一种批量业务处理方法、装置、设备及存储介质与流程

1.本发明涉及银行业务系统技术领域，尤其涉及一种批量业务处理方法、装置、设备及存储介质。


背景技术：

2.随着商业银行业务规模的快速增长，银行系统后台批处理程序的数量、逻辑复杂度与关联度也日趋增加，对各批量运行情况的监控也变得越来越复杂。业务系统批量由多个批量组成，每个批量完成一类业务数据处理，一个批量由多个作业节点组成，每个作业节点完成批量中的一个步骤，节点之间具有前后序关系，当前序节点执行完毕，后序节点开始执行。如果中间节点批量运行超时、提前结束或失败，会影响整个业务系统批量的运行。
3.现有技术中主要借助人工配置阈值的方式实现对各个批量的用时监控，由于商业银行系统数量众多，各个系统批量关系错综复杂，具有复杂关联关系，采用人工配置阈值的方式操作较为困难，同时缺乏针对性以及时效性。


技术实现要素：

4.本发明提供了一种批量业务处理方法、装置、设备及存储介质，以达到自动的设置批量业务节点运行阈值时间，进而提高批量业务节点运行异常检测准确性的目的。
5.根据本发明的一方面，提供了一种批量业务处理方法，包括：
6.采用时间序列模型，预测当前批量业务节点运行完毕时的运行预测时长；
7.获取所述当前批量业务节点的实时运行时长；
8.根据所述运行预测时长以及所述实时运行时长，判断所述当前批量业务节点是否运行异常，若未异常，则按照指定流程运行与所述当前批量业务节点对应的批量业务关联节点或下一批量业务节点，若异常，则生成批量运行告警信息。
9.可选的，所述运行预测时长包括运行上限时长和运行下限时长；
10.根据所述运行预测时长以及所述实时运行时长，判断所述当前批量业务节点是否运行异常包括：
11.若所述实时运行时长大于所述运行上限时长或者小于所述运行下限时长，则判定所述当前批量业务节点运行异常。
12.可选的，获取所述当前批量业务节点的实时运行时长包括：
13.定时获取所述当前批量业务节点的实时运行时长；
14.根据所述运行预测时长以及所述实时运行时长，判断所述当前批量业务节点是否运行异常包括：
15.定时根据所述运行预测时长以及所述实时运行时长，判断所述当前批量业务节点是否运行异常。
16.可选的，定时获取所述当前批量业务节点的实时运行时长包括：
17.若所述当前批量业务节点已运行完毕，则获取所述当前批量业务节点的运行起始
时间、运行结束时间和人工干预时长，根据所述运行起始时间、运行结束时间和人工干预时长确定所述实时运行时长。
18.可选的，所述时间序列模型的训练样本数据包括所述当前批量业务节点的历史运行时长数据集；
19.所述历史运行时长数据集包括若干历史运行时长，一个所述历史运行时长对应一日所述当前批量业务节点运行完毕时的实时运行时长。
20.可选的，所述时间序列模型包括趋势项、周期项、节假日项以及误差项；
21.训练所述时间序列模型包括：根据所述历史运行时长数据集训练所述趋势项、周期项以及节假日项。
22.可选的，训练所述时间序列模型还包括：
23.将当日所述当前批量业务节点运行完毕时的实时运行时长添加至所述历史运行时长数据集中，通过更新后的所述历史运行时长数据集重新训练所述趋势项、周期项、节假日项。
24.可选的，还包括将所述运行预测时长更新至预测结果数据库中；
25.判断当前所述当前批量业务节点是否运行异常时，从所述预测结果数据库中获取所述运行预测时长。
26.可选的，所述批量业务节点、所述批量业务关联节点用于实现银行业务系统中的批量处理任务。
27.根据本发明的另一方面，提供了一种批量业务处理装置，包括：预测模块、实时运行时长获取模块、运行异常判断模块；
28.所述预测模块用于根据时间序列模型预测当前批量业务节点的运行预测时长；
29.所述实时运行时长获取模块用于获取所述当前批量业务节点的实时运行时长；
30.所述运行异常判断模块用于根据所述运行预测时长以及所述实时运行时长判断所述当前批量业务节点是否运行异常。
31.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
32.其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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执行本发明实施例记载的任意项的批量业务处理方法。
33.根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明实施例记载的任意项的批量业务处理方法。
34.本发明提出的批量业务处理方法采用时间序列模型预测批量业务节点运行完毕时的运行预测时长，基于运行云测时长判断批量业务节点是否运行异常，相对于基于经验设置批量业务节点运行阈值时间的方式，可以准确的确定批量业务节点运行阈值时间，进而准确的判断批量业务节点是否出现运行异常，避免由于运行阈值时间设置不当导致的，不能检测出异常的批量业务节点，从而影响整个银行业务系统的问题。
35.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
36.为了更清楚地说明本发明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发明的一些实施例，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。
37.图1是实施例中的批量业务处理方法流程图；
38.图2是实施例中的另一种批量业务处理方法流程图；
39.图3是实施例中的批量业务处理装置结构框图；
40.图4是实施例中的电子设备结构示意图。
具体实施方式
41.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。
42.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。
43.实施例一
44.图1是实施例中的批量业务处理方法流程图，本方法可适用于银行业务系统进行批量任务处理的情况，该方法可以由批量业务处理装置来执行，该批量业务处理装置可以采用软件的形式实现，该批量业务处理装置可配置于银行业务系统中。如图1所示，该方法包括：
45.s101.采用时间序列模型，预测当前批量业务节点运行完毕时的运行预测时长。
46.示例性的，本实施例中，时间序列模型可以采用自回归模型(ar模型)、自回归积分滑动平均模型(arima模型)、逻辑回归模型等。
47.示例性的，本实施例中，批量业务节点用于实现银行业务系统中的批量处理任务，其中，批量处理任务可以包括统计分析处理任务、交易补记账处理任务、业务处理任务等。
48.本实施例中，统计分析处理任务可以具体为日终、月终、年终交易数据统计分析、日终、月终、年终账户数据的统计分析等任务；
49.交易补记账处理任务可以具体为日终补记账、外汇买卖平仓处理、黄金买卖平仓处理、年终汇兑损益结转等任务；
50.业务处理任务可以具体为批量代收代付、批量个人贷款到期还款、批量信用卡自动还款、批量定期自动转存、批量基金定投等任务。
51.示例性的，本实施例中，一个批量业务节点可以包含多个线程，不同线程可并行运行，进而实现并行的处理对应批量处理任务中待处理的数据或待完成的统计分析任务。
52.s102.获取当前批量业务节点的实时运行时长。
53.本实施例中，实时运行时长为一批量业务节点在当日开始执行其对应的批量处理任务起的运行时长。
54.具体的，若获取当前批量业务节点的实时运行时长时，该批量任务节点未完成其对应的批量处理任务，则实时运行时长为：从其执行对应批量处理任务起始时刻至当前采样时刻的时长；
55.若获取当前批量业务节点的实时运行时长时，该批量任务节点已执行完毕其对应的批量处理任务，则实时运行时长为：从其执行对应批量处理任务起始时刻至其执行完毕对应批量处理任务时刻的时长。
56.s103.根据运行预测时长以及实时运行时长，判断当前批量业务节点是否运行异常。
57.示例性的，本步骤中，将运行预测时长作为基准，判断实时运行时长是否过长或过短，若过长或过短则判定当前批量业务节点运行异常。
58.s104.若当前批量业务节点未异常，则按照指定流程运行与当前批量业务节点对应的批量业务关联节点或下一批量业务节点，若异常，则生成批量运行告警信息。
59.示例性的，在银行业务系统中，各批量业务节点之间可以相对独立，即各批量业务节点可以按照设定的先后顺序独立的完成各自对应的批量处理任务。
60.批量业务节点之间也可以存在关联关系，此时，将指定的批量业务节点作为批量业务关联节点，通过批量业务关联节点关联指定的批量业务节点；
61.例如，假定存在关联关系的批量业务节点分别为：用于日终交易数据统计分析的批量业务节点(记为第一批量业务节点)、用于日终黄金买卖平仓处理的批量业务节点(记为第二批量业务节点)、用于批量基金定投的批量业务节点(记为第三批量业务节点)，则可以将第一批量业务节点作为批量业务关联节点，分别将第二批量业务节点、第三批量业务节点关联至第一批量业务节点；
62.此时，第一批量业务节点与第二批量业务节点以及第三批量业务节点存在等待作业关系，即当第二批量业务节点以及第三批量业务节点执行完对应的批量处理任务后，第一批量业务节点再执行对应的批量处理任务；或者第二批量业务节点执行完日终黄金买卖平仓处理中的指定环节后，第一批量业务执行日终交易数据统计分析中的指定环节；第三批量业务节点执行完批量基金定投中的指定环节后，第一批量业务执行日终交易数据统计分析中的指定环节。
63.本步骤中，若不包含批量业务关联节点，则当前批量业务节点为：处于上一已执行完对应批量处理任务的批量业务节点与下一未开始执行对应批量处理任务的批量业务节点之间的批量业务节点；
64.若包含批量业务关联节点，则当前批量业务节点为：正在执行对应批量处理任务的批量业务节点或者批量业务关联节点；已执行完对应批量处理任务，但其后续批量业务节点还未开始执行对应批量处理任务的批量业务节点或者批量业务关联节点。
65.本步骤中，若当前批量业务节点未异常，则银行业务系统持续按照正常工作流程
的运行；
66.若当前批量业务节点异常，则银行业务系统生成批量运行告警信息，此后，银行业务系统可以继续按照正常的工作流程运行，或者停止运行，等待人工介入。
67.本实施例提出的批量业务处理方法采用时间序列模型预测批量业务节点运行完毕时的运行预测时长，基于运行云测时长判断批量业务节点是否运行异常，相对于基于经验设置批量业务节点运行阈值时间的方式，可以准确的确定批量业务节点运行阈值时间，进而准确的判断批量业务节点是否出现运行异常，避免由于运行阈值时间设置不当导致的，不能检测出异常的批量业务节点，从而影响整个银行业务系统的问题。
68.在步骤s101记载内容的基础上，在一种可实施方案中，采用同一时间序列模型预测每个批量业务节点运行完毕时的运行预测时长。
69.此时，可以采用任一批量业务节点的历史运行时长数据集作为训练时间序列模型时采用的训练样本数据，其中，历史运行时长数据集包括若干历史运行时长，一个历史运行时长对应一日选定批量业务节点运行完毕时的实时运行时长(即从其执行对应批量处理任务起始时刻至其执行完毕对应批量处理任务时刻的时长)。
70.示例性的，当各批量业务节点的历史运行时长规律相近时，采用同一时间序列模型预测每个批量业务节点运行完毕时的运行预测时长，可以节约系统资源，避免进行冗余的时间序列模型的训练。
71.在步骤s101记载内容的基础上，在一种可实施方案中，采用不同时间序列模型预测对应批量业务节点运行完毕时的运行预测时长，其中，不同时间序列模型可以为类型不同的时间序列模型(例如采用ar模型、逻辑回归模型两类时间序列模型)，或者类型相同但模型系数不同的时间序列模型。
72.此时，采用不同批量业务节点的历史运行时长数据集作为训练与其对应的时间序列模型时采用的训练样本数据。
73.示例性的，采用不同时间序列模型预测对应批量业务节点运行完毕时的运行预测时长，可以提高预测不同批量业务节点的运行预测时长时的针对性，进而保证每个批量业务节点的运行预测时长的精度。
74.在一种优选方案中，采用时序分解模型作为时间序列模型，采用模型系数不同的时序分解模型预测对应批量业务节点运行完毕时的运行预测时长，其中，时序分解模型的形式为：
75.y(t)＝g(t) s(t) h(t) ∈(t)
76.上式中，g(t)表示趋势项，s(t)表示周期项，h(t)表示节假日项，∈(t)表示误差项，其中，趋势项、周期项、假日项需要通过历史运行时长数据集进行训练，误差项为设定值。
77.示例性的，本方案中，设定趋势项g(t)的具体形式如下：
78.g(t)＝(k a(t)δ)
·
t (m a(t)
t
γ)
79.其中，a(t)、δ、γ分别如下式所示：
80.a(t)＝(a1(t)，...，as(t))
t
81.δ＝(δ1，...，δs)
t
82.γ＝(γ1，...，γs)
t
，γj＝-sjδj83.上式中，k表示增长率，m表示偏移参数，s表示输入至g(t)的时间序列中包含的时间项的数量，δj表示第j个时间项的增长变化率，sj表示第j个时间项的时间戳，aj(t)的取值为0或1，若第j个时间项的增长变化率发生变化则aj(t)取1，否则aj(t)取0。
84.上式中，k、m作为趋势项的系数，为待训练值，其余参数为设定值。
85.设定周期项s(t)的具体形式如下：
86.s(t)＝x(t)β
87.其中，x(t)、β分别如下式所示：
[0088][0089]
β＝(a1，b1，...，an，bn)
t
[0090]
上式中，β作为周期项的系数项，为待训练值，p表示周期长度(例如，若以年为周期，则p为365，若以周为周期，则p为7)，n为设定值。
[0091]
设定节假日项h(t)的具体形式如下：
[0092]
h(t)＝z(t)θ
[0093]
其中，z(t)、θ分别如下式所示：
[0094][0095]
θ＝(θ1，...，θ
l
)
t
[0096]
上式中，θ作为节假日项的系数项，为待训练值，θi表示第i个节假日的影响因子，l表示设定的节假日的个数，di表示设定的第i个节假日前后一段时间对应的日期。
[0097]
示例性的，本方案中，根据指定的历史运行时长数据集拟合对应的时序分解模型，其中，对采用的拟合方法不做具体限定，例如，可以采用bfgs算法、l-bfgs算法实现对上述时序分解模型中各待训练值的拟合。
[0098]
示例性的，基于时序分解模型预测批量业务节点的运行预测时长，可以避免出现由于未考虑周期性或节假日对运行预测时长变化趋势的影响，而导致运行预测时长准确性降低的问题。
[0099]
本方案中，作为一种可选步骤，还可以每日重新训练一次时序分解模型，具体包括：
[0100]
将当日批量业务节点运行完毕时的实时运行时长添加至对应的历史运行时长数据集中，通过更新后的历史运行时长数据集重新训练时序分解模型，即重新训练时序分解模型中的趋势项、周期项、节假日项。
[0101]
在一种可选方案中，时序分解模型可以采用prophet模型(包括趋势项，周期项、假日项中的至少一项以及误差项)，可以基于prophet开源工具(框架)实现对prophet模型的训练。
[0102]
示例性的，prophet开源工具的输入为已知的时间序列、需要预测的时间序列的长度(例如以天为单位，进行一天的预测)；输出为时间预测值、上界、下界。
[0103]
结合本实施例中的批量业务处理方法，prophet开源工具的输入为历史运行时长数据集(包括时间戳和相应的历史运行时长)，需要预测的时间序列的长度为一天；输出包括运行上限时长、运行下限时长。
[0104]
示例性的，当运行预测时长包括运行上限时长和运行下限时长时，在步骤s103记载内容的基础上，根据运行预测时长以及实时运行时长，判断当前批量业务节点是否运行异常包括：
[0105]
若实时运行时长大于运行上限时长或者小于运行下限时长，则判定当前批量业务节点运行异常。
[0106]
图2是实施例中的另一种批量业务处理方法流程图，参考图2，作为一种可实施方案，批量业务处理方法可以为：
[0107]
s201.采用prophet模型，预测当前批量业务节点运行完毕时的运行上限时长、运行下限时长。
[0108]
本方案中，采用模型系数不同的prophet模型预测当日对应批量业务节点运行完毕时的运行上限时长、运行下限时长。
[0109]
可选的，本步骤中，预测当前批量业务节点运行完毕时的运行上限时长、运行下限时长后，还可以将运行上限时长、运行下限时长更新至预测结果数据库中。
[0110]
s202.定时获取当前批量业务节点的实时运行时长。
[0111]
在步骤s102记载内容的基础上，本步骤中，周期性的获取当前批量业务节点的实时运行时长。
[0112]
若采集当前批量业务节点的实时运行时长时，批量任务节点未完成其对应的批量处理任务，则实时运行时长为：从其执行对应批量处理任务起始时刻至当前采样时刻的时；
[0113]
若当前批量业务节点已运行完毕(即批量任务节点已执行完毕其对应的批量处理任务)，则根据下式确定实时运行时长，
[0114]
t＝t
e-ts tr[0115]
上式中，te为获取的当前批量业务节点的运行结束时间，ts为获取的当前批量业务节点的运行起始时间，tr为获取的当前批量业务节点的人工干预时长。
[0116]
s203.定时根据运行预测时长以及实时运行时长，判断当前批量业务节点是否运行异常。
[0117]
在步骤s202的基础上，本步骤中，若当前批量业务节点未运行完毕，则获取一次当前批量业务节点的实时运行时长后，随即判断当前批量业务节点是否运行异常；
[0118]
若当前批量业务节点已运行完毕，则在首次获取当前批量业务节点运行完毕时的实时运行时长后，判断当前批量业务节点是否运行异常，完成该次运行异常判断后，在当日，即使后续仍继续获取当前批量业务节点的实时运行时长时，也不再继续判断当前批量业务节点是否运行异常。
[0119]
在步骤s201的基础上，本步骤中，若实时运行时长大于运行上限时长或者小于运行下限时长，则判定当前批量业务节点运行异常。
[0120]
在步骤s201的基础上，若配置预测结果数据库，则判断当前批量业务节点是否运行异常时，从预测结果数据库中获取需要的运行上限时长、运行下限时长。
[0121]
示例性的，结合步骤s202和步骤s203，定时的判断批量业务节点是否运行异常，可以提高运行异常检测的时效性，当批量业务节点出现异常时可以在第一时间产生告警信息，最大程度的降低对后续批量业务节点运行的影响。
[0122]
s204.若当前批量业务节点未异常，则按照指定流程运行与当前批量业务节点对
应的批量业务关联节点或下一批量业务节点，若异常，则生成批量运行告警信息。
[0123]
本步骤的实施方式与步骤s104记载的内容相同。
[0124]
s205.当日，批量业务节点全部运行完成后，重新训练prophet模型。
[0125]
本步骤中，将当日批量业务节点运行完毕时的实时运行时长添加至对应的历史运行时长数据集中，通过更新后的历史运行时长数据集重新训练对应的prophet模型。
[0126]
重新训练后的prophet模型用于预测次日对应批量业务节点运行完毕时的运行上限时长、运行下限时长。
[0127]
实施例二
[0128]
图3是实施例中的批量业务处理装置结构框图，参考图3，本实施例提出一种批量业务处理装置，包括：预测模块100、实时运行时长获取模块200、运行异常判断模块300。
[0129]
预测模块100用于根据时间序列模型预测当前批量业务节点的运行预测时长。
[0130]
实时运行时长获取模块200用于获取当前批量业务节点的实时运行时长。
[0131]
运行异常判断模块300用于根据运行预测时长以及实时运行时长判断当前批量业务节点是否运行异常。
[0132]
可选的，预测模块100可以配置为采用同一时间序列模型预测每个批量业务节点运行完毕时的运行预测时长；采用不同时间序列模型预测对应批量业务节点运行完毕时的运行预测时长。
[0133]
可选的，实时运行时长获取模块200可以配置为：若当前批量业务节点已运行完毕，则获取当前批量业务节点的运行起始时间、运行结束时间和人工干预时长，根据运行起始时间、运行结束时间和人工干预时长确定实时运行时长。
[0134]
可选的，运行异常判断模块300可以配置为：若实时运行时长大于运行上限时长或者小于运行下限时长，则判定当前批量业务节点运行异常。
[0135]
可选的，批量业务处理装置还可以包括预测结果数据库，预测结果数据库用于存储预测模块100输出的运行预测时长。
[0136]
可选的，批量业务处理装置还可以包括模型训练模块，模型训练模块用于：通过历史运行时长数据集训练时间序列模型；通过更新后的历史运行时长数据集重新训练时间序列模型。
[0137]
本实施例中，批量业务处理装置可以用于实现实施例一中记载的任意一种批量业务处理方法，其具体实施过程以及有益效果与实施例一中记载的对应内容相同，在此不再赘述。
[0138]
实施例三
[0139]
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0140]
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被
至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0141]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0142]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述批量业务处理方法。
[0143]
在一些实施例中，批量业务处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的批量业务处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行批量业务处理方法。
[0144]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0145]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0146]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0147]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0148]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0149]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0150]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0151]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。