一种风险控制方法、计算机设备及可读存储介

摘要

本发明公开了一种风险控制方法、计算机设备及可读存储介质，所述方法包括计算风险得分步骤与判断风险程度步骤，其中：所述计算风险得分步骤包括依据预设风险计分规则对用户的埋点数据进行计算处理，以获取风险得分；所述判断风险程度步骤包括接收所述用户的业务请求并根据所述业务请求选择对应的风险评估规则与预设阈值，在所述计算风险得分步骤获取的得分中寻找所述风险评估规则对应的风险得分作为评估得分，并将所述评估得分与所述业务请求对应的阈值进行比较，获取风险评估结果。本发明将计算风险得分与判断风险程度的两个过程独立进行，保证了风控服务响应的高速。

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种风险控制方法、计算机设备及可读存储介质。

背景技术

随着互联网技术的发展，视频以多样化的方式进行传播，例如，网络直播、短视频等。以网络直播为例，其吸取和延续了互联网的优势，利用视讯方式进行网上现场直播，可以将产品展示、相关会议、在线培训等内容现场发布到互联网上，利用互联网的直观、交互性强、地域不受限制等特点，能够加强活动现场的推广效果。

“网络黑产”简称黑产，是指通过网络技术形成的分工明确、衔接密切的利益团体，通过入侵计算机信息系统、非法窃取包括个人信息在内的计算机信息系统数据等，谋取非法利益的产业体系。黑产为了扩大获利面，总会尽可能广撒网，因此黑产行为越来越多的向批量化和自动化演进，这就向风控提出了新的挑战。比如，一般业务平台为了营销，经常会开展优惠或者返现等活动，黑产闻风而至，大规模套利，业内称之为“薅羊毛”，最常见的手段就是大量注册新用户领取平台的活动奖励。

风控系统通常使用IP黑灰名单，过滤掉已知/嫌疑的代理IP，进一步的，描绘用户画像，根据用户最常使用的IP判断异常请求，并采取更高强度的身份验证以分辨黑产行为。

互联网公司的风控系统，被设计为一种搜索系统，当用户量达到数亿级别，行为数据也很多的时候，这种以搜索为核心的风控系统，在请求时才会计算风险得分，判断风险程度中所需的风险得分需经计算完成后才能响应，因此，现有的风控系统无法快速响应。

发明内容

针对的问题，现提供一种风险控制方法、计算机设备及可读存储介质，其将计算得分与判断风险程度的两个过程独立进行，保证了风控服务响应的高速。

本发明提供一种风险控制方法，其包括计算风险得分步骤与判断风险程度步骤，其中：

所述计算风险得分步骤包括依据预设风险计分规则对用户的埋点数据进行计算处理，以获取风险得分；

所述判断风险程度步骤包括接收所述用户的业务请求并根据所述业务请求选择对应的风险评估规则与预设阈值，在所述计算风险得分步骤获取的得分中寻找所述风险评估规则对应的风险得分作为评估得分，并将所述评估得分与所述业务请求对应的阈值进行比较，获取风险评估结果。

优选地，所述计算风险得分步骤包括：

采集用户的埋点数据；

将所述埋点数据根据预设风险计分规则计算风险得分；

将所述风险得分转换成标准数据格式；

转换后的得分经消息队列处理工具传输至存储模块，以供存储模块存储所述风险得分。

优选地，所述埋点数据包括弹幕连接行为数据、弹幕发送行为数据、访问房间页行为数据、关注行为数据、扭蛋活动行为数据、领取宝箱行为数据、购买特权行为数据、兑换行为数据、抽奖行为数据、签到行为数据、送礼行为数据或充值行为数据中的至少一种。

优选地，所述将风险得分转换成标准数据格式是将用户账户信息、风险计分规则信息与风险得分信息按照预定顺序排列。

优选地，存储所述风险得分的步骤进一步包括：

将所述风险得分存储至第一数据库；

将所述风险得分传输至第二数据库，且所述第二数据库对所述风险得分设置了过期期限。

优选地，在所述第一数据库将所述风险得分传输至所述第二数据库之后，还包括：

将第二数据库的内容通过LRU算法进行缓存。，

优选地，所述将埋点数据根据预设风险计分规则计算风险得分中的计算类型包括离线计算和/或实时计算。

优选地，所述判断风险程度的步骤包括：

获取用户的业务请求；

根据所述业务请求，选择与所述业务请求相对应的风险评估规则与预设阈值；

在所述计算风险得分步骤获取的得分中寻找所述风险评估规则对应的风险得分作为评估得分；

判断所述评估得分是否超出预设阈值；

若是，则拒绝业务请求；

若否，则通过业务请求。

本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述风险控制方法的步骤。

本发明还提供一种计算机可读存储介质，其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所述风险控制方法的步骤。

上述技术方案的有益效果：

1、本发明将计算风险得分与判断风险程度的两个过程独立进行，保证了风控服务响应的高速。

2、可以根据业务请求选择与所述业务请求相对应的风险评估规则与预设阈值，实现无延迟的规则的增删和组合，达到理想的风控效果。

3、通过消息队列处理工具传输风险得分的数据，防止数据丢失。

4、第二数据库中对于风险得分的数据进行过期时间的设置，可删除没有意义的数据，从而增加存储空间；

5、将第二数据库中风险得分的数据进行缓存，防止刷挂系统。

附图说明

图1为本发明风险控制方法所对应的系统框架图。

图2为本发明风险控制方法中两个处理过程独立进行的示意图。

图3为图2的具体示意图。

图4为本发明计算风险得分的第一实施例的流程图。

图5为本发明计算风险得分的第二实施例的流程图。

图6为本发明判断风险程度的流程图。

图7为本发明风险控制系统的模块图。

图8为本发明风险控制方法的计算机设备的硬件结构示意图。

具体实施方式

以下结合附图与具体实施例进一步阐述本发明的优点。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区独立进行。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在本发明的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本发明及区别每一步骤，因此不能理解为对本发明的限制。

请参考图1所示，本申请实施例中，直播过程中，用户借助终端设备A、B、C、D、E参与直播及抽奖活动，终端设备A、B、C、D、E将用户的行为数据传送至服务器W，由服务器W接收与处理用户的埋点数据并计算风险得分。用户通过终端设备A、B、C、D、E发出抽奖业务请求，经由服务器W结合风险得分进行风险评估，执行相应的风险控制策略。此处只给出一个服务器W，在实际应用时，此处的应用场景还可以包括多台相互通讯的服务器。服务器W可以是云端服务器，还可以是本地服务器。

请参阅图2所示，一种风险控制方法，其包括计算风险得分步骤与判断风险程度步骤，其中：

所述计算风险得分步骤包括依据预设风险计分规则对用户的埋点数据进行计算处理，以获取风险得分；

所述判断风险程度步骤包括接收所述用户的业务请求并根据所述业务请求选择对应的风险评估规则与预设阈值，在所述计算风险得分步骤获取的得分中寻找所述风险评估规则对应的风险得分作为评估得分，并将所述评估得分与所述业务请求对应的阈值进行比较，获取风险评估结果。

本发明将计算风险得分与判断风险程度的两个过程独立进行，保证了风控服务响应的高速。计算风险得分时，服务器W将终端设备A、B、C、D、E的埋点数据按照预设风险计分规则进行分别计算得分，以取得完整的风险得分的数据；判断风险程度时，服务器W根据终端设备A的业务请求选择与所述业务请求相对应的风险评估规则与预设阈值，在所述计算风险得分步骤获取的风险得分中寻找与所述风险评估规则对应的得分，并将所述风险得分与所述业务请求对应的阈值加以评估分析，达到理想的风控效果。

请参阅图3所示，服务器W对终端设备A、B、C、D、E的埋点数据计算风险得分，并判断风险程度，具体如下所述：

房间页数据、弹幕数据、抽奖数据等埋点数据：用户行为在服务器的埋点数据，包括弹幕连接行为、弹幕发送行为、访问房间页行为、关注行为、扭蛋活动行为、领取宝箱行为、购买特权行为、抽奖行为，签到行为，送礼行为，充值行为。

埋点数据传输：公司级的实时数据传输中间件，实现了数据的大规模收集。

HDFS大数据系统落盘：埋点数据落盘到大数据文件系统HDFS，持久存储提供计算依据。

离线计算：以落盘的数据为输入，对用户行为利用MapReduce计算框架进行聚类分析等计算，得到的数据以用户-规则-数值的形式输出。

统计计算：以落盘的数据为输入，对用户行为进行相对简单的统计分析计算。

实时计算：以数据的实时流为输入，对用户短时间内就可以暴露出的风险特征进行计算。

风险得分输出到kafka数据队列：生产用户-规则-数值形式的输出到Kafka数据队列。

直播风控系统消费风险得分：直播风控数据服务，负责消费Kafka数据队列的风险得分。

第一数据库：第一数据库存储风险得分，以及对主站封禁消息的同步处理。

订阅数据库变更：生产进入数据队列中。

第二数据库：经过风控服务消费后，持久化存储在第二数据库(redis数据库)中，所有条目根据策略有一定的过期时间。

风控服务：负责处理请求并返回风控的判定结果。

缓存：通过LRU算法缓存，缓解高峰时期服务请求redis数据库的QPS过高的问题，降低96％。

实时风险评估规则配置：根据风控系统的判定结果，用户反馈等多方面信息，利用线性回归等方法，制定合理的规则阈值和规则组合。、

请参阅图4所示，图4为计算风险得分的处理过程的第一实施例中，具体步骤包括：

S110：采集用户的埋点数据；

S120：将所述埋点数据根据预设风险计分规则计算风险得分；

S130：将所述风险得分转换成标准数据格式；

S140：转换后的风险得分经消息队列处理工具传输至存储模块；

S150：存储模块存储所述风险得分。

于本实施例中，所述S110的埋点数据通过服务器采集终端设备A、B、C、D、E的弹幕连接行为数据、弹幕发送行为数据、访问房间页行为数据、关注行为数据、扭蛋活动行为数据、领取宝箱行为数据、购买特权行为数据、兑换行为数据、抽奖行为数据、签到行为数据、送礼行为数据或充值行为数据中的至少一种。

扭蛋活动包括梦幻扭蛋机仅在活动期间会出现，使用价值累计达到预设值(数值视活动规则而定)的金瓜子礼物，就可以获得1枚梦幻扭蛋币。使用梦幻扭蛋币，就可以参与梦幻扭蛋机的抽奖。关于梦幻扭蛋币：通过赠送庆典烟火、金鱼胖次、小电视，每产生10点信仰值，可以获得一枚梦幻扭蛋币。活动结束后，未使用的梦幻扭蛋币将以10比1的比例兑换为普通扭蛋币，当梦幻扭蛋币不足10个的情况下，不会兑换。

上述举例仅作为说明，在实际操作时，并不对兑换行为数据做任何限定。

于S110与S120之间，还包括服务器W将采集到的埋点数据落盘到大数据文件系统HDFS，持久存储提供计算依据，且以落盘的数据作为S120计算的依据。

于本实施例中，所述S120的计算类型包括离线计算和/或实时计算，根据不同的应用场景选择相应的计算类型。多种计算可以同时存在，也可以根据需要选择其一计算方式进行，且实时在线计算中用于计算的埋点数据通常为较短时间内(例如30秒，时间长短可自行定义)用户产生的行为数据，而离线计算中用于计算的埋点数据通常为较长时间内(例如24小时，时间长短可自行定义)用户产生的行为数据。

离线计算的好处：

a.数据量丰富，对于用户行为的判定会更加精准；

b.将计算和决策隔离开，摆脱了实时性的压力；

c.可以根据需要计算历史数据，例如计算该用户近一天，近一周，近三个月的行为统计规律，提升精度，避免误判；

实时计算的好处：在有些业务场景，黑产的行为是暂时性的，从注册账号，到在网站产生行为，到丢弃账号，仅仅需要二十分钟，就可以达到黑产的目的，这样的情况下，离线计算就毫无意义，实时计算通过打通数据通路，利用流式处理系统(如Spark Streaming)，根据特定的黑产特征，短时间聚合统计一定维度的数据，并作出相应的判定。

于本实施例中，所述S130中将风险得分转换成标准数据格式是将用户账户信息，风险计分规则信息与风险得分信息用户账户按照预定顺序排列。

于本实施例中，所述S140的消息队列处理工具为kafka工具，通过kafka工具传输数据，防止数据丢失。

请参阅图5所示，图5为计算风险得分的处理过程的第二实施例中，具体步骤包括：

S110：采集用户的埋点数据；

S120：将所述埋点数据根据预设风险计分规则计算风险得分；

S130：将所述风险得分转换成标准数据格式；

S140：转换后的风险得分经消息队列处理工具传输至存储模块；

S151：将所述风险得分存储至第一数据库；

S152：将所述风险得分传输至第二数据库，且所述第二数据库对所述风险得分设置了过期期限，

根据用户行为的产生时间与判断结果时间的关系设置相应的期限，例如需对活动过程的用户行为进行判断，假设活动过程持续4小时，早于活动开始的埋点数据为过期数据，不用传输至第二数据库，也就不再用于计算风险得分；第二数据库(例如redis数据库)中对于得分数据进行过期时间的设置，可删除没有意义的数据，从而增加存储空间；

在所述第一数据库将所述风险得分传输至所述第二数据库之后，还包括：

S160：将第二数据库的内容通过LRU算法进行缓存；通过缓存以防止刷挂系统，其中，LRU的全称为Least recently used，LRU的中文解释为最近最少使用。

于本实施例中，S120中的计算类型包括离线计算和/或实时计算，根据不同的应用场景选择相应的计算类型。

在黑产的实践中发现，一旦产生大量请求，则会刷挂(超时)风控服务，这种僵持状况下使得第二数据库的每秒查询率在高峰期能达600K，故而采取缓存的策略，将第二数据库中的超出每秒查询率的每秒查询率请求内容写入本地存储单元，将第二数据库中的每秒查询率大幅降低到2K，缓解高峰时期第二数据库的每秒查询率过高的问题。

请参阅图6所示，所述判断风险程度的步骤包括：

S210：获取用户的业务请求；

S220：根据所述业务请求，选择与所述业务请求相对应的风险评估规则与预设阈值；

S230：在所述计算风险得分步骤获取的风险得分中寻找所述风险评估规则对应的风险得分作为评估得分；

S240：判断所述评估得分是否超出预设阈值；若是，则执行S250；若否，则执行S260；

S250：拒绝业务请求；

S260：通过业务请求。

无论是离线计算，还是实时计算，都是通过配置风险评估规则，并且在风险评估下的风险得分达到阈值之后，才会对用户账户产生封禁的判定，因此，风险评估规则的组合搭配和阈值的高低决定了风控系统拦截的精确率和召回率；风险评估规则的实时配置，成为了风控灵活的关键。于本实施例中，S220中的风险评估规则根据业务请求进行组合搭配，不同的业务请求会有不同的组合。

于本实施例中，S250中的拒绝业务请求可为拒绝浏览网页、拒绝进入直播间、不允许参加抽奖等，而S260中的通过业务请求可为允许浏览网页、允许进入直播间、允许参加抽奖等，此外，在执行风险评估结果时，也可以将评估结果进行存储，以便以后查阅或处理。

风险评估规则可为不同的逻辑组合，下面通过风险评估规则实施例一和风险评估规则实施例二分别举例说明。

风险评估规则实施例一、风险评估规则为逻辑和规则

S120中的预设风险计分规则可根据风险监控的要求设定。假设，对于埋点数据的预设风险计分规则共有50项，分别为第一风险计分规则、第二风险计分规则、第三风险计分规则、……第五十风险计分规则，在给第一用户帐户计算风险得分时，会分别取得第一用户帐户对应第一风险计分规则下的第一风险得分，第一用户帐户对应第二风险计分规则下的第二风险得分，以此类推，第五十用户帐户对应第五十风险计分规则下的第五十风险得分。

采集到埋点数据，会根据预设风险计分规则计算风险得分，在当前计分周期内，埋点数据在预设风险计分规则下判断为异常行为，则用户账户在预设风险计分规则下的风险得分为非零数值，例如，一次异常，用户账户在预设风险计分规则下的风险得分为1分，如果异常行为出现的次数越多，则用户账户在预设风险计分规则下的累计的风险得分就越高，例如，5次异常，则用户账户在预设风险计分规则下的累计风险得分为5分。而埋点数据在预设风险计分规则下判断为正常行为，则用户账户在预设风险计分规则下的风险得分为0分，未采集到埋点数据，则用户账户在预设风险计分规则下的风险得分为0。

在当前计分周期内，风险控制系统接收到第一用户ID1的抽奖业务请求，配置与抽奖业务请求的风险评估规则为第一风险计分规则、第二风险计分规则、第五风险计分规则的逻辑组合，读取ID1-第一风险计分规则-3分，读取ID1-第二风险计分规则-10分，读取ID1-第五风险计分规则-100分，则计算总风险得分3+10+100＝113，对应抽奖业务请求所设有阈值为100，超出阈值，则拒绝用户ID1的抽奖业务请求。

风险评估规则实施例二、风险评估规则为逻辑或规则

在当前计分周期内，风险控制系统接收到第一用户ID1的抽奖业务请求，配置与抽奖业务请求的风险评估规则为第一风险计分规则、第二风险计分规则、第五风险计分规则的逻辑组合，读取ID1-第一风险计分规则-3分，读取ID1-第二风险计分规则-10分，读取ID1-第五风险计分规则-100分，第一阈值为20，第二阈值为30，第五阈值为50，则ID1-第一风险计分规则-3分＜20(第一阈值)，ID1-第二风险计分规则-10＜30(第二阈值)，ID1-第五风险计分规则-100分＞50分(第五阈值)，超出阈值，则拒绝用户ID1的抽奖业务请求。

请参阅图7所示，本发明提供一种风险控制系统1，其包括：

风险计算模块100，用于依据预设风险计分规则对用户的埋点数据进行计算处理，以获取风险得分；

风险判断模块200，用于接收所述用户的业务请求并根据所述业务请求选择对应的风险评估规则与预设阈值，在所述计算风险得分步骤获取的风险得分中寻找所述风险评估规则对应的风险得分作为评估得分，并将所述评估得分与所述业务请求对应的阈值进行比较，获取风险评估结果；

风险计算模块100与风险判断模块200独立运行。

于本实施例中，所述风险计算模块100包括：

采集模块101，用于采集用户的埋点数据；

计算模块102，用于将所述埋点数据根据预设风险计分规则计算风险得分；

转换模块103，用于将所述风险得分转换成标准数据格式；

传输模块104，用于将转换后的风险得分经消息队列处理工具传输至存储模块；

存储模块105，用于存储所述风险得分。

于本实施例中，所述埋点数据包括弹幕连接行为数据、弹幕发送行为数据、访问房间页行为数据、关注行为数据、扭蛋活动行为数据、领取宝箱行为数据、购买特权行为数据、兑换行为数据、抽奖行为数据、签到行为数据、送礼行为数据或充值行为数据中的至少一种。

于本实施例中，转换模块103是将风险得分转换成标准数据格式是将用户账户信息、风险计分规则信息与风险得分信息按照预定顺序排列。

于本实施例中，存储模块105先将所述风险得分存储至第一数据库；再将所述风险得分传输至第二数据库，且所述第二数据库对所述风险得分设置了过期期限。

于本实施例中，风险控制系统包括缓冲模块106，用于将第二数据库的内容通过LRU算法进行缓存。

于本实施例中，计算模块执行的计算类型包括离线计算和/或实时计算，根据不同的应用场景选择相应的计算类型。

风险判断模块200包括：

接收模块201，用于获取用户的业务请求；

配置模块202，用于根据所述业务请求，选择与所述业务请求相对应的风险评估规则与预设阈值；

读取模块203，用于在存储模块105中寻找所述风险评估规则对应的风险得分作为评估得分；

比较模块204，用于判断所述评估得分是否超出预设阈值；

控制模块205，用于根据判断结果拒绝业务请求或通过业务请求。

请参阅图8所示，本申请还提供一种计算机设备2，所述计算机设备2包括：

存储器21，用于存储可执行程序代码；以及

处理器22，用于调用所述存储器21中的所述可执行程序代码，执行步骤包括上述的风险控制方法。

图8中以一个处理器22为例。

存储器21作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的风险控制方法对应的程序指令/模块。处理器22通过运行存储在存储器21中的非易失性软件程序、指令以及模块，从而执行计算机设备2的各种功能应用以及数据处理，即实现上述方法实施例风险控制方法。

存储器21可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储用户在计算机设备2的埋点数据。此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器21可选包括相对于处理器22远程设置的存储器21，这些远程存储器21可以通过网络连接至风险控制系统1。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器21中，当被所述一个或者多个处理器22执行时，执行上述任意方法实施例中的风险控制方法，例如，执行以上描述的图4-图6的程序。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本申请实施例的计算机设备2以多种形式存在，包括但不限于：

(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。

(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。

(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。

(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。

(5)其他具有数据交互功能的电子装置。

本申请又一实施例还提供了一种非易失性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可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图8中的一个处理器22，可使得上述一个或多个处理器22可执行上述任意方法实施例中的风险控制方法，例如，执行以上描述的图4-图6的程序。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到至少两个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。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，所述的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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。