基于大数据的金融风险跟踪管理系统、设备及存储介质

1.本发明属于风险管理技术领域，尤其涉及一种基于大数据的金融风险跟踪管理系统、设备及存储介质。


背景技术：

2.数字经济是继农业经济、工业经济之后的主要经济形态，是以数据资源为关键要素，以现代信息网络为主要载体，以信息通信技术融合应用、全要素数字化转型为重要推动力，促进公平与效率更加统一的新经济形态。数字经济发展速度快、辐射范围广、影响程度深，正推动生产方式、生活方式和治理方式深刻变革，成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量。
3.在现有数字经济体系下，面对借贷对象，金融机构一般是要求借款主体提供银行征信报告或企业财报等资料，这种方式存在效率较低和覆盖度不足等问题，容易存在造假，导致风险评估受阻，现有模式中仅仅针对传统的金融数据，而漏掉了更能体现借贷对象风险的行为数据，例如关系链、出行记录、诉讼记录等，综合行为数据和金融数据便可有效的降低风险。
4.通过上述分析，现有技术存在的问题及缺陷为：
5.(1)现有方法针对金融风险问题处理效率较低。
6.(2)现有方法针对借贷对象风险的行为数据考察覆盖率不足。


技术实现要素：

7.针对现有技术存在的问题，本发明提供了一种基于大数据的金融风险跟踪管理系统、设备及存储介质。
8.本发明是这样实现的，一种基于大数据的金融风险跟踪管理系统包括：
9.数据获取模块、数据分类与清洗模块，数据分析模块、预警模块、信息呈现模块；
10.所述数据获取模块，用于获取借贷对象的信息，利用互联网和大数据平台，对借贷对象的数据进行多维度获取；
11.所述数据分类与清洗模块，用于对采集的数据进行整理分类，并将重复信息和干扰信息进行清洗；
12.所述数据分析模块，与数据分类与清洗模块连接，用于利用贝叶斯网络机器学习算法对采集的数据进行对比、分析、计算和处理，输出该借贷对象金融风险的风险等级；
13.所述预警模块，与数据分析模块连接，用于当数据分析模块输出金融风险安全的风险等级较高时，进行金融预警；
14.所述信息呈现模块，与数据分析模块连接，用于显示数据分析模块输出的多维度评估结果。在输出多维度评估中，信息呈现软件初次运行时，向数据分析模块的分析中心进行认证注册并从数据分析模块的分析中心接收安全参数s，完成初始化操作；
15.信息呈现运行，自动且持续地收集用户使用智能终端应用的金融行为数据；将用
户的金融行为数据进行形式化处理得到用户的金融跟踪数据；基于初始化阶段生成的安全参数s，将s加密后对形式化的用户金融跟踪数据进行掩盖保护，之后使用匿名身份将处理过的数据上传到金融风险跟踪管理服务中心，完成金融风险跟踪管理服务中心中数据库的构建，信息呈现会周期性地向金融风险跟踪管理服务中心上传数据，对数据库进行更新；
16.用户通过信息呈现软件，使用匿名的身份向金融风险跟踪管理服务中心发送获取应用推荐的请求；金融风险跟踪管理服务中心向数据分析模块的分析中心进行推荐请求用户的认证，认证通过之后，与信息呈现进行交互式通信。
17.进一步，所述信息呈现软件初次运行时，向数据分析模块的分析中心进行认证注册并从数据分析模块的分析中心接收安全参数s，完成初始化操作包括：
18.(1a)用户k在信息呈现身份管理器和密钥管理器中分别生成自己的匿名身份idk、公私钥对(pkk,skk)和同态加密公私钥对(hpkk,hskk)，利用私钥skk对idk签名之后，将签名信息发送给数据分析模块的分析中心；
19.(1b)数据分析模块的分析中心收到信息呈现发来的注册信息之后进行确认，然后生成自己的公私钥对(pk
ac
,sk
ac
)，利用私钥sk
ac
将信息呈现的签名消息进行签名；
20.(1c)数据分析模块的分析中心选择一个安全的随机大整数s，使用用户k的公钥pkk将s加密之后，与对信息呈现信息的签名消息一起发送给用户k；
21.(1d)用户k通过信息呈现软件接收数据分析模块的分析中心发过来的消息，利用自己的私钥skk将加密的s进行解密，得到s并将s保存到自己的设备当中；
22.所述信息呈现会周期性地向金融风险跟踪管理服务中心上传数据，对数据库进行更新、包括：
23.(2a)信息呈现软件在用户的设备中自动运行，自动且持续地收集用户使用每个智能终端应用的金融行为数据，根据信誉系统truberepec中已经提出的算法，将用户k的金融行为数据a运用信誉系统truberepec提出的算法分别形式化计算为使用金融行为数据反射金融行为数据和相关金融行为数据
24.(2b)在第一个时间窗t1内，信息呈现使用数据分析模块的分析中心ac的公钥pk
ac
将保存的安全参数s加密为e(s)，并将e(s)与时间窗t1内计算得到的用户k关于应用a的使用金融行为数据反射金融行为数据和相关金融行为数据分别相乘，进行掩盖保护；
25.(2c)信息呈现将掩盖之后的用户k的金融行为数据、匿名身份idk和时间窗t1一同上传到金融风险跟踪管理服务中心，金融风险跟踪管理服务中心接收并保存数据；下一个时间窗t2内，信息呈现重复(2b)和本操作步骤，完成金融风险跟踪管理服务中心的数据库更新；
26.所述认证通过之后，与信息呈现进行交互式通信包括：
27.(3a)金融风险跟踪管理服务中心根据数据库中已被掩盖保护的用户数据计算其他用户与推荐请求者之间的关系值，金融风险跟踪管理服务中心将计算出来的用户关系值集合发送到推荐请求者；
28.(3b)推荐请求者在信息呈现接收金融风险跟踪管理服务中心返回的掩盖关系值集合，得到用真实的用户关系值后，利用同态加密公钥将真实的用户关系值进行加密，将同
态加密后的用户关系值集合发送到金融风险跟踪管理服务中心；
29.(3c)金融风险跟踪管理服务中心利用推荐请求者发送的同态加密后的真实用户关系值和数据库中存储的对应用户数据，利用同态加密密文上的同态计算，得到同态加密下的密文数据，数据是计算应用推荐值的必要数据；金融风险跟踪管理服务中心将计算出来的加密数据返回给推荐请求者；
30.(3d)推荐请求者在信息呈现接收金融风险跟踪管理服务中心发来的加密数据，利用自己的同态加密私钥将数据进行解密，利用已有的算法计算得到关于每个应用的推荐值，按照推荐值的大小，将推荐信息展示给用户。
31.所述步骤(3a)的金融风险跟踪管理服务中心计算用户关系值集合并发送到推荐请求者具体包括：
32.(3a1)金融风险跟踪管理服务中心根据推荐请求者的身份idk和数据库中存储的所有系统用户的数据，根据以下公式计算系统中其它用户j与推荐请求者k的掩盖关系值rels(uj,uk)：
[0033][0034]
uj和uk分别表示其它用户j和推荐请求者k，表示在时间窗t内计算出来的推荐请求者k的关于金融行为数据a应用信誉系统truberepec提出的算法得到的使用金融行为数据；
[0035]
(3a2)金融风险跟踪管理服务中心通过计算系统内所有其它用户与推荐请求者k的掩盖关系值，得到掩盖的关系值集合{rels(uj,uk),j≠k}；金融风险跟踪管理服务中心利用推荐请求者k的公钥pkk将掩盖的关系值集合加密为将加密的结果和时间窗返回给请求者k。
[0036]
进一步，所述数据获取模块包括结构化数据获取和非结构化数据获取两种方式。
[0037]
进一步，所述结构化数据内容包括借贷对象的金融资产、金融债务，借贷对象名下运营商数据、消费数据、出行数据、非金融机构债务等日常信用行为；
[0038]
所述非结构化数据内容包括借贷对象的其他造成金融风险的信息。
[0039]
进一步，所述数据分类与清洗模块，将重复信息和干扰信息进行清洗具体包括：
[0040]
s1：基于触发器的触发节点和当前动作节点的数据过滤需求，配置对应的数据过滤规则，并指定触发节点和当前动作节点执行数据过滤规则的触发字段；配置所述数据过滤规则包括选择匹配规则、选择过滤值类型、设置过滤值；
[0041]
s2：基于预先配置的数据过滤规则，执行所述触发器的对应节点的数据过滤规则时，先根据过滤值类型和过滤值得到匹配规则的参数，再通过匹配规则对触发字段的数据进行匹配。
[0042]
进一步，所述匹配规则用于指定匹配的算法；所述过滤值类型用于指定将过滤值转化为匹配规则的参数的方法；所述过滤值用于获取匹配规则的参数。
[0043]
进一步，所述数据分析模块，对采集的数据利用贝叶斯网络机器学习算法进行对比、分析、计算和处理具体包括：
[0044]
(1)分类级别的定义：包含a，b，c，d，e五种等级，其中a等级所代表的风险程度最低，e等级所代表的风险程度最高，根据贝叶斯定理可知，所采集的信息属于某一等级的概率为：
[0045][0046]
其中，特征向量x为某一环境下所采集的事件集合，变量c以及k为某一特定风险等级，具体而言，p(c＝c|x＝x)为所采集事件集合的风险等级的条件概率，p(c＝c)为风险等级的先验概率，p(x＝x|c＝c)为根据所采集事件计算的不同等级的概率，分母为所采集事件本身的先验概率；
[0047]
(2)借助朴素贝叶斯的思想，对特征向量x进行假设：即假设x中每一维的特征都是相互独立的，特征与特征之间不存在任何联系，得到如下公式：
[0048][0049]
其中，向量x为所采集所有事件的集合，xk为具体某一事件元素，n为所有元素的数量；
[0050]
(3)将步骤(1)中的公式代入到步骤(2)中的公式中，得拥有特征向量x的未知样本所属等级概率，且公式表示如下：
[0051][0052]
其中，拥有特征向量x的未知样本的所属等级即为此时金融风险安全的风险等级。
[0053]
进一步，所述信息呈现模块为显示器，并出具风险评估报告。
[0054]
本发明另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于大数据的金融风险跟踪管理系统。
[0055]
本发明另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于大数据的金融风险跟踪管理系统。
[0056]
本发明另一目的在于提供一种基于大数据的金融风险跟踪管理设备，其特征在于，所述基于大数据的金融风险跟踪管理设备用于实现所述的基于大数据的金融风险跟踪管理系统。
[0057]
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
[0058]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0059]
本发明使用利用贝叶斯网络机器学习算法对借贷对象的信息进行风险评估分级，可有效的明确这些风险的严重程度，可帮助管理人员全面、深入的了解风险产生的原因，从而针对性的选择风险措施来降低和控制风险。
[0060]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0061]
本发明提供了大数据平台，在进行数据采集和分析的过程中，减小了分析人员和开发人员的劳动量，为包括消费金融行业在内的各行业提供服务，推动大数据产业的蓬勃发展，具有重要的经济效益和社会效益。
[0062]
本发明在输出多维度评估中，信息呈现软件初次运行时，向数据分析模块的分析中心进行认证注册并从数据分析模块的分析中心接收安全参数s，完成初始化操作；信息呈现运行，自动且持续地收集用户使用智能终端应用的金融行为数据；将用户的金融行为数据进行形式化处理得到用户的金融跟踪数据；基于初始化阶段生成的安全参数s，将s加密后对形式化的用户金融跟踪数据进行掩盖保护，之后使用匿名身份将处理过的数据上传到金融风险跟踪管理服务中心，完成金融风险跟踪管理服务中心中数据库的构建，信息呈现会周期性地向金融风险跟踪管理服务中心上传数据，对数据库进行更新；用户通过信息呈现软件，使用匿名的身份向金融风险跟踪管理服务中心发送获取应用推荐的请求；金融风险跟踪管理服务中心向数据分析模块的分析中心进行推荐请求用户的认证，认证通过之后，与信息呈现进行交互式通信。实现了智能推荐以及安全呈现。
附图说明
[0063]
图1是本发明实施例提供的基于大数据的金融风险跟踪管理系统结构示意图；
[0064]
图2是本发明实施例提供的数据分类与清洗模块将重复信息和干扰信息进行清洗方法流程图；
[0065]
图3是本发明实施例提供的数据分析模块对采集的数据利用贝叶斯网络机器学习算法进行对比、分析、计算和处理流程图；
[0066]
图中：1、数据获取模块；2、数据分类与清洗模块；3、数据分析模块；4、监测模块；5、预警模块；6、信息呈现模块。
具体实施方式
[0067]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0068]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
[0069]
如附图1所示，一种基于大数据的金融风险跟踪管理系统，其特征在于，该系统具体包括：
[0070]
数据获取模块1、数据分类与清洗模块2，数据分析模块3、预警模块4、信息呈现模块5；
[0071]
所述数据获取模块1，用于获取借贷对象的信息，利用互联网和大数据平台，对借贷对象的数据进行多维度获取；
[0072]
所述数据分类与清洗模块2，与数据获取模块1连接，用于对采集的数据进行整理分类，并将重复信息和干扰信息进行清洗；
[0073]
所述数据分析模块3，与数据分类与清洗模块2连接，用于利用贝叶斯网络机器学习算法对采集的数据进行对比、分析、计算和处理，输出该借贷对象金融风险的风险等级；
[0074]
所述预警模块4，与数据分析模块3连接，用于当数据分析模块输出金融风险安全的风险等级较高时，进行金融预警；
[0075]
所述信息呈现模块5，与数据分析模块3连接，用于显示数据分析模块3输出的多维度评估结果。在输出多维度评估中，信息呈现软件初次运行时，向数据分析模块的分析中心进行认证注册并从数据分析模块的分析中心接收安全参数s，完成初始化操作；
[0076]
信息呈现运行，自动且持续地收集用户使用智能终端应用的金融行为数据；将用户的金融行为数据进行形式化处理得到用户的金融跟踪数据；基于初始化阶段生成的安全参数s，将s加密后对形式化的用户金融跟踪数据进行掩盖保护，之后使用匿名身份将处理过的数据上传到金融风险跟踪管理服务中心，完成金融风险跟踪管理服务中心中数据库的构建，信息呈现会周期性地向金融风险跟踪管理服务中心上传数据，对数据库进行更新；
[0077]
用户通过信息呈现软件，使用匿名的身份向金融风险跟踪管理服务中心发送获取应用推荐的请求；金融风险跟踪管理服务中心向数据分析模块的分析中心进行推荐请求用户的认证，认证通过之后，与信息呈现进行交互式通信。
[0078]
在本发明优选实施例中，所述信息呈现软件初次运行时，向数据分析模块的分析中心进行认证注册并从数据分析模块的分析中心接收安全参数s，完成初始化操作包括：
[0079]
(1a)用户k在信息呈现身份管理器和密钥管理器中分别生成自己的匿名身份idk、公私钥对(pkk,skk)和同态加密公私钥对(hpkk,hskk)，利用私钥skk对idk签名之后，将签名信息发送给数据分析模块的分析中心；
[0080]
(1b)数据分析模块的分析中心收到信息呈现发来的注册信息之后进行确认，然后生成自己的公私钥对(pk
ac
,sk
ac
)，利用私钥sk
ac
将信息呈现的签名消息进行签名；
[0081]
(1c)数据分析模块的分析中心选择一个安全的随机大整数s，使用用户k的公钥pkk将s加密之后，与对信息呈现信息的签名消息一起发送给用户k；
[0082]
(1d)用户k通过信息呈现软件接收数据分析模块的分析中心发过来的消息，利用自己的私钥skk将加密的s进行解密，得到s并将s保存到自己的设备当中；
[0083]
在本发明优选实施例中，所述信息呈现会周期性地向金融风险跟踪管理服务中心上传数据，对数据库进行更新、包括：
[0084]
(2a)信息呈现软件在用户的设备中自动运行，自动且持续地收集用户使用每个智能终端应用的金融行为数据，例如用户的关系链、出行记录、借贷记录、工作状况、诉讼记录等信息，收集到的多维信息传输到电脑的数据库服务中，首先在数据库服务中建立存储多为信息的数据表，将信息存储至表中，利用java程序将用户k对应的信息提取到list表a中，根据信誉系统truberepec中已经提出的算法，将用户k的金融行为数据a运用信誉系统truberepec提出的算法分别形式化计算为使用金融行为数据反射金融行为数据和相关金融行为数据
[0085]
(2b)在第一个时间窗t1内，信息呈现使用数据分析模块的分析中心ac的公钥pk
ac
将保存的安全参数s加密为e(s)，并将e(s)与时间窗t1内计算得到的用户k关于应用a的使用金融行为数据反射金融行为数据和相关金融行为数据分别相
乘，进行掩盖保护；
[0086]
(2c)信息呈现将掩盖之后的用户k的金融行为数据、匿名身份idk和时间窗t1一同上传到金融风险跟踪管理服务中心，金融风险跟踪管理服务中心接收并保存数据；下一个时间窗t2内，信息呈现重复(2b)和本操作步骤，完成金融风险跟踪管理服务中心的数据库更新；
[0087]
在本发明优选实施例中，所述认证通过之后，与信息呈现进行交互式通信包括：
[0088]
(3a)金融风险跟踪管理服务中心根据数据库中已被掩盖保护的用户数据计算其他用户与推荐请求者之间的关系值，金融风险跟踪管理服务中心将计算出来的用户关系值集合发送到推荐请求者；
[0089]
(3b)推荐请求者在信息呈现接收金融风险跟踪管理服务中心返回的掩盖关系值集合，得到用真实的用户关系值后，利用同态加密公钥将真实的用户关系值进行加密，将同态加密后的用户关系值集合发送到金融风险跟踪管理服务中心；
[0090]
(3c)金融风险跟踪管理服务中心利用推荐请求者发送的同态加密后的真实用户关系值和数据库中存储的对应用户数据，利用同态加密密文上的同态计算，得到同态加密下的密文数据，数据是计算应用推荐值的必要数据；金融风险跟踪管理服务中心将计算出来的加密数据返回给推荐请求者；
[0091]
(3d)推荐请求者在信息呈现接收金融风险跟踪管理服务中心发来的加密数据，利用自己的同态加密私钥将数据进行解密，利用已有的算法计算得到关于每个应用的推荐值，按照推荐值的大小，将推荐信息展示给用户。
[0092]
所述步骤(3a)的金融风险跟踪管理服务中心计算用户关系值集合并发送到推荐请求者具体包括：
[0093]
(3a1)金融风险跟踪管理服务中心根据推荐请求者的身份idk和数据库中存储的所有系统用户的数据，根据以下公式计算系统中其它用户j与推荐请求者k的掩盖关系值rels(uj,uk)：
[0094][0095]
uj和uk分别表示其它用户j和推荐请求者k，表示在时间窗t内计算出来的推荐请求者k关于应用a的使用金融行为数据；
[0096]
(3a2)金融风险跟踪管理服务中心通过计算系统内所有其它用户与推荐请求者k的掩盖关系值，得到掩盖的关系值集合{rels(uj,uk),j≠k}；金融风险跟踪管理服务中心利用推荐请求者k的公钥pkk将掩盖的关系值集合加密为将加密的结果和时间窗返回给请求者k。
[0097]
在本发明优选实施例中，所述数据获取模块1包括结构化数据获取和非结构化数据获取两种方式。
[0098]
在本发明优选实施例中，所述结构化数据内容包括借贷对象的金融资产、金融债务，借贷对象名下运营商数据、消费数据、出行数据、非金融机构债务等日常信用行为；
[0099]
在本发明优选实施例中，所述非结构化数据内容包括借贷对象的其他造成金融风
险的信息。
[0100]
如图2所示，本发明实施例提供的所述数据分类与清洗模块2，将重复信息和干扰信息进行清洗具体包括：
[0101]
s1：基于触发器的触发节点和当前动作节点的数据过滤需求，配置对应的数据过滤规则，并指定触发节点和当前动作节点执行数据过滤规则的触发字段；配置所述数据过滤规则包括选择匹配规则、选择过滤值类型、设置过滤值；
[0102]
s2：基于预先配置的数据过滤规则，执行所述触发器的对应节点的数据过滤规则时，先根据过滤值类型和过滤值得到匹配规则的参数，再通过匹配规则对触发字段的数据进行匹配。
[0103]
所述匹配规则用于指定匹配的算法；所述过滤值类型用于指定将过滤值转化为匹配规则的参数的方法；所述过滤值用于获取匹配规则的参数。
[0104]
如图3所示，本发明实施例提供的所述数据分析模块3，对采集的数据利用贝叶斯网络机器学习算法进行对比、分析、计算和处理具体包括：
[0105]
s201，分类级别的定义：包含a，b，c，d，e五种等级，其中a等级所代表的风险程度最低，e等级所代表的风险程度最高，根据贝叶斯定理可知，所采集的信息属于某一等级的概率为：
[0106][0107]
其中，特征向量x为某一环境下所采集的事件集合，变量c以及k为某一特定风险等级，具体而言，p(c＝c|x＝x)为所采集事件集合的风险等级的条件概率，p(c＝c)为风险等级的先验概率，p(x＝x|c＝c)为根据所采集事件计算的不同等级的概率，分母为所采集事件本身的先验概率；
[0108]
s202，借助朴素贝叶斯的思想，对特征向量x进行假设：即假设x中每一维的特征都是相互独立的，特征与特征之间不存在任何联系，得到如下公式：
[0109][0110]
其中，向量x为所采集所有事件的集合，xk为具体某一事件元素，n为所有元素的数量；
[0111]
s203，将步骤s201中的公式代入到步骤s202中的公式中，得拥有特征向量x的未知样本所属等级概率，且公式表示如下：
[0112][0113]
其中，拥有特征向量x的未知样本的所属等级即为此时金融风险安全的风险等级。
[0114]
在本发明实施例中，所述信息呈现模块5为显示器，并出具风险评估报告。
[0115]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0116]
本发明将基于大数据的金融风险跟踪管理系统应用于一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理
器执行时，使得所述处理器执行所述基于大数据的金融风险跟踪管理系统。
[0117]
本发明将基于大数据的金融风险跟踪管理系统应用于一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行基于大数据的金融风险跟踪管理系统。
[0118]
本发明将基于大数据的金融风险跟踪管理系统应用于一种基于大数据的金融风险跟踪管理设备，所述基于多因子认证的安全防护设备用于实现所述基于基于大数据的金融风险跟踪管理系统。
[0119]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0120]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。