一种基于机器学习的预测模型构建方法、装置和电子设备

摘要

本发明涉及计算机技术领域，具体涉及一种基于机器学习的预测模型构建方法、装置和电子设备，包括：于目标作业中提取作业数据集，所述作业数据集包括：特征向量数据、度量指标数据；于所述作业数据集中选取可执行的所述特征向量数据、所述度量指标数据，构建时间预测模型；基于交叉验证法对所述时间预测模型进行参数配置；对所述时间预测模型进行过度拟合优化，获取最终时间预测模型。本发明通过时间预测模型的预测结果可以应用在基于分布式计算平台的数据挖掘、机器学习、深度学习的算力分析与优化，有效提升计算资源的使用效率，同时实现对模型的参数配置调整以及优化过度拟合。

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于机器学习的预测模型构建 方法、装置和电子设备。

背景技术

分布式计算平台借助核心引擎能够将集群规模扩展到数千个节点，CatalystOptimizer提供了基于规则和代价的优化器，把数据仓库的计算能力推向新的高 度。但在超大规模数据集上，存在易用性和可扩展性的问题，结构化产讯语言 或Dataset程序在执行之前被解析成逻辑计划，然后生成可执行的物理计划，不 同的执行计划对性能有很大的影响。

现有技术中提出了一种多元线性回归方法，根据Spark性能指标预测集群 性能，模型指标R

发明内容

本发明提供了一种基于机器学习的预测模型构建方法、装置和电子设备， 有效提升计算资源的使用效率，同时实现对模型的参数配置调整以及优化过度 拟合。

本说明书实施例提供一种基于机器学习的预测模型构建方法，包括：

于目标作业中提取作业数据集，所述作业数据集包括：特征向量数据、度 量指标数据；

于所述作业数据集中选取可执行的所述特征向量数据、所述度量指标数据， 构建时间预测模型；

基于交叉验证法对所述时间预测模型进行参数配置；

对所述时间预测模型进行过度拟合优化，获取最终时间预测模型。

优选的，还包括：当所述作业数据集大于预设训练数据集，则采用随机划 分训练集和测试集的方法对所述时间预测模型进行超参数调整，用于对所述时 间预测模型进行参数配置。

优选的，所述于目标作业中提取作业数据集，包括：

通过作业调度页面、REST接口、外部监控工具中任意一方式获取所述作业 数据集；

通过侦听器总线机制提取所述特征向量数据以及通过指标系统提取所述 度量指标数据。

优选的，所述对所述时间预测模型进行过度拟合优化，包括：

基于组合算法对所述时间预测模型进行迭代训练，所述组合算法包括：随 机森林算法、梯度提升树算法；

通过验证集的训练方法对所述迭代训练的结果进行验证；

当所述验证的结果低于策略设置的容差时将停止所述迭代训练，获得过度 拟合优化后的所述时间预测模型。

优选的，所述特征向量数据根据卡方选择的方法进行选取。

优选的，所述度量指标是根据不同规模的所述作业数据集、不同类型所述 作业数据集的Shuffle和接口操作以及网络流量的时间开销进行选取。

本说明书实施例还提供一种基于机器学习的预测模型构建装置，其特征在 于，包括：数据提取模块，于目标作业中提取作业数据集，所述作业数据集包 括：特征向量数据、度量指标数据；

数据选取模块，于所述作业数据集中选取可执行的所述特征向量数据、所 述度量指标数据，构建时间预测模型；

参数配置模块，基于交叉验证法对所述时间预测模型进行参数配置；

拟合优度调整模块，对所述时间预测模型进行过度拟合优化，获取最终时 间预测模型。

优选的，还包括：当所述作业数据集大于预设训练数据集，则采用随机划 分训练集和测试集的方法对所述时间预测模型进行超参数调整，用于对所述时 间预测模型进行参数配置。

优选的，所述于目标作业中提取作业数据集，包括：

通过作业调度页面、REST接口、外部监控工具中任意一方式获取所述作业 数据集；

通过侦听器总线机制提取所述特征向量数据以及通过指标系统提取所述 度量指标数据。

优选的，所述对所述时间预测模型进行过度拟合优化，包括：

基于组合算法对所述时间预测模型进行迭代训练，所述组合算法包括：随 机森林算法、梯度提升树算法；

通过验证集的训练方法对所述迭代训练的结果进行验证；

当所述验证的结果低于策略设置的容差时将停止所述迭代训练，获得过度 拟合优化后的所述时间预测模型。

优选的，所述特征向量数据根据卡方选择的方法进行选取。

优选的，所述度量指标是根据不同规模的所述作业数据集、不同类型所述 作业数据集的Shuffle和接口操作以及网络流量的时间开销进行选取。

一种电子设备，其中，该电子设备包括：

处理器以及存储计算机可执行指令的存储器，所述可执行指令在被执行时 使所述处理器执行上述任一项所述的方法。

一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多 个程序，所述一个或多个程序当被处理器执行时，实现上述任一项所述的方法。

其有益效果在于：

本发明通过时间预测模型的预测结果可以应用在基于分布式计算平台的 数据挖掘、机器学习、深度学习的算力分析与优化，有效提升计算资源的使用 效率，同时实现对模型的参数配置调整以及优化过度拟合。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分， 本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限 定。在附图中：

图1为本说明书实施例提供的一种基于机器学习的预测模型构建方法的原 理示意图；

图2为本说明书实施例提供的一种基于机器学习的预测模型构建装置的结 构示意图；

图3为本说明书实施例提供的一种电子设备的结构示意图；

图4为本说明书实施例提供的一种计算机可读介质的原理示意图。

具体实施方式

现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施 例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相 反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明 构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似 的元件、组件或部分，因而将省略对它们的重复描述。

在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、 结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施 例中。

在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节 是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技 术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的 一个或更多。

附图中所示的图仅是示例性说明，不是必须包括所有的内容和操作/步骤， 也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的 操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改 变。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相 对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块 或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制 器装置中实现这些功能实体。

术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的 所有组合。

参照图1为本说明书实施例提供的一种基于机器学习的预测模型构建方法 的原理示意图，包括：

S101：于目标作业中提取作业数据集，所述作业数据集包括：特征向量数 据、度量指标数据；

在本发明较佳的实施例中，于目标作业中提取作业数据集，其中，作业数 据集包括特征向量数据、度量指标数据，在本实施例中，通过REST接口获取 作业数据集，再通过侦听器总线机制提取所述特征向量数据以及通过指标系统 提取所述度量指标数据，采用异步线程将作业数据集提取事件提交到对应的事 件监听器。

S102：于所述作业数据集中选取可执行的所述特征向量数据、所述度量指 标数据，构建时间预测模型；

在本发明较佳的实施例中，于作业数据集中选取可执行的特征向量数据、 所述度量指标数据，具体的，特征选择方法主要分为监督和无监督两种方式， 而特征向量数据的选取采用卡方选择的特征选择方法，通过特征和真实标签之 间执行卡方检验确定关联度，如表1所示为Task特征向量X来源与取值示例：

表1

编号1-3表征了网络流量特征，编号4-11表征了作业执行过程中的Shuffle 和接口特征，编号12-15表征了数据规模特征；作业数据集的获取可通过作业 调度页面、REST接口、外部监控工具中任意一方式获取，并通过侦听器总线机 制提取所述特征向量数据以及通过指标系统提取所述度量指标数据，完成对目 标作业特征数据的提取，采用异步线程将事件提交到对应的事件监听器。

度量指标数据的选取需要体现不同规模的数据集，不同类型算子的Shuffle 和接口操作，以及网络流量方面的时间开销。充分考虑了作业执行时间指标的 动态性，每个作业执行计划的可用资源不同，作业并行运行时存在资源竞争， 作业的垃圾回收器回收时间和数据序列化与反序列化时间，以及网络传输存在 一定的随机性与关联性，例如存在Shuffle过程算子的接口操作往往比较耗时； Task度量指标Y来源与取值示例如表2所示：

表2

S103：基于交叉验证法对所述时间预测模型进行参数配置；

在本发明较佳的实施例中，通过最小化决策树的损失函数实现剪枝，在一 定程度上能够避免过度拟合，当节点深度等于Max Depth参数时决策树停止生长。 Min Info Gain参数是拆分必须改善信息增益的最小值，没有分割候选项导致信息 增益大于最小值时决策树停止生长，机器学习能够通过数据集找到特定问题的 最佳超参数，可以在独立的Estimator中完成，或者在包含多种算法和特征选择 的工作流中完成，通过重复进行模型训练和测试步骤，采用随机化抽样方法选 定K个相似的互斥子集，每个子集尽可能地保持数据分布的一致性，分别训练 和测试模型，通过取K个模型的均值避免过度拟合问题，该过程称为交叉验证， 评估结果的稳定性和保真性在很大程度上依赖于K的取值。

交叉验证方法评估模型参数时，计算由估计器拟合模型的不同数据对的平 均评估指数，使用此参数重新拟合整个数据集的估算器，找到最佳配置参数， 在整个训练集上训练具有较强泛化能力和相对较小误差的最佳时间预测模型。

S104：对所述时间预测模型进行过度拟合优化，获取最终时间预测模型。

在本发明较佳的实施例中，基于随机森林算法、梯度提升树算法对所述时 间预测模型进行迭代训练，随机森林采用引导聚集算法思想，并行训练一组 决策树集，模型训练过程是随机的，在每次迭代时对原始数据集进行二次采样， 在每个树节点处分割不同的随机特征子集，先对结点随机选择包含K个属性的 子集再选择最优属性，参数控制了随机性的引入程度。随机森林并不基于模型 残差来构建集成模型，能够取得较低的方差，预测结果聚合了决策树集的预测。 将每棵树的预测计为一类投票，获得投票最多的类别作为分类预测结果，平均 值用作回归预测结果，能够捕获非线性特征提高判别精度，在一定程度上避免 过度拟合。

梯度提升树算法是迭代训练决策树，比随机森林需要更长的训练时间。每 次迭代使用当前数据集来预测每个训练实例的标签，将预测结果与真实标签进 行比较，然后重新标记数据集，在下一次迭代训练中决策树将纠正先前的偏差， 并可以进一步减少每次迭代训练数据的偏差，重新标记实例的机制由损失函数 确定；梯度提升树算法根据作业执行时间观测值对作业执行时间预测结果进行 调整，容易受到噪声点的影响，在训练时使用基于验证集的训练方法进行验证， 当验证错误的改进不超过策略设置的容差时将停止训练，能够有效的防止过度 拟合。

决策树可以使用复杂的非线性模型拟合数据，通过改变不纯度的度量方法 用于回归分析。方差是用于量度回归模型的节点处标签均匀性的量度。

如式(1)所示，均方根误差RMSE是均方误差MSE的平方根，精确度会进 一步放大，越接近零表示预测越准确，w

如式(2)所示，平均绝对误差MAE是预测值与实际值之差的绝对值的平 均值，MAE避免正负误差相互抵消，更好地反映预测值误差的实际情况。

如式(3)所示，拟合优度(R-squared Coefficient)用于评估模型拟合数据的 好坏程度和测量目标变量的变异度，表示可以根据自变量的变化来解释因变量 的变体部分。当R

其中，R

进一步地，还包括：当所述作业数据集大于预设训练数据集，则采用随机 划分训练集和测试集的方法对所述时间预测模型进行超参数调整，用于对所述 时间预测模型进行参数配置。

在本发明较佳的实施例中，当交叉验证方法的训练成本较高时，可使用随 机划分训练集和测试集的方法进行超参数调整，创建单个训练和测试数据集对， 使用训练比例参数将数据集拆分为两部分，常用75％生成一组训练和测试数据 集对，使用最佳参数配置和完整数据集拟合估计器。交叉验证方法每个参数执 行K次评估，随机划分训练集和测试集的方法每个参数组合仅评估一次，训练 数据集不够大时结果的可靠性较低。

进一步地，所述于目标作业中提取作业数据集，包括：

通过作业调度页面、REST接口、外部监控工具中任意一方式获取所述作业 数据集；

通过侦听器总线机制提取所述特征向量数据以及通过指标系统提取所述 度量指标数据。

在本发明较佳的实施例中，作业数据集的获取可通过作业调度页面、REST 接口、外部监控工具中任意一方式获取，并通过侦听器总线机制提取所述特征 向量数据以及通过指标系统提取所述度量指标数据，完成对目标作业特征数据 的提取，通过提取的特征数据对建立的时间预测模型进行训练。

进一步地，所述对所述时间预测模型进行过度拟合优化，包括：

基于组合算法对所述时间预测模型进行迭代训练，所述组合算法包括：随 机森林算法、梯度提升树算法；

通过验证集的训练方法对所述迭代训练的结果进行验证；

当所述验证的结果低于策略设置的容差时将停止所述迭代训练，获得过度 拟合优化后的所述时间预测模型。

在本发明较佳的实施例中，基于组合算法对所述时间预测模型进行迭代训 练，在训练时使用基于验证集的训练方法进行验证，当验证错误的改进不超过 策略设置的容差时将停止训练，获得过度拟合优化后的所述时间预测模型，能 够有效的防止过度拟合。

进一步地，所述特征向量数据根据卡方选择的方法进行选取。

在本发明较佳的实施例中，卡方选择是统计学上常用的特征选择方法，通 过特征和真实标签之间执行卡方检验确定关联度，从而选取到关联较大的特征 向量。

进一步地，所述度量指标是根据不同规模的所述作业数据集、不同类型所 述作业数据集的Shuffle和接口操作以及网络流量的时间开销进行选取。

在本发明较佳的实施例中，度量指标数据的选取需要体现不同规模的数据 集，不同类型算子的Shuffle和接口操作，以及网络流量方面的时间开销。充分 考虑了作业执行时间指标的动态性，每个作业执行计划的可用资源不同，作业 并行运行时存在资源竞争，作业的垃圾回收器回收时间和数据序列化与反序列 化时间，以及网络传输存在一定的随机性与关联性进行度量指标选取。

在本发明家家的实施例中，调度程序识别出弹性分布式数据集与有向无环 图之间的依赖关系，应用程序将目标作业编译成作业执行计划，划分调度阶段 的主要依据是当前的计算因子输入是否是确定的。

在本发明家家的实施例中，有向无环图调度器对所述目标作业进行排序， 作业调度器调度通过在有向无环图调度器调度任务集合并创建任务集合管理 器添加到调度池，并对对调度池中的所有任务集合管理器进行排序，根据数据 本地性原则分配资源，在每个分配的节点上运行执行计划。执行计划计算的中 间结果与最终结果将保存到存储系统，作业监听器对作业中每个任务执行成功 或失败进行监听，通过监听事件向有向无环图调度器汇报任务执行情况，对于 失败的任务存在重试与容错机制。其中数据本地性原则为：如果作业执行计划 处于作业开始的调度阶段内，对应的弹性分布式数据集分区首选运行位置的数 据本地性为Node Local；如果任务处于非作业开头的调度阶段，根据父调度阶段运行的位置得到首选位置；如果Executor处于活动状态，数据本地性为Process Local。

在本发明较佳的实施例中，在任务调度过程中，存在内存申请与分配问题，Tungsten是一种内存分配与释放的实现方式，直接操作系统内存实现类似于操作 系统的页缓存的Memory Block数据结构。准确地申请和释放堆外内存，准确地计 算序列化数据占用的空间，降低了管理的难度和误差。内存块中的数据位于虚 拟机堆内存或者堆外内存，主要包括obj和offset两个属性。内存块的obj属性 保存了对象在虚拟机堆中的地址，offset属性保存了页缓存的起始地址相对于对 象在虚拟机堆中地址的偏移量，length属性保存了页缓存的大小。Tungsten处于 堆内内存模式时，数据作为对象存储在虚拟机堆中，从堆内找到对象使用offset 定位数据的具体位置；处于堆外内存模式时，通过offset属性从堆外内存中定 位数据，从obj和offset定位的起始位置开始获取固定长度的连续内存块。若申 请的内存块大于等于1MB，且Memory Buffer Pools中存在指定大小的内存块时， 从内存缓存池中获取，否则单独创建内存块用于分配。

本发明通过时间预测模型的预测结果可以应用在基于分布式计算平台的 数据挖掘、机器学习、深度学习的算力分析与优化，有效提升计算资源的使用 效率，同时实现对模型的参数配置调整以及优化过度拟合。

图2为本说明书实施例提供的一种基于机器学习的预测模型构建装置的结 构示意图，包括：

数据提取模块201，于目标作业中提取作业数据集，所述作业数据集包括： 特征向量数据、度量指标数据；

在本发明较佳的实施例中，数据提取模块201于目标作业中提取作业数据 集，其中，作业数据集包括特征向量数据、度量指标数据，在本实施例中，通 过REST接口获取作业数据集，再通过侦听器总线机制提取所述特征向量数据 以及通过指标系统提取所述度量指标数据，采用异步线程将作业数据集提取事 件提交到对应的事件监听器。

数据选取模块202，于所述作业数据集中选取可执行的所述特征向量数据、 所述度量指标数据，构建时间预测模型；

在本发明较佳的实施例中，数据选取模块202于作业数据集中选取可执行 的特征向量数据、所述度量指标数据，具体的，特征选择方法主要分为监督和 无监督两种方式，而特征向量数据的选取采用卡方选择的特征选择方法，通过 特征和真实标签之间执行卡方检验确定关联度，如表1所示为Task特征向量X 来源与取值示例。

编号1-3表征了网络流量特征，编号4-11表征了作业执行过程中的Shuffle 和接口特征，编号12-15表征了数据规模特征；作业数据集的获取可通过作业 调度页面、REST接口、外部监控工具中任意一方式获取，并通过侦听器总线机 制提取所述特征向量数据以及通过指标系统提取所述度量指标数据，完成对目 标作业特征数据的提取，采用异步线程将事件提交到对应的事件监听器。

度量指标数据的选取需要体现不同规模的数据集，不同类型算子的Shuffle 和接口操作，以及网络流量方面的时间开销。充分考虑了作业执行时间指标的 动态性，每个作业执行计划的可用资源不同，作业并行运行时存在资源竞争， 作业的垃圾回收器回收时间和数据序列化与反序列化时间，以及网络传输存在 一定的随机性与关联性，例如存在Shuffle过程算子的接口操作往往比较耗时； Task度量指标Y来源与取值示例如表2所示。

参数配置模块203，基于交叉验证法对所述时间预测模型进行参数配置；

在本发明较佳的实施例中，通过最小化决策树的损失函数实现剪枝，在一 定程度上能够避免过度拟合，当节点深度等于Max Depth参数时决策树停止生长。 Min Info Gain参数是拆分必须改善信息增益的最小值，没有分割候选项导致信息 增益大于最小值时决策树停止生长，机器学习能够通过数据集找到特定问题的 最佳超参数，可以在独立的Estimator中完成，或者在包含多种算法和特征选择 的工作流中完成，通过重复进行模型训练和测试步骤，采用随机化抽样方法选 定K个相似的互斥子集，每个子集尽可能地保持数据分布的一致性，分别训练 和测试模型，通过取K个模型的均值避免过度拟合问题，该过程称为交叉验证， 评估结果的稳定性和保真性在很大程度上依赖于K的取值。

交叉验证方法评估模型参数时，计算由估计器拟合模型的不同数据对的平 均评估指数，使用此参数重新拟合整个数据集的估算器，找到最佳配置参数， 在整个训练集上训练具有较强泛化能力和相对较小误差的最佳时间预测模型。

拟合优度调整模块204，对所述时间预测模型进行过度拟合优化，获取最 终时间预测模型。

在本发明较佳的实施例中，拟合优度调整模块204基于随机森林算法、梯 度提升树算法对所述时间预测模型进行迭代训练，随机森林采用引导聚集算 法思想，并行训练一组决策树集，模型训练过程是随机的，在每次迭代时对原 始数据集进行二次采样，在每个树节点处分割不同的随机特征子集，先对结点 随机选择包含K个属性的子集再选择最优属性，参数控制了随机性的引入程度。 随机森林并不基于模型残差来构建集成模型，能够取得较低的方差，预测结果 聚合了决策树集的预测。将每棵树的预测计为一类投票，获得投票最多的类别 作为分类预测结果，平均值用作回归预测结果，能够捕获非线性特征提高判别 精度，在一定程度上避免过度拟合。

梯度提升树算法是迭代训练决策树，比随机森林需要更长的训练时间。每 次迭代使用当前数据集来预测每个训练实例的标签，将预测结果与真实标签进 行比较，然后重新标记数据集，在下一次迭代训练中决策树将纠正先前的偏差， 并可以进一步减少每次迭代训练数据的偏差，重新标记实例的机制由损失函数 确定；梯度提升树算法根据作业执行时间观测值对作业执行时间预测结果进行 调整，容易受到噪声点的影响，在训练时使用基于验证集的训练方法进行验证， 当验证错误的改进不超过策略设置的容差时将停止训练，能够有效的防止过度 拟合。

进一步地，还包括：当所述作业数据集大于预设训练数据集，则采用随机 划分训练集和测试集的方法对所述时间预测模型进行超参数调整，用于对所述 时间预测模型进行参数配置。

进一步地，所述于目标作业中提取作业数据集，包括：

通过作业调度页面、REST接口、外部监控工具中任意一方式获取所述作业 数据集；

通过侦听器总线机制提取所述特征向量数据以及通过指标系统提取所述 度量指标数据。

进一步地，所述对所述时间预测模型进行过度拟合优化，包括：

基于组合算法对所述时间预测模型进行迭代训练，所述组合算法包括：随 机森林算法、梯度提升树算法；

通过验证集的训练方法对所述迭代训练的结果进行验证；

当所述验证的结果低于策略设置的容差时将停止所述迭代训练，获得过度 拟合优化后的所述时间预测模型。

进一步地，所述特征向量数据根据卡方选择的方法进行选取。

进一步地，所述度量指标是根据不同规模的所述作业数据集、不同类型所 述作业数据集的Shuffle和接口操作以及网络流量的时间开销进行选取。

本发明通过时间预测模型的预测结果可以应用在基于分布式计算平台的 数据挖掘、机器学习、深度学习的算力分析与优化，有效提升计算资源的使用 效率，同时实现对模型的参数配置调整以及优化过度拟合。

基于同一发明构思，本说明书实施例还提供一种电子设备。

下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明 的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述 的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实 施例中未披露的细节，可以参照上述方法或装置实施例来实现。

参照图3为本说明书实施例提供的一种电子设备的结构示意图。下面参照 图3来描述根据本发明该实施例的电子设备300。图3显示的电子设备300仅 仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的 组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连 接不同装置组件(包括存储单元320和处理单元310)的总线330、显示单元 340等。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元 310执行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根 据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图 1所示的步骤。

所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存 取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只 读存储单元(ROM)3203。

所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程 序/实用工具3204，这样的程序模块3205包括但不限于：操作装置、一个或者 多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合 中可能包括网络环境的实现。

总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或 者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结 构中的任意总线结构的局域总线。

电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、 蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的 设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信 的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/ 输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360 与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络， 例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它 模块通信。应当明白，尽管图3中未示出，可以结合电子设备300使用其它硬 件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部 磁盘驱动阵列、RAID装置、磁带驱动器以及数据备份存储装置等。

通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的 示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实 现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来， 该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM，U盘， 移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计 算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机 程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上 述方法，即：如图1所示的方法。

参照图4为本说明书实施例提供的一种计算机可读介质的原理示意图。

实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。 计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可 以为但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或 者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具 有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只 读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便 携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任 意合适的组合。

所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的 数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式， 包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可 以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输 用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。可读存储 介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、 光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作 的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++ 等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语 言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、 作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执 行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中， 远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)， 连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行 的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以 在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实 现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可 以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序 (例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储 在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可 以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进 一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子 设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体 实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任 何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相 似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技 术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所 作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。