预留实例转售系统及预留实例转售方法与流程

1.本发明涉及预留实例转售系统及预留实例转售方法，更加详细地，涉及从诸如云服务系统(cloud service system)之类的预留实例(reserved instance)提供系统购买预留实例来将其转售给客户(client)的预留实例转售系统及预留实例转售方法。


背景技术：

2.云(cloud)系统提供一种通过终端连接虚拟服务器来自由实现所需服务的环境。云系统可提供如下多种服务：通过向个人用户租赁一些存储空间来使个人用户通过终端连接云系统并将数据存储在分配到的空间的服务；提供基本计算环境或网络服务等基础设施的服务；以及用于计算机使用的平台或解决方案的平台服务；以及可使用户通过网络使用应用软件的软件服务。云系统被用于移动应用程序、游戏、购物中心、社交网络服务等各种领域。这种云系统提供如下优点：使用或提供服务的用户可在没有时间、空间限制情况下使用资源，并可以实时确认资源使用现状。并且，云系统不仅提供服务以发挥与现有物理服务器相同的作用，而且还能够实时管理所提供的服务资源，并提供对服务资源的搜索和分类功能。
3.客户需要支付由云系统定制的费用作为使用云系统资源的代价。例如，若客户向云系统发出按需(on-demand)请求以使用资源并支付按需费用，则客户可通过支付与使用时间成正比的费用来使用云系统的资源(实例)。最近的云系统允许客户购买预留实例(reserved instance)，从而可使客户以比每小时使用收取的按需费用低廉的费用使用云系统的资源。预留实例可使客户在规定期间(例如，1年、3年等)内预留并使用实例(instance)，例如，与按需费用相比，亚马逊(amazon)的ec2预留实例(reserved instance)提供高达62％的打折优惠。


技术实现要素：

4.本发明的目的在于，提供一种通过从诸如云服务系统(cloud service system)之类的预留实例提供系统购买预留实例(reserved instance)并将其转售给客户(client)来创造收益的预留实例转售系统、预留实例转售方法及记录有用于执行上述预留实例转售方法的程序的记录介质。
5.并且，本发明的目的在于，提供一种在将预留实例转售给客户的过程中，通过预测客户的实例使用量计算预留实例的适当购买量，从而可使根据预留实例的转售而产生的收益率极大化的预留实例转售系统、预留实例转售方法及记录介质。
6.本发明的预留实例转售系统通过从预留实例提供系统购买预留实例(reserved instance)来将其转售给客户，上述预留实例转售系统包括：实例使用量预测部，关于实例使用量，利用预先学习的机器学习模型来预测上述客户的实例使用量；预留实例购买量确定部，根据上述实例使用量来确定预留实例购买量；预留实例购买部，根据上述预留实例购买量来购买上述预留实例；以及实例转售部，用于将购买的上述预留实例转售给客户。
instance)来将其转售给客户，上述预留实例转售方法包括：关于实例使用量，实例使用量预测部利用预先学习的机器学习模型来预测上述客户的实例使用量的步骤；预留实例购买量确定部根据上述实例使用量来确定预留实例购买量的步骤；预留实例购买部根据上述预留实例购买量来从上述预留实例提供系统购买上述预留实例的步骤；以及实例转售部将上述预留实例转售给客户的步骤。
16.本发明实施例的预留实例转售方法还可包括学习部从包含由客户请求的按需(on-demand)请求数据的学习数据中按实例的操作系统、实例类型、地区及可用区域提取包括使用模式及客户数量的多个变量来生成上述机器学习模型的步骤。
17.生成上述机器学习模型的步骤可包括生成如下模型的步骤：以每个操作系统、每个实例类型、每个地区及每个可用区域的使用量模式及客户数量作为独立变量来预测实例使用量的广义线性回归(generalized linear regression)模型；对上述独立变量应用平滑函数(smoothing function)来预测实例使用量的多元样条回归(multivariate spline regression)模型；根据过去的实例使用时间模式来预测未来的实例使用时间模式的长短期记忆(long short term memory)模型；以及基于上述独立变量来通过深度学习(deep learning)预测实例使用量的多元回归(multivariate regression)模型。
18.预测上述实例使用量的步骤可包括基于上述广义线性回归模型、上述多元样条回归模型、上述长短期记忆模型及上述多元回归模型中的至少一个机器学习模型来预测上述实例使用量的步骤。
19.预测上述实例使用量的步骤可以包括：误差比较部对包括上述广义线性回归模型、上述多元样条回归模型、上述长短期记忆模型及上述多元回归模型的多个机器学习模型的多个预测误差进行比较的步骤；机器学习模型选择部根据多个上述机器学习模型的多个预测误差的比较结果来选择多个上述机器学习模型中的一个机器学习模型的步骤；以及实例使用量估计部基于由上述机器学习模型选择部选择的机器学习模型来估计上述实例使用量的步骤。
20.预测上述实例使用量的步骤可以包括：第一实例使用量预测部基于上述广义线性回归模型预测上述实例使用量来输出第一实例使用量的步骤；第二实例使用量预测部基于上述多元样条回归模型预测上述实例使用量来输出第二实例使用量的步骤；第三实例使用量预测部基于上述长短期记忆模型预测上述实例使用量来输出第三实例使用量的步骤；第四实例使用量预测部基于上述多元回归模型预测上述实例使用量来输出第四实例使用量的步骤；误差分析部通过对包括上述广义线性回归模型、上述多元样条回归模型、上述长短期记忆模型及上述多元回归模型在内的多个机器学习模型的多个预测误差来计算多个上述机器学习模型的加权值的步骤；以及实例使用量估计部基于多个上述机器学习模型的加权值调节上述第一实例使用量、上述第二实例使用量、上述第三实例使用量及上述第四实例使用量的反映率来估计上述实例使用量的步骤。
21.根据本发明，提供一种记录有用于执行上述预留实例转售方法的程序的计算机可读记录介质。
22.根据本发明的实施例，提供一种可通过从诸如云服务系统(cloud service system)之类的预留实例提供系统购买预留实例(reserved instance)并转售给客户(client)来创造收益的预留实例转售系统、预留实例转售方法及记录有用于执行上述预留
实例转售方法的程序的记录介质。
23.本发明可通过将广义线性回归模型、多元样条回归模型、长短期记忆模型及多元回归模型全部使用，并调节每个模型的反映率来估计客户的实例使用量。
24.本发明可在未接收到客户的实例请求的状态下，应对未来的客户实例请求而预测实例使用量，通过利用根据预测误差被赋予加权值的多个搜索引擎，从而可以提高对未来客户的实例使用量的预测准确性。
25.根据本发明的实施例，提供一种在将预留实例转售给客户的过程中，通过预测客户的实例使用量计算预留实例的适当购买量，从而可使根据预留实例的转售而产生的收益率极大化的预留实例转售系统、预留实例转售方法及记录介质。
26.本发明可以使将预留实例转售给客户时的损失区间最小化。
附图说明
27.图1为用于说明本发明实施例的预留实例转售系统的收益创造模型的概念图。
28.图2为示出本发明实施例的预留实例转售系统的相当于按需实例销售额与预留实例支付费用之间的差额的收益的概念图。
29.图3为本发明实施例的预留实例转售系统的结构图。
30.图4为本发明实施例的预留实例转售方法的流程图。
31.图5为本发明一实施例的构成预留实例转售系统的学习部和实例使用量预测部的结构图。
32.图6为示出根据本发明的一实施例预测实例使用量的过程的流程图。
33.图7为示出本发明另一实施例的构成预留实例转售系统的学习部和实例使用量预测部的结构图。
34.图8为示出根据本发明的另一实施例预测实例使用量的过程的流程图。
具体实施方式
35.可参照以下详细描述的实施例以及附图来明确理解本发明的优点和特征以及实现它们的方法。然而，本发明不限于以下公开的实施例，而是能够以各种不同的形式来实现，提供这些实施例仅仅是为了使本发明的公开完整，并将本发明的范畴充分地告知本发明所属技术领域的普通技术人员，并且本发明仅由权利要求的范畴定义。在整个说明书中，相同的附图标记指代相同的组件。
36.在本说明书中，当表示某个部分“包括”某个组件时，只要没有特别相反的记载，这并不意味着排除其他组件，而是还可包括其他组件。本说明书中所使用的“～部”作为处理至少一个功能或操作的单元，例如可表示软件、现场可编程门阵列(fpga)或硬件组件。由“～部”提供的功能可以分到多个组件来执行或与其他附加组件合并。本说明书的“～部”不必限于软件或硬件，而是可以被配置为位于可寻址的存储介质中，并且可以包括用于处理存储在存储介质中的数据的一个或一个以上的处理器(微处理器(micro-processor))。以下，将参照附图具体说明本发明的实施例。
37.关于多个客户的实例使用量，本发明实施例的预留实例转售系统利用预先学习的机器学习(machine learning)模型并基于人工智能(artificial intelligence)来预测客
户的实例使用量。预留实例转售系统基于预测到的实例使用量自动确定预留实例购买量来从诸如云(cloud)服务系统之类的预留实例提供系统购买预留实例(reserved instance)，并将购买的预留实例转售给多个客户。
38.根据本发明的实施例，预留实例转售系统可以通过购买适当数量的预留实例并将其转售给多个客户，从而可使通过实例转售产生的收益率极大化。并且，预留实例转售系统可通过提高实例转售收益率来向多个客户提供更多的实例打折优惠，可以扩大白色标签(white label)合作伙伴，可以防止诸如战略客户之类的现有客户的流失，并通过应用于吸引新客户来增加收益。
39.并且，根据本发明的实施例，云服务提供商可通过增加预留实例的销售量来增加销售额，可通过确保合同期间内的实例使用率来稳定地确保收益性。并且，从客户立场上讲，可通过预留实例转售系统获得各种实例打折优惠，并且可以通过支付比按需费用低的费用来应用由云服务提供商提供的虚拟服务器等实例。
40.图1为用于说明本发明实施例的预留实例转售系统的收益创造模型的概念图。
41.参照图1，预留实例转售系统20可通过从一个或多个云服务系统10购买打折的预留实例(reserved instance)并将该实例转售给一个或多个客户30来创造收益。云服务系统10是提供预留实例的系统，可包括亚马逊网络服务(aws；amazon web service)、azure等云提供系统。
42.预留实例转售系统20可以支付从云服务系统10购买预留实例(reserved instance)的费用，并针对客户30的按需(on-demand)请求接收按需费用。在此情况下，预留实例转售系统20可以创造相当于客户30支付的按需费用与支付给云服务系统10的预留实例购买费用之间的差额的收益。
43.预留实例转售系统20可以具有用于云服务系统10与客户30之间的数据通信的有线/无线通信接口。通信接口可以包括局域网(lan，local area network)、集成服务数字网络(isdn，integrated services digital network)、码分多址(cdma，code division multiple access)、宽带码分多址(wcdma，wideband code division multiple access)、全球移动通信系统(gsm，global system for mobile communication)、长期演进(lte，long term evolution)、全球微波接入互操作性(wimax，world interoperability for microwave access)、无线局域网(wireless local area network)，广域网(wan，wide area network)、无线保真(wifi，wireless fidelity)等，但不限于此。
44.图2为示出本发明实施例的预留实例转售系统的相当于按需实例销售额与预留实例支付费用之间的差额的收益的概念图。在图2中，x为预留实例购买量(x＞0)，α为实例价格(α＞0)，θ为实际实例使用量(θ≥0)，β为预留实例的折扣率(0＜β＜1。α(1-β)x为需要支付给云服务系统的预留实例购买费用。αθ为可以从客户接收的按需实例销售费用。若按需销售费用大于预留实例购买费用，则对应于收益区间。
45.相反，若预留实例购买费用大于按需销售费用，即，若预留实例购买量x大于实际实例使用量θ的1/(1-β)倍，则属于损失区间。
46.因此，为了使通过将预留实例转售给客户而获得的收益极大化，有必要准确地预测多个客户的实例使用量(按需请求数量)，并基于实例使用量的预测值计算预留实例购买量来从云服务系统购买适当数量的预留实例。
47.预留实例转售系统准确地预测实例使用量来购买实例，并提供与客户的请求相对应的按需实例，以在最小化损失区间的同时使收益极大化。
48.本发明实施例的预留实例转售系统可以基于机器学习(machine learning)模型，通过人工智能(ai；artificial intelligence)方式的自动分析来预测多个客户的实例使用量，并提供预留实例购买推荐信息。
49.图3为本发明实施例的预留实例转售系统的结构图。图4为本发明实施例的预留实例转售方法的流程图。
50.参照图3及图4，为了预测实例使用量，预留实例转售系统20可以包括学习数据收集部210、学习部220、机器学习模型230、数据收集部240、极限值去除部250、实例使用量预测部260、预留实例购买量确定部270、预留实例购买部280，实例转售部290及实例管理部300。
51.实例使用量预测部260可以利用与实例使用量相关的机器学习(machine learning)模型230来预测多个客户的实例使用量。
52.机器学习模型230可以根据实例的每个操作系统(os；operating system)、每个地区、每个实例类型、每个可用区域客户的实例使用模式、客户数量等多个独立变量与包括多个客户的实例使用量的因变量之间的关系建模而成。
53.实例操作系统(operating system)包括例如windows/linux等，但不限于此。实例类型可以包括由中央处理器(cpu)、存储器、存储及网络容量的各种组合构成的各种实例类型，例如，亚马逊弹性计算云(amazon ec2)的t2、c4、m4、m5、c5等。实例地区(region)具有多个被称为可用区域的隔离位置，例如，亚马逊弹性计算云的情况下，包括美国东部(维萨尼亚北部)、美国东部(俄亥俄州)、美国西部(加利福尼亚北部区域)、美国西部(俄勒冈州)、加拿大(中部)、欧盟(eu)(法兰克福)、欧盟(伦敦)、欧盟(巴黎)、亚太地区、(首尔)、亚太地区(东京)、南美地区(圣保罗)等地区，但不限于此。
54.可以提供学习数据收集部210和学习部220以用于生成与实例使用量相关的机器学习模型230。学习数据收集部210可以收集包括过去多个客户的每个操作系统、每个地区、每个实例类型、每个可用区域客户的实例使用模式、客户数量等信息的学习数据。在实施例中，学习数据可以包含多个客户针对实例的过去按需(on-demand)请求数据。
55.学习部220可从学习数据中提取包括预留实例的每个实例类型、每个操作系统、每个地区、每个可用区域使用模式及客户数量、实例使用量等的多个变量来生成一个或多个机器学习模型(图4的步骤s10)。机器学习模型可以被提供为通过机器学习(machine learning)或深度学习(deep learning)等来学习实例使用量的实例使用量预测模型。
56.在实施例中，学习部220可以生成广义线性回归(glr；generalized linear regression)模型、多元样条回归模型(msr；multivariate spline regression)模型、长短期记忆(lstm；long short term memory)模型及多元回归(mr；multivariate regression)模型中的至少一个机器学习模型，但这仅仅是示例性的，也可以生成未列出的机器学习模型。
57.广义线性回归(glr)模型是普通的多元广义线性回归分析模型，其为用于使用每个实例类型、每个可用区域、每个实例类型使用量模式及客户数量作为独立变量来预测实例使用量的机器学习模型。广义线性回归(glr)模型可通过aic逐步回归法(aic-stepwise)
在许多变量中确定有意义的变量，并且能够以多元线性关系的形式适用变量来在预测实例使用量过程中应用。
58.多元样条回归(msr)模型是一种非线性(non-linear)回归模型，克服了线性模型在实际问题中假设线性的局限性，它是用于通过对独立变量适用平滑函数(smoothing function)来预测实例使用量的机器学习模型。多元样条回归模型的使用变量与广义线性回归模型的使用变量相同，但是与广义线性回归模型中以线性形式适用每个变量关系的情况不同，将每个变量的模式视为一个函数(function)，并对每个变量适用平滑函数(smoothing function)，在许多变量中，可通过anova测试(anova test)确定有意义的变量。每个变量的平滑(smoothing)度(k_i)可以通过k倍交叉验证(k-fold cross validation)求出具有最小误差的k_i来计算。
59.长短期记忆(lstm)模型是基于根据过去实例使用时间模式预测未来实例使用量的深度学习(deep learning)的机器学习模型。该模型旨在克服递归神经网络(rnn；recurrent neural network)的缺点，即逆推计算(backward pass)时由于梯度降低导致学习能力降低的缺点，可通过在递归神经网络的隐藏状态(state)中添加单元状态(cell-state)来应用于实例使用量的预测。长短期记忆模型可以被实现为例如以过去60单位(units)(时间)的模式来预测下一单位(时间)的模型(60个输入层、2个隐藏层、1个输出层(60input layers，2hidden layers，1output layer))等。
60.多元回归(mr)模型是用于基于诸如广义线性回归法之类的独立变量来通过深度学习预测实例使用量的预测模型。多元回归(mr)模型(keras-d/l)为通过协助使用(keras)环境下的深度学习(deep learning)来预测广义线性回归法的模型，其变量信息与广义线性回归模型的变量信息相同。
61.实例使用量预测部260可以基于广义线性回归(glr)模型、多元样条回归(msr)模型、长短期记忆(lstm)模型及多元回归(mr)模型中的至少一个机器学习模型来预测多个客户的未来实例使用量。
62.实例使用量预测部260可以基于由数据收集部240收集的每个操作系统(os)、每个地区、每个可用区域、每个实例类型实例使用模式及客户数量等信息来预测未来多个客户的实例使用量。
63.实例使用量预测部260在未接收到客户的实例请求的状态下，应对未来的客户实例请求而预测实例使用量，基于学习部的各种机器学习模型来计算实例使用量，并分析针对多个机器学习模型的实例使用量的预测误差。并且，实例使用量预测部260基于预测误差向一个机器学习模型赋予加权值或通过调节每个机器学习模型的反映率来估计实例使用量。
64.实例使用量预测部260基于预测误差和加权值来选择一个机器学习模型，或者将多个机器学习模型全部利用并调节反映率来估计实例使用量。
65.为了通过去除误差因素来更加准确地预测实例使用量，极限值去除部250可从由数据收集部240收集的数据中去除超出标准范围的极限值数据。实例使用量预测部260可以基于极限值数据被去除的数据的多个独立变量来预测每个操作系统、每个地区、每个可用区域、每个实例类型的实例使用量(图4的步骤s20)。
66.预留实例购买量确定部270可根据由实例使用量预测部260预测的实例使用量来
确定预留实例购买量(图4的步骤s30)。在实施例中，预留实例购买量确定部270可以基于多个客户的预测实例使用量，通过最大似然估计(mle，maximum likelihood estimation)算法来确定使收益率最大化的预留实例购买量。并且，预留实例购买量确定部270按操作系统、地区、可用区域、实例类型推荐针对适用中的付款账户(payer account)的预留实例的购买数量，计算并提供在购买预留实例时的收益率。
67.预留实例购买量确定部270可以通过考虑实例价格α、预留实例折扣率β、实例使用量预测值θ等多个变量来计算预留实例购买量x。预留实例购买量确定部270可以基于最大似然估计算法来计算预留实例购买量。似然度(likelihood)(似然函数)l(θ|x)与假设θ时样本x出现的概率p(x|θ)成正比，并表示鉴于样本x，对参数θ的估计的合理程度。
68.预留实例购买量确定部270可以根据每个时间点的使用量(utilization)对最大似然估计模型适用不同的条件来确定预留实例购买量。预留实例购买量确定部270可以通过利用诸如50％、75％、90％、95％等百分比(percentile)去除诱导偏差(bias)的极限值来计算预留实例购买量。例如，预留实例购买量确定部270可以根据以下等式利用最大似然估计算法来找到能够获得最大收益率y的预留实例购买量x。
[0069][0070]
预留实例购买部280可以根据由预留实例购买量确定部270确定的预留实例购买量，按操作系统、地区、可用区域、实例类型从云服务系统10购买预留实例(图4的步骤s40)。
[0071]
实例转售部290可根据客户的按需(on-demand)请求将从云服务系统10购买的预留实例转售给客户(图4的步骤s50)。实例转售部290可根据客户的类型(例如，白色标签合作伙伴、战略客户、新客户等)提供各种打折优惠来转售实例。
[0072]
在实施例中，实例转售部290可以向客户请求支付按需金额，并且为了吸引新客户以及防止战略客户的流失，可向新客户或战略客户请求支付适用折扣的按需金额。并且，为了防止战略客户流失，还可以为战略客户提供实例打折优惠，例如，提供能够以按需费用为准折扣40％的标准预留实例(standard ri)价格变更实例族(instance family)的可转换预留实例(convertible ri)等。
[0073]
实例管理部300可以管理每个操作系统、每个地区、每个可用区域、每个实例类型预留实例的购买明细和实例销售明细、可销售给客户的实例信息等。由实例管理部300管理的信息可以被反馈到学习数据收集部210和数据收集部240，并应用于生成用于确定下一个预留实例购买量的机器学习模型以及预测实例使用量。实例管理部300可以包括支持和管理白色标签(wl；white label)的功能。
[0074]
图5为本发明一实施例的构成预留实例转售系统的学习部和实例使用量预测部的结构图。图6为示出根据本发明的一实施例预测实例使用量的过程的流程图。参照图5及图6，学习部220可以生成用于预测实例使用量的多个不同机器学习模型。
[0075]
在实施例中，学习部220可以包括用于生成广义线性回归(glr)模型的广义线性回归学习部222、用于生成多元样条回归(msr)模型的多元样条回归学习部224、用于生成长短期记忆(lstm)模型的长短期记忆学习部226以及用于生成多元回归(mr)模型的多元回归学习部228。
[0076]
实例使用量预测部260可以包括误差比较部261、机器学习模型选择部262及实例
使用量估计部263。
[0077]
误差比较部261可以对将广义线性回归(glr)模型232、多元样条回归(msr)模型234、长短期记忆(lstm)模型236及多元回归(mr)模型238包括在内的多个机器学习模型的多个预测误差进行比较(图6的步骤s21)。机器学习模型选择部262可以根据多个机器学习模型的多个预测误差的比较结果来选择多个机器学习模型中的一个机器学习模型(图6的步骤s22)。在实施例中，机器学习模型选择部262可以例如根据以下数学式计算每个机器学习模型的均方根误差值后选择具有最小均方根误差值的机器学习模型。
[0078][0079]
实例使用量估计部263可以基于由机器学习模型选择部262选择的一个以上的机器学习模型来估计实例使用量(图6的步骤s23)。在实施例中，实例使用量估计部263可以基于具有最小均方根误差值的一个机器学习模型来预测实例使用量，或者基于具有小于标准值的均方根误差值的一个以上的机器学习模型来预测实例使用量。
[0080]
在实施例中，当基于多个机器学习模型来估计实例使用量时，实例使用量估计部263可对基于多个机器学习模型估计的多个实例使用量进行统计处理(例如，算数/几何平均、中间值等)来估计每个操作系统、每个地区、每个可用区域、每个实例类型的实例使用量。
[0081]
图7为示出本发明另一实施例的构成预留实例转售系统的学习部和实例使用量预测部的结构图。图8为示出根据本发明的另一实施例预测实例使用量的过程的流程图。参照图7及图8，实例使用量预测部260可以基于多个不同机器学习模型来输出多个实例使用量预测部(图8的步骤s24)。
[0082]
实例使用量预测部260可以包括第一实例使用量预测部264、第二实例使用量预测部265、第三实例使用量预测部266、第四实例使用量预测部267、误差分析部268及实例使用量估计部269。
[0083]
第一实例使用量预测部264可以基于广义线性回归(grl)模型232预测实例使用量来输出第一实例使用量。第二实例使用量预测部265)可以基于多元样条回归(msr)模型234预测实例使用量来输出第二实例使用量。第三实例使用量预测部266可以基于长短期记忆(lstm)模型236预测实例使用量来输出第三实例使用量。第四实例使用量预测部267可以基于多元回归(mr)模型238预测实例使用量来输出第四实例使用量。
[0084]
误差分析部268可以对将广义线性回归(grl)模型232、多元样条回归(msr)模型234、长短期记忆(lstm)模型236及多元回归(mr)模型238包括在内的多个机器学习模型的多个预测误差进行分析来计算多个机器学习模型的加权值(图8的步骤s25)。
[0085]
实例使用量估计部269可以基于由误差分析部268计算的多个机器学习模型的加权值调节第一实例使用量、第二实例使用量、第三实例使用量及第四实例使用量的反映率来估计实例使用量(图8的步骤s26)。在实施例中，越具有预测误差(例如，均方根误差)，实例使用量估计部269则越向机器学习模型赋予大的加权值来估计实例使用量。
[0086]
每个机器学习模型可以预测多个不同未来期间(例如，1个月、3个月、6个月等)的实例使用量。若预测结果为上升趋势，则可以通过以1个月单位(最小购买期间)反映预测值
来推荐每月预留实例增加购买量，相反，若预测结果为下降趋势，则可以通过反映6个月(最大预测期间)的预测值来推荐预留实例购买量。
[0087]
上述实施例可通过硬件组件、软件组件和/或硬件组件和软件组件的组合来实现。例如，实施例中描述的装置、方法和组件可利用一台或多台通用计算机或专用计算机来实现，例如处理器、控制器、算术逻辑单元(alu，arithmetic logic unit)、数字信号处理器、微型计算机、现场可编程门阵列(fpga，field programmable gate array)、可编程逻辑单元(plu，(programmable logic unit)、微处理器或能够执行和响应指令的其他任何装置。
[0088]
处理装置可以运行操作系统及在上述操作系统上运行的一个以上的软件应用程序。并且，处理装置还响应于可软件的运行来访问、存储、操作、处理及生成数据。为了便于理解，尽管有时描述为使用一个处理装置，但是本发明所属技术领域的普通技术人员可以理解处理装置可包括多个处理要素(processing element)和/或各种类型的处理要素。
[0089]
例如，处理装置可包括多个处理器或一个处理器及一个控制器。并且，也可采用诸如并行处理器(parallel processor)之类的其他处理配置(processing configuration)。软件可以包括计算机程序(computer program)、代码(code)、指令(instruction)或它们中的一种以上的组合，并且可将处理装置配置为根据需要进行操作或独立地或共同地(collectively)命令处理装置。
[0090]
为了由处理装置解释或向处理装置提供指令或数据，软件和/或数据可以永久地或临时地体现在任何类型的机器、组件(component)、物质装置、虚拟装置(virtual equipment)、计算机存储介质或装置、或传输的信号波(signal wave)中。软件可以分布在联网的计算机系统上，并且以分布的方法存储或运行。软件及数据可以存储在一个以上的计算机可读记录介质上。
[0091]
根据实施例的方法能够实现为可通过多种计算机单元执行的程序指令形式来记录在计算机可读记录介质上。计算机可读介质可以单独或组合地包含程序指令、数据文件、数据结构等。记录在介质上的程序指令可以是为实施例专门设计和配置的指令或计算机软件领域的普通技术人员已知并可以使用的指令。
[0092]
计算机可读记录介质示例包括：诸如硬盘、软盘和磁带之类的磁性介质(magnetic media)；诸如cdrom、dvd之类的光学记录介质(optical media)；以及诸如只读存储器(rom)、随机存取存储器(ram)、闪存之类的专门配置以用于存储和执行程序指令的硬件装置。程序指令的示例不仅包括诸如由编译器编制的代码之类的机器语言代码，而且包括可以由计算机使用解释器等执行的高级语言代码。上述硬件装置可以被配置为作为一个以上的软件模块来工作以执行实施例的操作，反之亦然。
[0093]
如上所述，尽管通过限定的实施例和附图来对实施例进行了说明，但只要是本发明所属技术领域的普通技术人员，就可通过这种记载进行多种修改及变形。例如，即使所描述的技术按与所描述的方法不同的顺序执行，和/或所描述的系统、结构、装置、电路等的组件以与所描述的方法不同的形式结合或组合，或由其他组件或等同技术方案代替或置换，也可实现适当结果。因此，其他实例、其他实施例以及与发明要求保护范围等同的技术方案也属于后述的发明要求保护范围内。