一种时序数据分析方法、装置、设备及存储介质与流程

1.本发明实施例涉及计算机技术领域，尤其涉及一种时序数据分析方法、装置、设备及存储介质。


背景技术：

2.时间序列模型是对时序数据进行分析的一种常用方法，其中以移动平均自回归模型(auto-regressive and moving average model，arma)为代表的算法，是时序数据分析领域中普遍采用的算法之一。
3.arma模型在训练时要求足够长且平稳的数据，泛化能力较差。为了改善arma模型的局限性，现有技术中已在arma模型的基础上扩展出多个时间序列模型，例如整合移动平均自回归模型(autoregressive integrated moving average model，arima)，以及季节性差分自回归移动平均模型(seasonal autoregressive integrated moving average，sarima)。
4.但是，arima模型不适用于处理季节性的时序数据，sarima模型只适用于处理简单的季节性数据，无法有效应用于实际的生产环境，泛用性较低；其次，sarima模型在训练方面比较困难，需要大量的输入参数，在模型调优和验证阶段需要消耗大量时间，导致数据分析结果的可靠性较低。


技术实现要素：

5.本发明实施例提供一种时序数据分析方法、装置、设备及存储介质，可以提高时序数据分析方法的泛用性以及分析结果的可靠性。
6.第一方面，本发明实施例提供了一种时序数据分析方法，该方法包括：
7.获取待分析的目标时序数据，分别提取所述目标时序数据中包括的季节分量和非季节分量；
8.将所述非季节分量输入至预先训练的整合移动平均自回归模型arima中，通过arima模型确定与所述目标时序数据对应的非季节性预测结果；
9.将所述目标时序数据中包括的季节分量，与所述非季节性预测结果进行组合，得到与所述目标时序数据对应的综合预测结果。
10.可选的，在获取待分析的目标时序数据之前，还包括：
11.获取待分析的原始时序数据，对所述原始时序数据进行去噪处理，得到所述目标时序数据。
12.可选的，对所述原始时序数据进行去噪处理，得到所述目标时序数据，包括：
13.采用预设的异常检测算法，检测所述原始时序数据中包括的异常数据，并对所述异常数据进行剔除，得到与原始时序数据对应的多个空闲数据位；
14.根据预设的插值算法，插值得到与所述原始时序数据匹配的多个插值数据，并使用各所述插值数据依次填补各空闲数据位，得到更新后的原始时序数据；
15.对所述更新后的原始时序数据进行去噪处理，得到所述目标时序数据。
16.可选的，分别提取所述目标时序数据中包括的季节分量和非季节分量，包括：
17.采用时间序列分解算法，将所述目标时序数据分解为季节分量、趋势分量以及残差分量；
18.根据所述趋势分量以及残差分量，确定所述目标时序数据中包括的非季节分量。
19.可选的，分别提取所述目标时序数据中包括的季节分量和非季节分量，包括：
20.获取所述目标时序数据中包括的多个周期序列，根据各所述周期序列确定目标差分项，并将所述目标差分项作为目标时序数据对应的季节分量；
21.对所述目标差分项进行季节差分，将差分后的结果作为所述目标时序数据对应的非季节分量。
22.可选的，通过arima模型确定与所述目标时序数据对应的非季节性预测结果，包括：
23.通过所述arima模型根据用户预先输入的预测参数，确定与所述目标时序数据对应的非季节性预测结果。
24.第二方面，本发明实施例还提供了一种时序数据分析装置，该装置包括：
25.数据提取模块，用于获取待分析的目标时序数据，分别提取所述目标时序数据中包括的季节分量和非季节分量；
26.数据输入模块，用于将所述非季节分量输入至预先训练的整合移动平均自回归模型arima中，通过arima模型确定与所述目标时序数据对应的非季节性预测结果；
27.结果确定模块，用于将所述目标时序数据中包括的季节分量，与所述非季节性预测结果进行组合，得到与所述目标时序数据对应的综合预测结果。
28.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
29.一个或多个处理器；
30.存储装置，用于存储一个或多个程序；
31.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器执行所述程序时实现本发明任意实施例提供的时序数据分析方法。
32.第四方面，本发明实施例还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程序，该程序被处理器执行时实现本发明任意实施例提供的时序数据分析方法。
33.第五方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现本发明任意实施例提供的时序数据分析方法。
34.本发明实施例的技术方案通过获取待分析的目标时序数据，分别提取目标时序数据中包括的季节分量和非季节分量，将非季节分量输入至预先训练的arima模型中，通过arima模型确定与目标时序数据对应的非季节性预测结果，将目标时序数据中包括的季节分量，与非季节性预测结果进行组合，得到与目标时序数据对应的综合预测结果的技术手段，可以提高时序数据分析方法的泛用性以及分析结果的可靠性。
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是根据本发明实施例一提供的一种时序数据分析方法的流程图；
38.图2是根据本发明实施例二提供的一种时序数据分析方法的流程图；
39.图3是根据本发明实施例三提供的一种时序数据分析方法的流程图；
40.图4是根据本发明实施例四提供的一种时序数据分析装置的结构示意图；
41.图5是实现本发明实施例的时序数据分析方法的电子设备的结构示意图。
具体实施方式
42.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
43.实施例一
44.图1为本发明实施例一提供的一种时序数据分析方法的流程图，本实施例可适用于对时序数据进行分析和预测的情况，该方法可以由时序数据分析装置来执行。所述时序数据分析装置可以由软件和/或硬件来实现，一般可以集成在具有数据处理功能的电子设备(例如终端或者服务器)中，具体包括如下步骤：
45.步骤110、获取待分析的目标时序数据，分别提取所述目标时序数据中包括的季节分量和非季节分量。
46.在本实施例中，目标时序数据是指待分析的时间序列数据，所述时间序列数据可以理解为同一指标下按照时间顺序记录的数据序列。在获取到目标时序数据后，可选的，可以根据目标时序数据的数据特征，确定目标时序数据中具有周期性的序列数据(也即季节分量)，并将除季节分量以外的剩余数据作为非季节分量。
47.在一个具体的实施例中，可选的，可以根据预设的数据长度，将目标时序数据划分成多个数据段，然后计算每个数据段对应的周期，根据每个数据段对应的周期计算结果，确定目标时序数据中包括的季节分量和非季节分量。
48.步骤120、将所述非季节分量输入至预先训练的整合移动平均自回归模型arima中，通过arima模型确定与所述目标时序数据对应的非季节性预测结果。
49.在本实施例中，由于arima模型擅长处理非季节性的时序数据，因此可以将非季节分量输入至预先训练的arima模型中，通过arima模型对非季节分量进行分析处理，得到非季节分量对应的数据特征，并根据非季节分量对应的数据特征，对目标时序数据对应的非季节性数据进行预测，得到非季节性预测结果。
50.步骤130、将所述目标时序数据中包括的季节分量，与所述非季节性预测结果进行组合，得到与所述目标时序数据对应的综合预测结果。
51.在本实施例中，通过arima模型确定与目标时序数据对应的非季节性预测结果后，可以将步骤110中提取到的季节分量与非季节性预测结果进行组合，得到与目标时序数据
对应的综合预测结果。
52.在本实施例中，通过将目标时序数据中的非季节分量输入至arima模型中，相比于现有的sarima模型而言，可以有效降低时间序列模型的计算复杂度，减少模型的训练耗时和参数数量；其次，通过对目标时序数据中的季节分量和非季节分量分别提取，并对季节分量和非季节分量分别进行处理，可以实现对成分复杂的时序数据进行分析，提高时序数据分析方法的泛用性以及分析结果的可靠性。
53.本发明实施例的技术方案通过获取待分析的目标时序数据，分别提取目标时序数据中包括的季节分量和非季节分量，将非季节分量输入至预先训练的arima模型中，通过arima模型确定与目标时序数据对应的非季节性预测结果，将目标时序数据中包括的季节分量，与非季节性预测结果进行组合，得到与目标时序数据对应的综合预测结果的技术手段，可以提高时序数据分析方法的泛用性以及分析结果的可靠性。
54.在上述实施例的基础上，在获取待分析的目标时序数据之前，还包括：获取待分析的原始时序数据，对所述原始时序数据进行去噪处理，得到所述目标时序数据。
55.在本实施例中，所述原始时序数据可以为未经处理的时间序列数据。在获取到原始时序数据后，可以采用预设的去噪算法对原始时序数据进行去噪处理，得到目标时序数据。这样设置的好处在于，可以避免原始时序数据中的噪声数据对分析结果造成影响，由此可以提高时序数据分析结果的可靠性。
56.在一个具体的实施例中，可选的，所述去噪算法可以为k-近邻替换法、局部加权替换法或者回归填补法等，本实施例对此并不进行限制。
57.实施例二
58.本实施例是对上述实施例的进一步细化，与上述实施例相同或相应的术语解释，本实施例不再赘述。图2为本实施例二提供的一种时序数据分析方法的流程图，在本实施例中，本实施例的技术方案可以与上述实施例的方案中的一种或者多种方法进行组合，如图2所示，本实施例提供的方法还可以包括：
59.步骤210、获取待分析的原始时序数据，采用预设的异常检测算法，检测所述原始时序数据中包括的异常数据，并对所述异常数据进行剔除，得到与原始时序数据对应的多个空闲数据位。
60.在本实施例中，所述异常检测算法可以为三西格玛准则(three sigma guidelines，3-sigma)算法，或者其它无监督异常检测算法。原始时序数据中每个数据对应一个数据位，采用异常检测算法检测到多个异常数据后，可以将多个异常数据进行剔除，得到多个空闲数据位。
61.这样设置的好处在于，可以避免时序数据中异常数据对分析结果造成影响，由此可以提高时序数据分析结果的准确性。
62.步骤220、根据预设的插值算法，插值得到与所述原始时序数据匹配的多个插值数据，并使用各所述插值数据依次填补各空闲数据位，得到更新后的原始时序数据。
63.在本实施例中，可以根据预设的插值算法，插值得到与多个空闲数据位匹配的多个插值数据，并使用各插值数据依次填补各空闲数据位。这样设置的好处在于，可以保证时序数据的连续性，提高后续预测结果的准确性。具体的，所述插值算法可以为线性插值算法、非线性插值算法或者周期插值算法等，本实施例对此并不进行限制。
64.步骤230、对所述更新后的原始时序数据进行去噪处理，得到目标时序数据。
65.在此步骤中，可选的，可以使用均值滑动窗口或者滤波算法，对更新后的原始时序数据进行去噪处理，得到目标时序数据。
66.步骤240、采用时间序列分解算法，将所述目标时序数据分解为季节分量、趋势分量以及残差分量。
67.在本实施例中，可以采用时间序列分解(time series decomposition，tsd)算法，将目标时序数据分解为季节分量、趋势分量以及残差分量。
68.在一个具体的实施例中，假设目标时序数据为x，通过tsd算法对目标时序数据进行分解后，得到的季节分量为s，趋势分量为t，残差分量为r，则目标时序数据与各分量之间的运算关系可以为：x＝s t r，或者x＝s
×
t r。
69.步骤250、根据所述趋势分量以及残差分量，确定所述目标时序数据中包括的非季节分量。
70.在此步骤中，可选的，可以将目标时序数据分解后得到的趋势分量以及残差分量，作为非季节分量。
71.这样设置的好处在于，通过采用tsd算法对目标时序数据进行分解，可以准确得到目标时序数据中的季节分量和非季节分量，由此可以提高时序数据分析结果的准确性。
72.步骤260、将所述非季节分量输入至预先训练的arima模型中，通过arima模型确定与所述目标时序数据对应的非季节性预测结果。
73.步骤270、将所述目标时序数据中包括的季节分量，与所述非季节性预测结果进行组合，得到与所述目标时序数据对应的综合预测结果。
74.本发明实施例的技术方案通过获取待分析的原始时序数据，采用预设的异常检测算法，检测原始时序数据中包括的异常数据，并对异常数据进行剔除得到多个空闲数据位，根据预设的插值算法插值得到多个插值数据，并使用各插值数据依次填补各空闲数据位，得到更新后的原始时序数据，对更新后的原始时序数据进行去噪处理得到目标时序数据，采用tsd算法将目标时序数据分解为季节分量、趋势分量以及残差分量，根据趋势分量以及残差分量确定非季节分量，将非季节分量输入至arima模型中，通过arima模型确定非季节性预测结果，将目标时序数据中包括的季节分量与非季节性预测结果进行组合，得到综合预测结果的技术手段，可以提高时序数据分析方法的泛用性以及分析结果的可靠性。
75.实施例三
76.本实施例是对上述实施例的进一步细化，与上述实施例相同或相应的术语解释，本实施例不再赘述。图3为本实施例三提供的一种时序数据分析方法的流程图，在本实施例中，本实施例的技术方案可以与上述实施例的方案中的一种或者多种方法进行组合，如图3所示，本实施例提供的方法还可以包括：
77.步骤310、获取待分析的目标时序数据，获取所述目标时序数据中包括的多个周期序列，根据各所述周期序列确定目标差分项，并将所述目标差分项作为目标时序数据对应的季节分量。
78.在本实施例中，获取到目标时序数据后，可以计算目标时序数据对应的周期，并根据周期计算结果将目标时序数据划分为多个周期序列，然后将第一个周期序列，或者所有周期序列的中位数作为目标差分项，最后将所述目标差分项作为目标时序数据对应的季节
分量。
79.步骤320、对所述目标差分项进行季节差分，将差分后的结果作为所述目标时序数据对应的非季节分量。
80.在一个具体的实施例中，假设目标差分项为则可以通过下述公式对该目标差分项进行季节差分：
81.y＝{|x
i-xj|j＝i mod s,i＝s 1
…
}
82.这样设置的好处在于，通过对目标时序数据进行季节差分，可以快速准确地得到目标时序数据中的季节分量和非季节分量，由此可以提高时序数据分析结果的准确性。
83.步骤330、将所述非季节分量输入至预先训练的arima模型中。
84.步骤340、通过所述arima模型根据用户预先输入的预测参数，确定与所述目标时序数据对应的非季节性预测结果。
85.在本实施例中，在将非季节分量输入至arima模型之前，可以使用大量的非季节性时序数据作为训练样本对arima模型进行训练，然后将非季节分量输入至训练好的arima模型。arima模型在接收非季节分量的同时，还可以接收用户输入的预测参数，然后对非季节分量进行分析处理，得到非季节分量对应的数据特征，并根据非季节分量对应的数据特征以及预测参数，对目标时序数据对应的非季节性数据进行预测，得到非季节性预测结果。
86.步骤350、将所述目标时序数据中包括的季节分量，与所述非季节性预测结果进行组合，得到与所述目标时序数据对应的综合预测结果。
87.本发明实施例的技术方案通过获取待分析的目标时序数据，获取目标时序数据中包括的多个周期序列，根据各周期序列确定目标差分项，并将目标差分项作为季节分量，对目标差分项进行季节差分，将差分后的结果作为非季节分量，将非季节分量输入至arima模型中，通过arima模型根据预测参数确定非季节性预测结果，将目标时序数据中包括的季节分量与非季节性预测结果进行组合，得到与目标时序数据对应的综合预测结果的技术手段，可以提高时序数据分析方法的泛用性以及分析结果的可靠性。
88.实施例四
89.图4为本发明实施例四提供的一种时序数据分析装置的结构示意图，如图4所示，该装置包括：数据提取模块410、数据输入模块420和结果确定模块430。
90.其中，数据提取模块410，用于获取待分析的目标时序数据，分别提取所述目标时序数据中包括的季节分量和非季节分量；
91.数据输入模块420，用于将所述非季节分量输入至预先训练的整合移动平均自回归模型arima中，通过arima模型确定与所述目标时序数据对应的非季节性预测结果；
92.结果确定模块430，用于将所述目标时序数据中包括的季节分量，与所述非季节性预测结果进行组合，得到与所述目标时序数据对应的综合预测结果。
93.本发明实施例提供的技术方案，通过获取待分析的目标时序数据，分别提取目标时序数据中包括的季节分量和非季节分量，将非季节分量输入至预先训练的arima模型中，通过arima模型确定与目标时序数据对应的非季节性预测结果，将目标时序数据中包括的季节分量，与非季节性预测结果进行组合，得到与目标时序数据对应的综合预测结果的技术手段，可以提高时序数据分析方法的泛用性以及分析结果的可靠性。
94.在上述实施例的基础上，所述时序数据分析装置还包括：
95.原始数据处理模块，用于获取待分析的原始时序数据，对所述原始时序数据进行去噪处理，得到所述目标时序数据。
96.所述原始数据处理模块包括：
97.异常检测单元，用于采用预设的异常检测算法，检测所述原始时序数据中包括的异常数据，并对所述异常数据进行剔除，得到与原始时序数据对应的多个空闲数据位；
98.插值单元，用于根据预设的插值算法，插值得到与所述原始时序数据匹配的多个插值数据，并使用各所述插值数据依次填补各空闲数据位，得到更新后的原始时序数据；
99.去噪单元，用于对所述更新后的原始时序数据进行去噪处理，得到所述目标时序数据。
100.数据提取模块410包括：
101.数据分解单元，用于采用时间序列分解算法，将所述目标时序数据分解为季节分量、趋势分量以及残差分量；
102.非季节分量确定单元，用于根据所述趋势分量以及残差分量，确定所述目标时序数据中包括的非季节分量；
103.差分项确定单元，用于获取所述目标时序数据中包括的多个周期序列，根据各所述周期序列确定目标差分项，并将所述目标差分项作为目标时序数据对应的季节分量；
104.季节差分单元，用于对所述目标差分项进行季节差分，将差分后的结果作为所述目标时序数据对应的非季节分量。
105.数据输入模块420包括：
106.预测结果确定单元，用于通过所述arima模型根据用户预先输入的预测参数，确定与所述目标时序数据对应的非季节性预测结果。
107.上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
108.实施例五
109.图5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。
110.如图5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。
111.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。
112.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执行上文所描述的各个方法和处理，例如时序数据分析方法。
113.在一些实施例中，时序数据分析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时序数据分析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)而被配置为执行时序数据分析方法。
114.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。
115.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。
116.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。
117.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。
118.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。
119.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。
120.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。
121.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。