、模板抽取，若具有预设的数据模式，则进一步进行模板细化后，进行输出。为了节省内存与计算资源，数据输入后，可以先进行增量计算，而后再进行数据泛化等操作。
[0094]
采用本说明书实施例提供的方法，能够实现快速进行键值类型数据的数据模式的划分，解决长文本问题，自动生成高准确率和高召回率的数据，且能够节省内存及计算资源。
[0095]
上述内容详细说明了一种数据处理方法，与之相应的，本说明书还提供了一种数据处理装置，如图4所示。图4为本说明书实施例提供的一种数据处理装置的示意图，该装置包括：
[0096]
获取模块401，获取待处理数据；
[0097]
泛化模块403，对所述待处理数据进行泛化，获得泛化数据；
[0098]
模板抽取模块405，对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，所述泛化数据的子结构满足预设的数据模式；
[0099]
模板细化模块407，对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
[0100]
进一步地，所述获取待处理数据，进一步包括：
[0101]
增量计算模块409，将所述待处理数据与上一个时间点的待处理数据进行增量计算，确定所述待处理数据中属于当前时间点的待处理数据。
[0102]
进一步地，所述将所述待处理数据与上一个时间点的待处理数据进行增量计算，确定所述待处理数据中属于当前时间点的待处理数据，具体包括：
[0103]
将所述上一个时间点的待处理数据的数据约束状态定义为所述待处理数据的数据提交情况，确定所述待处理数据中属于当前时间点的待处理数据。
[0104]
进一步地，所述对所述待处理数据进行泛化，获得泛化数据，具体包括：
[0105]
以所述待处理数据中的每个字符作为泛化树的叶子节点；
[0106]
将所述叶子节点映射到上层的分支节点，实现所述待处理数据中的字符的泛化，获得泛化字符；
[0107]
基于所述待处理数据的泛化字符，采用贪心算法选择最优的泛化等级，获得所述泛化数据。
[0108]
进一步地，所述采用贪心算法确认泛化等级，获得所述泛化数据，具体包括：
[0109]
以语义距离作为所述贪心算法的优化测度，选择最优的泛化等级，获得所述泛化数据。
[0110]
进一步地，所述模板抽取包括循环结构划分和竖直结构划分，所述对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，具体包括：
[0111]
基于所述泛化数据中的特殊字符及空格进行循环结构划分，和/或基于所述泛化数据所包括的各个数据进行竖直结构划分，获得模板候选集；
[0112]
基于距离最小原则，从所述候选模板候选集中选择子结构，作为所述泛化数据的子结构。
[0113]
进一步地，所述基于所述泛化数据中的特殊字符及空格进行循环结构划分，和/或基于所述泛化数据所包括的各个数据进行竖直结构划分，获得模板候选集，具体包括：
[0114]
基于所述泛化数据中的特殊字符集空格进行循环结构划分，计算所述泛化数据中的各个数据之间的循环距离，当所述循环距离小于预设的第一相似度阈值时，将所述循环结构划分获得的子结构作为候选结构加入模板候选集；
[0115]
和/或
[0116]
基于所述泛化数据所包括的各个数据进行竖直结构划分，计算所述泛化数据中的各个数据之间的竖直距离，当所述竖直距离小于预设的第二相似度阈值时，将所述竖直结构划分获得的子结构作为候选结构加入模板候选集。
[0117]
进一步地，所述预设的数据模式为正则表达式结构，所述对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式，具体包括：
[0118]
对所述泛化数据的子结构中的中间节点细化为叶子节点，获得所述待处理数据的数据模式。
[0119]
进一步地，所述对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式，具体包括：
[0120]
基于所述泛化数据的子结构的各个部分，使用统计的方法确定所述泛化数据的子结构的各个部分的频繁单词；
[0121]
将所述频繁单词与非频繁单词构成正则表达式的字母表；
[0122]
基于所述字母表对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
[0123]
进一步地，所述待处理数据为键值类型数据或者可以转化为键值类型数据的数据。
[0124]
本说明书实施例还提供一种电子设备，包括：
[0125]
至少一个处理器；以及，
[0126]
与所述至少一个处理器通信连接的存储器；其中，
[0127]
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
[0128]
获取待处理数据；
[0129]
对所述待处理数据进行泛化，获得泛化数据；
[0130]
对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，所述泛化数据的子结构满足预设的数据模式；
[0131]
对所述泛化数据的子结构进行模板细化，获得所述待处理数据的数据模式。
[0132]
进一步地，所述获取待处理数据，进一步包括：
[0133]
将所述待处理数据与上一个时间点的待处理数据进行增量计算，确定所述待处理数据中属于当前时间点的待处理数据。
[0134]
进一步地，所述将所述待处理数据与上一个时间点的待处理数据进行增量计算，确定所述待处理数据中属于当前时间点的待处理数据，具体包括：
[0135]
将所述上一个时间点的待处理数据的数据约束状态定义为所述待处理数据的数据提交情况，确定所述待处理数据中属于当前时间点的待处理数据。
[0136]
进一步地，所述对所述待处理数据进行泛化，获得泛化数据，具体包括：
[0137]
以所述待处理数据中的每个字符作为泛化树的叶子节点；
[0138]
将所述叶子节点映射到上层的分支节点，实现所述待处理数据中的字符的泛化，获得泛化字符；
[0139]
基于所述待处理数据的泛化字符，采用贪心算法选择最优的泛化等级，获得所述泛化数据。
[0140]
进一步地，所述采用贪心算法确认泛化等级，获得所述泛化数据，具体包括：
[0141]
以语义距离作为所述贪心算法的优化测度，选择最优的泛化等级，获得所述泛化数据。
[0142]
进一步地，所述模板抽取包括循环结构划分和竖直结构划分，所述对所述泛化数据进行模板抽取，获得所述泛化数据的子结构，具体包括：
[0143]
基于所述泛化数据中的特殊字符及空格进行循环结构划分，和/或基于所述泛化数据所包括的各个数据进行竖直结构划分，获得模板候选集；
[0144]
基于距离最小原则，从所述候选模板候选集中选择子结构，作为所述泛化数据的子结构。
[0145]
进一步地，所述基于所述泛化数据中的特殊字符及空格进行循环结构划分，和/或基于所述泛化数据所包括的各个数据进行竖直结构划分，获得模板候选集，具体包括：
[0146]
基于所述泛化数据中的特殊字符集空格进行循环结构划分，计算所述泛化数据中的各个数据之间的循环距离，当所述循环距离小于预设的第一相似度阈值时，将所述循环结构划分获得的子结构作为候选结构加入模板候选集；
[0147]
和/或
[0148]
基于所述泛化数据所包括的各个数据进行竖直结构划分，计算所述泛化数据中的各个数据之间的竖直距离，当所述竖直距离小于预设的第二相似度阈值时，将所述竖直结构划分获得的子结构作为候选结构加入模板候选集。
language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0160]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0161]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0162]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0163]
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0164]
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0165]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0166]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0167]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0168]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0169]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0170]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0171]
本说明书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说明书，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。
[0172]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0173]
以上所述仅为本说明书实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。