电力监控系统威胁分析的知识图谱生成方法、系统及介质与流程

1.本发明涉及一种电力监控系统威胁分析的知识图谱生成方法、系统及介质，属于电力交易技术领域。


背景技术：

2.确保电力系统安全是国家经济发展的重要环节，目前，电力监控系统安全防护方面已经具备初步的网络态势感知能力，同时，也已经开始具备了系统内部安的脆弱性发现、分析与处置能力。但是，在面对已知或未知的风险时，却欠缺对威胁的综合考虑，只有单一的威胁告警，没有彼此的关系，更没有综合分析或讨论深层次的系统威胁分析。
3.知识图谱技术，本质上是利用图数据库，是一种非关系型数据库，虽没有关系型数据库采集数据，处理数据的迅速快捷，但可以利用其本质的图论原理来梳理众多无法用人工或关系型数据库处理的复杂数据之间的关系问题。而目前电力监控系统中的威胁分析相关需求，已经拥有大量现有数据与知识库，并不需要多个关系型数据库的数据采集，但对复杂数据之间存在的关系梳理需求却是重中之重，首先可明确数据本身的联系，之后依据其联系，进一步合理的进行有效威胁分析。
4.现有技术应用中，仅有在电力监控系统单独使用知识图谱技术，又或单独使用人工智能技术，因此不足以满足当今电力行业对智能化落地的需求，同时也无法利用数据本身的实体关系，实现在复杂数据中准确、高效进行智能化威胁分析。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供一种电力监控系统威胁分析的知识图谱生成方法、系统及介质，能够在电力系统安全等监控系统安全风险评估的数据的基础上，对数据特点进行分析，并满足实际需求。
6.为达到上述目的，本发明是采用下述技术方案实现的：第一方面，本发明提供了一种电力监控系统威胁分析的知识图谱生成方法，包括以下步骤：s1：获取威胁分析实际数据；s2：对所述威胁分析实际数据进行预处理，生成单一维度向量图；所述单一维度向量图的数据包括特征和关键评分；s3：对单一维度向量图内进行聚类和建模，得到单一维度向量图的聚类类别，进而得到能够综合分析所有威胁的相关数据；所述能够综合分析所有威胁的相关数据包括单一维度向量图的聚类类别、特征和关键评分；s4：根据所述能够综合分析所有威胁的相关数据，抽取所述能够综合分析所有威胁的相关数据之间的关联关系，并根据能够综合分析所有威胁的相关数据及其之间的关联关系生成智能化的动态知识图谱。
7.进一步的，步骤s1中，获取威胁分析实际数据的方法包括：
从电力系统各场站源头获得安全相关的监控采集粗数据，所述粗数据事先分配为三大部分：高危异常数据，无威胁数据，实际日常数据；所述高危异常数据指历史安全事件数据中，屡次引起风险的所有数据；所述无威胁数据指最为纯净，无威胁及完全无数据的情况下的所有数据；所述实际日常数据指的是近三年内一个调度中心所日常监控的实际数据，内容包括多数的安全数据和偶然发现的威胁数据；将高危异常数据的关键评分定为上限值，将无威胁数据的关键评分定为下限值，实际日常数据的关键评分根据具体威胁程度确定；整理粗数据和对应的关键评分，得到威胁分析实际数据。
8.进一步的，步骤s2中，对所述威胁分析实际数据进行预处理的方法包括：s21：对所述威胁分析实际数据分为多维度进行关联正确特征提取，得到关联特征数据；s22：对关联特征数据进行干扰数据过滤，得到实际数据；s23：基于获取到的实际数据的文本数据，进行文本数字化，将实际数据的文字信息转换为数字，得到多维度的数字数据；s24：进行多维度的数据融合，将多维度的数字数据映射到一个层面上，生成单一维度向量图；所述单一维度向量图的数据包括特征和关键评分；所述特征是数字化后的多维度的数据直接单维排列展开形成。
9.进一步的，步骤s21中，进行关联正确特征提取，包括对所述威胁分析实际数据分为四个维度进行关联正确特征提取；四个维度包括：ip地址维度：不同ip地址上的具体风险，告警级别，聚类类别，上午告警次数，下午告警次数，具体开放服务，具体设备名称，具体协议，具体核查时间，风险等级，是否异常，具体漏洞的核查时间与设备名称；开放服务维度：不同开放服务上的具体ip地址，设备名称，核查时间，具体协议；具体风险维度：不同具体风险上的具体ip地址，告警级别；具体漏洞维度：不同具体漏洞上的具体ip地址，设备名称，核查时间。
10.进一步的，步骤s22中，对关联特征数据进行干扰数据过滤，包括：对关联特征数据的不规则数据、空数据、脏数据、已损坏数据或会影响到知识图谱构建的错误逻辑数据进行过滤。
11.进一步的，步骤s24中，所述单一维度向量图的生成方法包括：将多维度的各个具体威胁数据的数字数据以0-255的像素为限转换为灰度值，转换后的数字最大值的灰度值确定为255，而转换后的数字最小值的灰度值确定为0，其他数字则成比例转换，得到各个具体威胁数据的灰度值；灰度值中，0为纯白色，255为纯黑色，中间数值为灰度按照梯度从0至255逐渐递增的灰度颜色；以转换后的数字数据构建单一维度向量图，横坐标为具体威胁数据的名称，纵坐标为一个空间单位，每个横坐标上的颜色为对应具体威胁数据的灰度值对应的颜色，构建出来的一行不同颜色代表不同威胁程度的单一维度向量图。
12.进一步的，步骤s3中，对单一维度向量图内的数据的进行聚类和建模的方法包括
应用无监督学习kmeans进行聚类和建模，包括以下步骤：建立kmeans无监督学习模型，所述模型输入为来自于单一维度向量图的数据，包括特征，关键评分，输出为有标签的聚类数据；获取单一维度向量图的特征、关键评分数据，并从中随机抽取一部分的数据作为训练集，另一部分的数据作为测试集；将训练集和测试集输入kmeans无监督学习模型，其中，以单一维度向量图的灰度值作为输入数据中的权重数据并进行机器学习的训练，得到训练好的kmeans无监督学习模型；根据训练好的kmeans无监督学习模型，得到单一维度向量图的聚类标签。
13.进一步的，步骤s4中，根据能够综合分析所有威胁的相关数据及其关联关系生成智能化的动态知识图谱的方法包括：将能够综合分析所有威胁的相关数据及其关联关系，通过软件编程方法，生成可视化的动态知识图谱；所述关联关系包括，使用、授权、解析、包含、属于、攻击、利用、发送和接受。
14.第二方面，本发明提供一种电力监控系统威胁分析的知识图谱生成系统，包括：数据获取模块：用于获取威胁分析实际数据；预处理模块：用于对所述威胁分析实际数据进行预处理，生成单一维度向量图；聚类模块：用于对单一维度向量图内的数据的进行聚类和建模，得到单一维度向量图的聚类类别，进而得到能够综合分析所有威胁的相关数据；所述能够综合分析所有威胁的相关数据包括单一维度向量图的聚类类别、特征和关键评分；图谱生成模块：用于用于根据所述能够综合分析所有威胁的相关数据，抽取能够综合分析所有威胁的相关数据的关联关系，并根据能够综合分析所有威胁的相关数据及其关联关系生成智能化的动态知识图谱。
15.第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述方法的步骤。
16.与现有技术相比，本发明所达到的有益效果：1、本发明分别生成特征，聚类类别和关键评分，结合特征，聚类类别和关键评分，得到能够综合分析所有威胁的相关数据的关联关系，并根据能够综合分析所有威胁的相关数据及其关联关系生成智能化的动态知识图谱，能够在电力系统安全等监控系统安全风险评估的数据的基础上，对数据特点进行分析，可以利用数据本身的实体关系，实现在复杂数据中准确、高效进行智能化威胁分析。
17.2、本发明利用人工智能技术将更多特征及威胁影响综合分析建模，以此可从ip地址，开放服务，具体风险，具体漏洞四个维度的现有知识库中的关键数据入手进行分析，而每个维度又可以细分威胁评估，例如异常威胁评估，缺陷等级威胁评估与风险等级威胁评估等。利用知识图谱技术实现数据之间的知识表示与数据之间的关联关系，再利用机器学习融合上述威胁评估数据进行建模，聚类，并输出综合评分，从而实现对系统威胁智能化分析。
18.3、本发明获取威胁分析实际数据；依照实际电力系统威胁分析与评估规则，本发明在电力系统安全等监控系统安全风险评估的数据的基础上，对数据特点进行分析，满足
实际需求。
19.4、本发明在数据预处理过程中，便于计算机处理和后续的分析，解决了多维度的数据融合问题，并设计了多维度的数据映射到一个层面上的单一维度向量图方法。
20.5、本发明基于公开现有的技术方法，实现文本数字化，并通过设计，对威胁数据进行综合分析，利用无监督学习进行机器学习建模与聚类，并输出有强关联的威胁分析相关性的评分，确保数据模型聚类结果同时满足聚类中较高的簇内相似性与簇间差异性。
21.6、本发明利用知识图谱本身的优势，将上述分析过程与提取到的重要特征进行数据关联，并实现便捷的可视化显示，为监视人员提高检索效率；7、本发明应用知识图谱能够对实际数据进行智能分析，结合机器学习聚类建模，构造动态化的知识图谱，能够对威胁事件进行有效评估，能够提取出需要重点监控的威胁事件，能够降低了检测疏漏的可能性。
附图说明
22.图1是本发明实施例一提供的一种电力监控系统智能化威胁分析的知识图谱，此图为四个维度根节点展开图。
23.图2是本发明实施例一提供的一种电力监控系统智能化威胁分析的知识图谱，此图为四个维度中，以ip地址维度展开的知识图谱。
24.图3是本发明实施例一提供的一种电力监控系统智能化威胁分析的知识图谱，此图为四个维度中，以开放服务维度展开的知识图谱。
25.图4是本发明实施例一提供的一种电力监控系统智能化威胁分析的知识图谱，此图为四个维度中，以具体风险维度展开的知识图谱。
26.图5是本发明实施例一提供的一种电力监控系统智能化威胁分析的知识图谱，此图为四个维度中，以具体漏洞维度展开的知识图谱。
27.图6是本发明的方法流程图。
具体实施方式
28.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
29.实施例一：本发明实施例提供了一种电力监控系统威胁分析的知识图谱生成方法，如图6所示，包括：步骤1：从电力系统各场站源头获得安全相关的监控采集粗数据，进行特征提取、数据过滤、文本数据数字化、多维度大数据融合，单一维度向量图等前期数据预处理方法，得到单一维度数据向量图。
30.步骤1.1：粗数据进行特征提取，得到四个维度的关联特征数据。
31.步骤1.2：通过数据过滤，将特征数据中的干扰数据过滤掉。
32.步骤1.3：基于获取到的实际数据的文本数据，应用one-hot编码技术进行文本数字化，将实际数据的文字信息转换为数字，得到多维度的数字数据。
33.步骤1.4：进行多维度的数据融合，将多维度的数字数据映射到一个层面上，生成
单一维度向量图，其特征是数字化后的多维度数据直接单维排列展开。单一维度向量图内的数据，是作为后续机器学习模型的输入。
34.步骤2：根据单一维度向量图，应用无监督学习kmeans，进行聚类，得到能够综合分析所有威胁的相关数据。
35.步骤3：根据综合分析所有威胁的相关数据，进行特征，聚类和关键评分处理，得到能够综合分析所有威胁的相关数据的关联信息，根据得到的关联信息生成智能化的动态知识图谱。特征，关键评分，都来自单一维度向量图，也是通过原始数据一步一步到单一维度向量图，最后生成出来的，聚类则是来自上一个步骤的无监督学习kmeans算法。
36.该关联信息至少包括能够综合分析所有威胁的相关数据之间的关联关系，也可以直接抽取为实体与关系三元组，关联关系与实体与关系三元组都是知识图谱体系术语，本领域技术人员可以明确得知其概念和原理。
37.知识图谱生成的具体方法是将所有综合威胁分析数据的关联信息，通过程序和neo4j软件等编程方法，生成可视化的动态知识图谱。
38.具体的，威胁分析实际数据，来自电力系统各个场站，省调，地调等现场直接采集得到。
39.具体的，进行关联正确特征提取，包括：ip地址维度：不同ip地址上的具体风险，告警级别，聚类类别，上午告警次数，下午告警次数，具体开放服务，具体设备名称，具体协议，具体核查时间，风险等级，是否异常，具体漏洞的核查时间与设备名称；开放服务维度：不同开放服务上的具体ip地址，设备名称，核查时间，具体协议；具体风险维度：不同具体风险上的具体ip地址，告警级别；具体漏洞维度：不同具体漏洞上的具体ip地址，设备名称，核查时间。
40.具体的，进行干扰数据过滤，包括：对上述提到的需求数据中的不规则数据，空数据，脏数据，已损坏数据，或会影响到知识图谱构建的错误逻辑数据。
41.具体的，进行文字数字化，包括：利用公开的one-hot独热代码的方式，将所有文本数据转换为数字。
42.本实施例提供一种电力监控系统威胁分析的知识图谱生成方法、系统及介质，能够通过四个维度（ip地址，开放服务，具体风险，具体漏洞）构建知识图谱，并利用每个维度中的与安全和威胁相关的具体关键数据量，数据关系，数据评分等，提供威胁分析的合理性与准确性，最后用机器学习建模聚类，输出总评分数。
43.进行多维度的数据融合，详细则是已经转换成数字的数据映射到一个层面上，利用单一维度向量图表示。其中单一维度向量图，具体是以0-255的像素为限，原本转换后的数字最大值转为255，而最小值转为0，其他数字则成比例转换，之后以转换后的数字构建单一维度向量图，横坐标为具体威胁数据名称（例如：告警级别，风险等级，是否异常等等，每个维度的具体威胁数据都有可能作为横坐标），纵坐标为一个空间单位，无任何意义。这样构建出来的一行不同颜色（代表不同威胁程度）的单一维度向量图。其中，单一维度向量图的具体颜色是指，单一维度向量图，将上述0-255的像素，显示为具体的灰度颜色，0为纯白色，255为纯黑色，中间数值为灰度按照梯度从0至255逐渐递增的灰度颜色，起到更为直观
的作用。一般情况下，其中越趋近于白色亮色，则威胁程度越低，反之，越趋近于黑色深色，则威胁程度越高。但单一维度向量图并不能100%准确依据颜色深浅来显示对应威胁程度，因此，少数极特殊情况下，会出现与上述规则不同的情况，也因此需要下述人工智能的介入分析与聚类输入。
44.以单一维度向量图作为数据预处理和输入，进入下一个方面的智能化威胁分析的知识图谱建模，利用已公开的机器学习中无监督学习的kmean基础算法进行聚类与建模。
45.具体的，应用无监督学习kmeans对预处理后单一维度向量图内的数据的进行聚类和建模，以此综合分析所有威胁数据。应用kmeans无监督学习，输入是单一向量图中的所有特征数据，输出是算法依据数据点之间的空间距离，与本身依据经验设定的k值，一起计算处理的类别。因为聚类可以通过算法和计算机有效分析数据点之间的关联，生成新的参考特征，也因此更加全面的分析了威胁数据，属于增加了一种智能化的方法。这个步骤（聚类和建模）得到聚类类别，具体就是a-e聚类和x聚类。相当于扩大特征数据，这些聚类作为新的特征数据，同单一向量图的数据结合在一起，输出到下一个步骤，结合起来，生成智能化动态知识图谱。
46.其中模型建立分为，模型训练，模型生成，模型输出三部分。
47.模型训练具体就是指，将已经预处理好的单一维度向量图中包含的对应数字信息输入模型，并进行机器学习的训练步骤。应用无监督学习kmeans对预处理后单一维度向量图内的数据的进行聚类和建模，以此综合分析所有威胁数据。
48.根据实际数据和上述方法，聚类结果呈现6种：定义为"a型聚类"，"b型聚类"，"c型聚类"，"d型聚类"，"e型聚类"，"x型聚类"。其中按照字母顺序从"a型聚类"完全无威胁，到"e型聚类"高危异常，另外"x型聚类"是分散在其他多数聚类之外的散点，大多是杂讯，但也包含了未知威胁信息的存在，因为这部分数据不符合历史数据集的训练模型，所以是最值得监控人员观察的数据。
49.其中，以单一维度向量图，不同颜色（代表不同威胁程度）作为输入数据中的权重数据，本发明之所以选用kmean无监督学习的方法，有三方面原因。
50.原因一，该算法已经是无监督学习中十分普遍和通用的方法，经过长期众多项目的应用，已经较为成熟与稳定，原因二，通过kmean本身的数字向量距离的原理进行聚类，对目前已向量化的数据处理更加有利，原因三，其所得到的结果有公开的方法可以进行精准度与准确率的检测，其可信度更高。
51.应用无监督学习kmeans对预处理后单一维度向量图内的数据的进行聚类和建模，包括：模型训练集，是来自于单一维度向量图的预处理数据，就是特征，关键评分等数据。这些数据最为全集，再从中随机抽取80%的数据作为训练集，20%的数据作为测试集，是已公开的kmeans无监督学习中的主要步骤。
52.将模型训练集输入模型中进行训练，获得训练好的模型；所述模型输入为来自于单一维度向量图的预处理数据，包括特征，关键评分等数据，输出为有标签的聚类数据。标签为上面提到的a，b，c，d，e聚类和x聚类。
53.具体地，模型训练具体就是指，将已经预处理好的单一维度向量图中包含的对应数字信息输入模型，并进行机器学习的训练步骤。
54.其中，以单一维度向量图，不同颜色（代表不同威胁程度）作为输入数据中的权重数据。
55.模型训练集的获取方法包括来自于单一维度向量图的数据。
56.另外，步骤1中，获取威胁分析实际数据的具体方法包括：输入超过万条的电力监控系统历史安全数据，其中数据事先分配为三大部分：高危异常数据，无威胁数据，实际日常数据。
57.其中，高危异常数据，具体指历史安全事件数据中，屡次引起风险的所有数据。
58.其中，无威胁数据，具体指最为纯净，无威胁数据及完全无数据的情况。
59.其中，实际日常数据，具体指的是近三年内一个调度中心所日常监控的实际数据，内容包括多数的安全数据和偶然发现的威胁数据。
60.将历史数据中，高危异常数据，训练并输出的数字作为评分的100，最为纯净和无威胁数据及完全无数据的情况，作为评分的0。
61.需要说明的是，单一维度向量图的生成过程，还包括将威胁数据进行预处理，包括：将实际威胁数据中的已经过数字化处理的结构化数据进行数据融合、实体抽取和实体消除歧义。
62.最后，将上述所有特征数据及分析评分等进行合理的知识图谱，从而实现智能化。
63.其中，知识图谱的可视化部分应用了开源的neo4j社区版。
64.单一维度向量图的生成过程，包括将威胁数据进行预处理，包括：将实际威胁数据中的已经过数字化处理的结构化数据进行数据融合、实体抽取和实体消除歧义。
65.本实施例中的知识图谱，具体可以这样应用：知识图谱会在起始界面显示几个根节点，如图1，包括四个维度，ip地址，开放服务，风险，漏洞。这四个维度还可以再归类为，ip地址归类为分析结果，开放服务，风险，漏洞，归类为网络空间展现。
66.知识图谱面向操作人员展现此根节点，再由操作人员针对各自不同的需求，进行详细查阅。具体使用方式，就是从根节点再往各个分支，以及电力系统监控操作实际需求等，对分支细项进行具体查阅，而知识图谱主要起到可以依据逻辑关系，方便操作人员进行查阅，并快速，准确的进行索引。
67.根据生成的知识图谱，对电力监控系统数据进行探测/监控，得到电力监控系统中是否寻找威胁。
68.如图2所示，所述威胁分析实际数据的ip地址维度包括：不同ip地址上的具体风险，告警级别，聚类类别，上午告警次数，下午告警次数，具体开放服务，具体设备名称，具体协议，具体核查时间，风险等级，是否异常，具体漏洞的核查时间与设备名称。
69.如图3所示，所述威胁分析实际数据的开放服务维度包括：不同开放服务上的具体ip地址，设备名称，核查时间，具体协议。
70.如图4所示，所述威胁分析实际数据的风险维度包括：不同具体风险上的具体ip地址，告警级别。
71.如图5所示，所述威胁分析实际数据的漏洞维度包括：不同具体漏洞上的具体ip地址，设备名称，核查时间。
72.根据国家电网公司相关运行单位于近三年获取的数据，依照上述描述，最终利用开源neo4j输出可视化的动态知识图谱。从而能够清晰使每次威胁分析结果呈现给监控人员，便于快速检索和溯源。
73.生成智能化动态知识图谱包括：依据电力系统的需求，电力监控人员从便于观看的角度，将威胁数据划分为四个维度，以此构成知识图谱的“实体”数据和“关系”数据。根据国家电网公司相关运行单位于近三年获取的数据，进行处理绘制知识图谱，其中圆圈表示“实体”时间，各“实体”之间的连接线表示“关系”数据。
74.本发明利用人工智能技术将更多特征及威胁影响综合分析建模，以此可从ip地址，开放服务，具体风险，具体漏洞四个维度的现有知识库中的关键数据入手进行分析，而每个维度又可以细分威胁评估，例如异常威胁评估，缺陷等级威胁评估与风险等级威胁评估等。利用知识图谱技术实现数据之间的知识表示与数据之间的关联关系，再利用机器学习融合上述威胁评估数据进行建模，聚类，并输出综合评分，从而实现对系统威胁智能化分析。
75.本发明获取威胁分析实际数据；依照实际电力系统威胁分析与评估规则，本发明在电力系统安全等监控系统安全风险评估的数据的基础上，对数据特点进行分析，并满足实际需求。
76.本发明在数据预处理过程中，便于计算机处理和后续的分析，解决了多维度的数据融合问题，并设计了多维度的数据映射到一个层面上的单一维度向量图方法。
77.本发明基于公开现有的技术方法，实现文本数字化，并通过设计，对威胁数据进行综合分析，利用无监督学习进行机器学习建模与聚类，并输出有强关联的威胁分析相关性的评分。现有对无监督学习以及kmeans模型本身准确性判定的方法，则是应用学术界公开常用的相似度分析 (similarity analysis)，具体是指在实验聚类过程中，以数据在二维图上的投影的距离与密度的关系，确保数据模型聚类结果同时满足聚类中较高的簇内相似性与簇间差异性。
78.本发明利用知识图谱本身的优势，将上述分析过程与提取到的重要特征进行数据关联，并实现便捷的可视化显示，为监视人员提高检索效率；本发明所述知识图谱用于智能化威胁分析和评估电力监控系统；通过知识图谱进行分析，这些分析都可以从图谱中看到“分析”线，例如ip地址那张图谱里面，缺陷等级“分析”中，是否异常“分析”是，具体分析方法则是上述步骤，从最初特征提取，过滤数据，到后来的单一维度向量图，外加聚类等过程，得到的分析和评估数据。这些数据就是上面例子中的：“高”“中”“低”；“是”“否”等本发明应用知识图谱能够对实际数据进行智能分析，结合机器学习聚类建模，构造动态化的知识图谱，能够对威胁事件进行有效评估，能够提取出需要重点监控的威胁事件，能够降低了检测疏漏的可能性。智能分析，就是指在上述分析的基础上，加入kmeans的聚类分析结果。应用了无监督学习，就让“分析”有了智能。分析得到的结果，就是得到能够综合分析所有威胁的相关数据的关联信息。最后用关联信息，生成知识图谱实施例二：本实施例提供一种电力监控系统威胁分析的知识图谱生成系统，包括：数据获取模块：用于获取威胁分析实际数据；
特征提取模块：用于对所述威胁分析实际数据分为多维度进行关联正确特征提取，得到关联特征数据；过滤模块：用于对关联特征数据进行干扰数据过滤，得到实际数据；数字化模块：用于基于获取到的实际数据的文本数据，进行文本数字化，将实际数据的文字信息转换为数字，得到多维度的数字数据；数据融合模块：用于进行多维度的数据融合，将多维度的数字数据映射到一个层面上，生成单一维度向量图；聚类模块：用于对单一维度向量图内的数据的进行聚类和建模，得到单一维度向量图的聚类类别，进而得到能够综合分析所有威胁的相关数据；所述能够综合分析所有威胁的相关数据包括单一维度向量图的聚类类别、特征和关键评分；图谱生成模块：用于结合特征，聚类类别和关键评分，得到能够综合分析所有威胁的相关数据的关联信息，并根据能够综合分析所有威胁的相关数据及其关联关系生成智能化的动态知识图谱。
79.本实施例的系统可用于实现实施例一所述的方法。
80.实施例三：本实施例提供第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述方法的步骤。
81.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
82.本技术是参照根据本技术实施例的方法、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。
83.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。
84.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。
85.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。