基于预测模型的数据预测方法、装置、设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于预测模型的数据预测方法、装置、设备及存储介质。


背景技术：

2.目前主流互联网企业，通常每天会产生数亿级的业务数据，基于这些业务数据的分析和决策已成为企业生存和发展的关键。由于业务数据生成的速度和量级已大大超出人工处理的极限，因此，大规模机器学习算法已成为日常数据分析的重要手段。企业在实现大规模机器学习算法时，相应的工程架构通常分为离线模块和在线模块两个部分。离线模块主要完成决策模型的学习过程，具体包括模型训练和模型评估两个模块，并输出决策模型文件。在线模块主要完成决策模型的推理过程，具体是指将在线请求转换为决策模型对应的输入格式，并通过决策模型中的计算逻辑获取到推理结果。
3.现有对预测模型的数据预测方式，需要从对预测模型进行训练，再导出模型文件，接着部署预测模型，最后通过预测模型进行数据预测。这样的方式由于各个模型接口不统一，无法对多个模型进行部署和维护，并且当需要新增一个模型应用时，需要重新申请应用，无法快速完成模型的上线，导致无法对预测数据进行快速预测。由此如何实现预测模型对预测数据进行快速预测，是本领域技术人员亟待解决的技术问题。


技术实现要素：

4.本技术实施例的目的在于提出一种基于预测模型的数据预测方法、装置、设备及存储介质，以提高预测模型对预测数据预测效率。
5.为了解决上述技术问题，本技术实施例提供一种基于预测模型的数据预测方法，包括：
6.当待处理预测模型上线时，获取所述待处理预测模型对应的模型文件，得到初始模型文件，以及基于所述初始模型文件，获取待处理预测模型对应的特征信息，并将所述模型文件和所述特征信息存储于数据库中，其中，所述待处理预测模型包括新版本预测模型和/全新预测模型；
7.当接收到调用模型命令时，解析所述调用模型命令，以获取所述调用模型命令中的待预测主体编号、待预测数据日期以及预测模型标识，其中，所述预测模型标识包括模型编号、模型版本号以及模型文件名称；
8.基于所述预测模型标识，从数据库中获取所述预测模型标识对应的模型文件，作为目标模型文件，并解析所述目标模型文件，以加载所述目标模型文件对应的目标预测模型；
9.基于所述待预测主体编号和待预测数据日期，获取待预测主体和待预测数据，并将所述待预测主体和所述待预测数据输入到所述目标预测模型中进行预测，得到预测结果。
10.为了解决上述技术问题，本技术实施例提供一种基于预测模型的数据预测装置，包括：
11.特征信息获取模块，用于当待处理预测模型上线时，获取所述待处理预测模型对应的模型文件，得到初始模型文件，以及基于所述初始模型文件，获取待处理预测模型对应的特征信息，并将所述模型文件和所述特征信息存储于数据库中，其中，所述待处理预测模型包括新版本预测模型和/全新预测模型；
12.模型命令解析模块，用于当接收到调用模型命令时，解析所述调用模型命令，以获取所述调用模型命令中的待预测主体编号、待预测数据日期以及预测模型标识，其中，所述预测模型标识包括模型编号、模型版本号以及模型文件名称；
13.预测模型加载模块，用于基于所述预测模型标识，从数据库中获取所述预测模型标识对应的模型文件，作为目标模型文件，并解析所述目标模型文件，以加载所述目标模型文件对应的目标预测模型；
14.预测结果生成模块，用于基于所述待预测主体编号和待预测数据日期，获取待预测主体和待预测数据，并将所述待预测主体和所述待预测数据输入到所述目标预测模型中进行预测，得到预测结果。
15.为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于预测模型的数据预测方法。
16.为解决上述技术问题，本发明采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的基于预测模型的数据预测方法。
17.本发明实施例提供了一种基于预测模型的数据预测方法、装置、设备及存储介质。其中，方法包括：当待处理预测模型上线时，获取待处理预测模型对应的模型文件，得到初始模型文件，以及基于模型文件，获取待处理预测模型对应的特征信息，并将模型文件和特征信息存储于数据库中；当接收到调用模型命令时，解析调用模型命令，以获取调用模型命令中的待预测主体编号、待预测数据日期以及预测模型标识；基于预测模型标识，从数据库中获取预测模型对应的模型文件，作为目标模型文件，并解析目标模型文件，以加载目标预测模型；基于待预测主体编号和待预测数据日期，获取待预测主体和待预测数据，并将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。本技术实施将训练后的模型文件都统一维护在数据库中，以及将所配置的特征变量维护在其中，避免接口不统一的问题，实现一个或多个模型的快速部署和维护，同时在需要新增一个模型应用时，只需配置特征变量，保存模型文件，使得后续可以快速完成模型的上线部署，从而有利于提高预测模型对预测数据预测效率。
附图说明
18.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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。
19.图1是本技术实施例提供的基于预测模型的数据预测方法中子流程的一实现流程
图；
20.图2是本技术实施例提供的基于预测模型的数据预测方法中子流程的又一实现流程图；
21.图3是本技术实施例提供的基于预测模型的数据预测方法中子流程的又一实现流程图；
22.图4是本技术实施例提供的基于预测模型的数据预测方法中子流程的又一实现流程图；
23.图5是本技术实施例提供的基于预测模型的数据预测方法中子流程的又一实现流程图；
24.图6是本技术实施例提供的基于预测模型的数据预测方法中子流程的又一实现流程图；
25.图7是本技术实施例提供的基于预测模型的数据预测装置示意图；
26.图8是本技术实施例提供的计算机设备的示意图。
具体实施方式
27.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
28.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
29.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
30.下面结合附图和实施方式对本发明进行详细说明。
31.需要说明的是，本技术实施例所提供的基于预测模型的数据预测方法一般由服务器执行，相应地，基于预测模型的数据预测装置一般配置于服务器中。
32.请参阅图1，图1示出了基于预测模型的数据预测方法的一种具体实施方式。
33.需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限，该方法包括如下步骤：
34.s1：当待处理预测模型上线时，获取待处理预测模型对应的模型文件，得到初始模型文件，以及基于初始模型文件，获取待处理预测模型对应的特征信息，并将模型文件和特征信息存储于数据库中，其中，待处理预测模型包括新版本预测模型和/全新预测模型。
35.在本实施例中，为了更清楚的理解技术方案，下面对本技术所涉及的终端进行详细介绍。其中，本技术实施例是在服务器的角度描述技术方案。
36.一是服务器，服务器能够接收待处理预测模型，获取模型文件和用户端所配置的
特征变量，并将其储存于数据库中；在获取到模型调用模型命令时，获取待预测主体和预测数据，并部署预测模型；预计预测模型对预测数据进行预测，得到预测结果，并定时监控预测结果是否发生异常，若判定异常，则生成告警信息，以及将告警信息发送到用户端。
37.二是用户端，用户端可以接收服务器返回的模型文件，并对该模型文件进行配置对应的特征变量和模型标识；用户端也可以向服务器发送调用模型命令，以对预测数据进行预测，以及接收预测结果和告警信息。
38.请参阅图2，图2示出了步骤s1的一种具体实施方式，详叙如下：
39.s11：当待处理预测模型上线时，获取待处理预测模型对应的模型文件，得到初始模型文件。
40.s12：将初始模型文件返回用户端，以获取用户端对初始模型文件所配置的特征信息，其中，特征信息包括特征变量和模型标识。
41.s13：按照预设的排列顺序，将特征变量序列化存储于数据库中，以及将模型文件和模型标识存储于数据库中。
42.具体的，在待处理预测模型上传至服务器时，服务器需要对这些预测模型进行配置和存储，在后续需要进行部署时，可以从存储的模型文件中快速获取到对应的模型文件，实现快速部署预测模型。待处理预测模型上传时，服务器只需将其对应的初始模型文件返回用户端，并且由于初始模型文件是经过训练过后得到的，其具备特征变量和参数，用户端只需要根据需要配置对应的特征变量参数，并将其返回服务器进行存储，即可实现服务器对多个预测模型进行存储，在后续可以进行针对某个模型进行快速部署。
43.并且由于每个模型都有一套特征变量，这些特征变量是通过前期模型训练和参数调整过程中确定下来的。根据这些特征进行预测，模型的预测效果最佳。特征之所以会有顺序，是因为模型进行预测时，会对输入数据组合为一个向量，向量中每个位置的数据是有特定含义的，这个顺序和训练阶段必须要保持一致。例如训练时是按照年龄、工作年限、性别传入；配置特征变量时，也要保持年龄、工作年限、性别的顺序，顺序错乱会误把年龄当做工作年限，造成预测结果出现重大偏差。
44.而现有的预测模型部署则是针对某个模型，先进行模型训练，再导出模型文件，接着部署预测模型，最后通过预测模型进行数据预测。这样由于各个模型接口不统一，无法对多个模型进行部署和维护，并且当需要新增一个模型应用时，需要重新申请应用，无法快速完成模型的上线。而本技术实施例则是将训练后的模型文件都统一维护在数据库中，以及将所配置的特征变量维护在其中，可以实现一个或多个模型的快速部署和维护。
45.s2：当接收到调用模型命令时，解析调用模型命令，以获取调用模型命令中的待预测主体编号、待预测数据日期以及预测模型标识，其中，模型标识包括模型编号、模型版本号以及模型文件名称。
46.具体的，在需要进行模型部署和预测时，用户端向服务器发送调用模型命令，该调用模型命令包括待预测主体编号、待预测数据日期、预测模型标识，另外模型标识包括模型编号、模型版本号以及模型文件名称。预测主体编号、待预测数据日期可以为公司编号和财务报告的报告期。
47.s3：基于预测模型标识，从数据库中获取预测模型标识对应的模型文件，作为目标模型文件，并解析目标模型文件，以加载目标模型文件对应的目标预测模型。
48.请参阅图3，图3示出了步骤s3的一种具体实施方式，详叙如下：
49.s31：基于预测模型标识，遍历数据库，获取预测模型标识对应的模型文件，作为目标模型文件。
50.s32：解析目标模型文件，以获取目标模型文件对应的参数和特征变量。
51.s33：基于参数和特征变量，将目标预测模型部署于运行环境中。
52.具体的，由于在预测模型上传时，配置了各个预测模型的模型标识，并将其储存于数据库中。在获取到调用模型命令后，基于预测模型标识，遍历数据库，获取获取预测模型标识对应的模型文件，作为目标模型文件；然后解析目标模型文件，以获取目标模型文件对应的参数和特征变量，再基于参数和特征变量，将预测模型部署于运行环境中，实现了将模型文件转换为预测模型，从而使得预测模型部署于运行环境中。
53.本实施例中，基于预测模型标识，遍历数据库，获取预测模型标识对应的模型文件，作为目标模型文件，然后解析目标模型文件，以获取目标模型文件对应的参数和特征变量，再基于参数和特征变量，将预测模型部署于运行环境中，实现模型的快速部署，在后续接收到模型调用命令时，可实现模型的快速调用和进行预测，有利于提高预测模型对预测数据预测效率。
54.s4：基于待预测主体编号和待预测数据日期，获取待预测主体和待预测数据，并将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。
55.具体的，先根据待预测主体编号获取待预测主体，在根据待预测主体和待预测数据日期，从数据库中获取待预测数据；并将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。
56.当待处理预测模型上线时，获取待处理预测模型对应的模型文件，以及基于模型文件，获取待处理预测模型对应的特征信息，并将模型文件和特征信息存储于数据库中；当接收到调用模型命令时，解析调用模型命令，以获取调用模型命令中的待预测主体编号、待预测数据日期以及预测模型标识；基于预测模型标识，从数据库中获取预测模型对应的目标模型文件，并解析目标模型文件，以加载目标预测模型；基于待预测主体编号和待预测数据日期，获取待预测主体和待预测数据，并将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。本技术实施将训练后的模型文件都统一维护在数据库中，以及将所配置的特征变量维护在其中，避免接口不统一的问题，实现一个或多个模型的快速部署和维护，同时在需要新增一个模型应用时，只需配置特征变量，保存模型文件，使得后续可以快速完成模型的上线部署，从而有利于提高预测模型对预测数据预测效率。
57.请参阅图4，图4示出了步骤s4的一种具体实施方式，详叙如下：
58.s41：根据待预测主体编号，遍历数据库，获取待预测主体。
59.s42：基于预测主体以及待预测数据日期，从数据库中获取待预测数据。
60.s43：将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。
61.具体的，事先将各个待预测主体和待预测数据存储于数据库中，在需要进行预测时，根据获取的待预测主体编号去遍历数据库，获取到待预测主体；再基于预测主体以及待预测数据日期，从数据库中获取待预测数据，最后将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。本实施例中，通过遍历数据库获取待预测主体和待预
测数据，再将其输入到预测模型中进行预测，得到预测结果，实现了对待预测数据的快速预测，有利于提高预测模型对预测数据的预测效率。
62.请参阅图5，图5示出了步骤s43的一种具体实施方式，详叙如下：
63.s431：将待预测主体和待预测数据输入到目标预测模型中。
64.s432：基于目标预测模型的特征变量，识别待预测数据中特征变量对应的数据，作为目标数据。
65.s433：根据特征变量的预设权重，对目标数据进行预测，得到预测结果。
66.在一具体实施例中，待预测主体为公司编号是s001，待预测数据日期为报告期20201231，根据这两个数据，从财务数据表中查找满足条件的记录。根据请求条件，获取第一条记录的财务数据，得到这家公司这期财报中三个特征变量对应的数值，并对数值按照之前已经配置好的顺序进行排序。模型读取这三个参数的值，给出相应的违约风险概率。比如资产负债率越高，流动比率越低，销售利润率越低，则违约风险越大，给出一个0到1之间的违约概率值0.8。相反，如果资产负债率低，流动比率高，销售利润率也很高，则给出一个低的违约概率值0.1。模型在训练完成后，已经获得了各个特征变量的权重，这样当有新的数据输入时，根据已有的权重和数据能够计算得出最终的预测结果。需要说明的是，预设权重根据实际情况进行设定，此处不作限定。
67.请参阅图6，图6示出了步骤s4之后的一种具体实施方式，详叙如下：
68.s4a：通过定时检测的方式，检测预测模型是否得到预测结果，得到检测结果。
69.s4b：若检测结果为未得到预测结果，则判定预测模型发生异常，并生成告警信息。
70.s4c：若检测结果为得到预测结果，则遍历预测结果，判断预测结果是否包括错误标识。
71.s4d：若包括错误标识，则判定预测模型发生异常，并生成告警信息。
72.具体的，通过定时监控预测模型是否得到预测结果，若未生成预测结果，则判断预测模型发生异常，并生成告警信息；若是定时生成了预测结果，则需要对预测结果进一步检测，判断该预测结果中是否产生错误标识，该错误标识可以为failed，则判定预测模型发生异常，并生成告警信息。
73.在一具体实施例中，请参照表1，表1是一个预测结果表样例，假定每天都有新的公司引入，则正常情况下每天应该有新的预测结果，即预测时间列是按照日期连续的。如果检查到预测时间没有某天的数据，则很可能模型调用出现异常，需要发送告警信息；或者预测时间列连续，可是预测结果列的值出现failed(表示模型预测失败)，则表明模型调用正常，可是预测过程中可能因为缺少数据或者传入的特征变量数目过多，导致无法正常预测结果，也需要发送告警信息。
74.公司编号报告期预测结果预测时间s001202012310.22021-01-01s002202012310.12021-01-02s003202012310.152021-01-03s00120200930failed2021-01-04
75.表1
76.需要强调的是，为进一步保证上述特征信息的私密和安全性，上述特征信息还可
以存储于一区块链的节点中。
77.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体 (read-only memory，rom)等非易失性存储介质，或随机存储记忆体(randomaccess memory，ram)等。
78.请参考图7，作为对上述图1所示方法的实现，本技术提供了一种基于预测模型的数据预测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
79.如图7所示，本实施例的基于预测模型的数据预测装置包括：特征信息获取模块51、模型命令解析模块52、预测模型加载模块53及预测结果生成模块54，其中：
80.特征信息获取模块51，用于当待处理预测模型上线时，获取待处理预测模型对应的模型文件，得到初始模型文件，以及基于初始模型文件，获取待处理预测模型对应的特征信息，并将模型文件和特征信息存储于数据库中，其中，待处理预测模型包括新版本预测模型和/全新预测模型；
81.模型命令解析模块52，用于当接收到调用模型命令时，解析调用模型命令，以获取调用模型命令中的待预测主体编号、待预测数据日期以及预测模型标识，其中，预测模型标识包括模型编号、模型版本号以及模型文件名称；
82.预测模型加载模块53，用于基于预测模型标识，从数据库中获取预测模型标识对应的模型文件，作为目标模型文件，并解析目标模型文件，以加载目标模型文件对应的目标预测模型；
83.预测结果生成模块54，用于基于待预测主体编号和待预测数据日期，获取待预测主体和待预测数据，并将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。
84.进一步的，特征信息获取模块51包括：
85.模型文件获取单元，用于当待处理预测模型上线时，获取待处理预测模型对应的模型文件，得到初始模型文件；
86.模型文件返回单元，用于将初始模型文件返回用户端，以获取用户端对初始模型文件所配置的特征信息，其中，特征信息包括特征变量和模型标识；
87.特征存储单元，用于按照预设的排列顺序，将特征变量序列化存储于数据库中，以及将模型文件和模型标识存储于数据库中。
88.进一步的，预测模型加载模块53：
89.目标模型文件文件获取单元，用于基于预测模型标识，遍历数据库，获取预测模型标识对应的模型文件，作为目标模型文件；
90.目标模型文件解析单元，用于解析目标模型文件，以获取目标模型文件对应的参数和特征变量；
91.预测模型部署单元，用于基于参数和特征变量，将目标预测模型部署于运行环境中。
92.进一步的，预测结果生成模块54包括：
93.待预测主体获取单元，用于根据待预测主体编号，遍历数据库，获取待预测主体；
94.待预测数据生成单元，用于基于预测主体以及待预测数据日期，从数据库中获取待预测数据；
95.预测模型预测单元，用于将待预测主体和待预测数据输入到目标预测模型中进行预测，得到预测结果。
96.进一步的，预测模型预测单元包括：
97.预测模型接收子单元，用于将待预测主体和待预测数据输入到目标预测模型中；
98.目标数据生成子单元，用于基于目标预测模型的特征变量，识别待预测数据中特征变量对应的数据，作为目标数据；
99.目标数据预测子单元，用于根据特征变量的预设权重，对目标数据进行预测，得到预测结果。
100.进一步的，预测结果生成模块54之后还包括：
101.检测结果生成模块，用于通过定时检测的方式，检测预测模型是否得到预测结果，得到检测结果；
102.告警信息生成模块，用于若检测结果为未得到预测结果，则判定预测模型发生异常，并生成告警信息；
103.预测结果遍历模块，用于若检测结果为得到预测结果，则遍历预测结果，判断预测结果是否包括错误标识；
104.预测模型异常模块，用于若包括错误标识，则判定预测模型发生异常，并生成告警信息。
105.需要强调的是，为进一步保证上述特征信息的私密和安全性，上述特征信息还可以存储于一区块链的节点中。
106.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
107.计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有三种组件存储器61、处理器62、网络接口63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field －programmable gate array，fpga)、数字处理器(digital signalprocessor，dsp)、嵌入式设备等。
108.计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
109.存储器61至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器61可以是计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，存储器61也可以是计算
机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital, sd)卡，闪存卡(flash card)等。当然，存储器61还可以既包括计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，存储器61通常用于存储安装于计算机设备6的操作系统和各类应用软件，例如基于预测模型的数据预测方法的程序代码等。此外，存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
110.处理器62在一些实施例中可以是中央处理器(central processing unit， cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62 通常用于控制计算机设备6的总体操作。本实施例中，处理器62用于运行存储器61中存储的程序代码或者处理数据，例如运行上述基于预测模型的数据预测方法的程序代码，以实现基于预测模型的数据预测方法的各种实施例。
111.网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在计算机设备6与其他电子设备之间建立通信连接。
112.本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于预测模型的数据预测方法的步骤。
113.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例的方法。
114.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
115.显然，以上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，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。