异常智能监测处理技术 背景技术 [0001] 对于监控系统来说，一种常见的需求是要对产品或者业务的一些指标(metrics)进行监控，以了解产品或者业务是否处于健康状态，并且在出现异常时，能够进行报警并进行进一步原因分析。 发明内容 [0002] 提供本发明实施例内容是为了以精简的形式介绍将在以下详细描述中进一步描述的一些概念。本发明内容并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。 [0003] 本文公开的异常智能监测处理技术，通过对多个发生异常的时间线序列进行关联性分析，将众多发生异常的时间线序列，整合为一个或者多个拓扑关系图形式的事件，从而有利于发现产生异常的根源。另外，通过以事件为单位进行报警，也大幅度减少了报警的数量。 [0004] 上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。 附图说明 [0005] 图1为本发明实施例的监控数据处理装置之一的应用示例框图； [0006] 图2为本发明实施例的时间线序列的可视化形态示意图； [0007] 图3为本发明实施例的事件之一的结构示意图； [0008] 图4为本发明实施例的事件之二的结构示意图； [0009] 图5为本发明实施例的事件之三的结构示意图； [0010] 图6为本发明实施例的事件之四的结构示意图； [0011] 图7为本发明实施例的监控数据处理装置之二的应用示例框图； [0012] 图8为本发明实施例的监控数据处理装置之三的应用示例框图； [0013] 图9为本发明实施例的事件拓扑关系图的示意图； [0014] 图10为本发明实施例的监控数据处理装置之四的应用示例框图； [0015] 图11为本发明实施例的监控数据处理方法的流程之一的示意图； [0016] 图12为本发明实施例的监控数据处理方法的流程之二的示意图； [0017] 图13为本发明实施例的监控数据处理方法的流程之三的示意图； [0018] 图14为本发明实施例的监控数据处理方法的流程之四的示意图； [0019] 图15为本发明实施例的电子设备的框图。 具体实施方式 [0020] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。 [0021] 本文中，术语“技术”可以指代例如(一个或多个)系统、(一个或多个)方法、计算机可读指令、(一个或多个)模块、算法、硬件逻辑(例如，现场可编程门阵列(FPGA))、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)和/或上述上下文以及在本文档通篇中所允许的(一项或多项)其它技术。 [0022] 在大型的数据服务平台或者云计算平台上，设置有用于对产品或者业务进行监控的监控系统，该监控系统会实时对各类产品或者业务所产生的数据进行监控分析，生成时间线序列形式的监控数据。其中，监控系统的监控处理一般针对产品或者业务各种指标(metrics)来进行的，在每项指标下，会包括多个维度(dimension)，针对每个维度的监控会生成对应的时间线序列。举例来说，针对搜索引擎的数据监控，每天的用户使用量可以一个监控的指标，在该指标下，可以包括全球的用户使用量、美国地区的用户使用量、亚洲地区的用户使用量、欧洲地区的用户使用量等维度，也还可以包括白天的用户使用量、夜晚的用户使用量、使用PC(个人电脑)的用户使用量、使用移动终端的用户使用量等，总之，指标以及维度是可以根据需要来灵活设定。上述的时间线序列实际上是以预设的时间间隔的监测时间点与监测数据构成的数据对的序列，一个时间线序列对应一个维度。 [0023] 由于监控系统监控的指标非常多，并且每个指标下还存在许多维度，监控系统会对针对每个维度进行监控，并生成大量的与各个维度对应的时间线序列。当出现异常时，往往是数量众多的时间线序列同时出现异常现象，由此会产生大量的报警，会严重干扰到监控系统的维护者或者用户的正常工作，并且面对这些大量的异常或者报警，工作人员也很难在短时间内分析出异常发生的根源以及应对方案。 [0024] 本发明实施例针对这样的情形，提出了一种技术方案，能够将众多异常的时间线序列进行关联性分析，整合为一个或者多个拓扑关系图形式的事件，从而有利于进一步的分析和报警。 [0025] 监控系统所检测到众多时间线序列上的异常现象，往往是相互关联的，其根源可能只存在于少数的时间线序列上。基于这样的原理，本发明的技术方中，会基于机器学习模型，对众多异常的时间线序列进行分析，挖据出发生异常的各个时间线序列之间的关联关系，并将这些关联关系整合为拓扑图，从而便于对异常根源的分析，并且可以将基于异常的报警变为基于事件的报警，从而能够大大降低报警的数量。 [0026] 在本发明实施例中，事件是指由多个发生异常的时间线序列构成的拓扑关系图，拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度。 [0027] 上述的事件一般会属于一个指标(metrics)之下的，在分析出的多个事件之间(这些事件可能是对应于不同的指标，也可能是对应于同一指标)也可能会存在一定的关联性。 在发明的实施例的技术方案中，还包括对事件之间的关联性进行进一步分析的处理，并生成体现事件关联关系的事件拓扑关系图，图中的每个节点对应于事件，各个节点之间边对应于事件之间的关联性打分。通过事件拓扑关系图，能够从更加宏观的角度来进一步分析异常的原因以及影响情况。 [0028] 具体应用示例 [0029] 如图1所示，其为本发明实施例的监控数据处理装置之一的应用示例框图100，其中，该监控数据处理装置101可以设置于数据服务平台或者云计算平台上，可以作为平台的监控系统的一部分或者独立于监控系统之外来执行本发明实施例的处理功能。上述的监控系统具有实时监控数据服务平台或者云计算平台上的数据并生成时间线序列，并且该监控系统能够对时间线序列的异常进行识别。上述的数据服务平台或者云计算平台可以由多个服务器组成，监控数据处理装置101可以设置在服务器中也可以实现为其中的服务器。 [0030] 作为一种示例，图1中示出的监控数据处理装置101设置在服务器102之中，服务器 102通过通信网络104与用户终端103连接，为用户终端103提供各种应用服务，同时服务器 102设置有监控系统105，该监控系统105可以对服务的运行数据进行监控，生成时间线序列，并对时间线序列的异常进行识别，可以标记出发生异常的时间线序列，并且还可以标记出时间线序列中具体发生异常的数据点。生成的时间线序列可以存储于服务器本地的存储介质中，也可以存储于服务器102之外数据库106中。 [0031] 另外，作为另一种实现方式(图1中未示出)，上述的监控数据处理装置101也可以实现为台式计算机、笔记本电脑、平板电脑、专用服务器等计算机设备，或者设置于这些计算机设备中，用户可以将发生异常的时间线序列作为监控数据输入到该计算机设备上，通过该计算机设备执行本发明实施例的监控数据处理。此外，上述的监控数据处理装置101也可以实现为小型因素便携式(或移动)电子装置或者设置于小型因素便携式(或移动)电子装置中。这里所说的小型因素便携式(或移动)电子装置可以是：例如，蜂窝电话、个人数据助理(PDA)、个人媒体播放器装置、无线网络观看装置、个人头戴装置、专用装置或包括以上功能中的任何一个的混合装置。 [0032] 如图1中所示，监控数据处理装置101包括时间线序列获取模块107、时间线序列特征提取模块108以及事件生成模块109。 [0033] 时间线序列获取模块107，用于获取发生异常的多个时间线序列。时间线序列是监测时间点与监测数据构成的数据对的序列，伴随着监控系统的监控行为持续增长。时间线序列可以可视化为如图2所示的形态，图2为本发明实施例的时间线序列的可视化形态示意图200，该图为搜索引擎在某个城市的广告收入的时间线序列图，在该图中指标为收入，对应的维度为该城市。图中粗线条为预测的正常值，细线条为实际监测值，图中标记的点为异常点。 [0034] 监控数据处理装置101执行监控数据处理的触发方式，可以是通过监控系统105来触发，也可以通过用户通过主动提供时间线序列的操作来触发。作为一种触发方式，当监控系统在指定的时间片中检测到存在时间线序列发生异常时，向时间线序列获取模块107输出发现异常的检测结果，以触发时间线序列获取模块107获取在该时间片中发生异常的多个时间线序列，进一步地，为了进行全面的事件分析，可以获取在该时间片中发生异常的全部时间线序列。在实际应用中，监控系统105可以在检测到的异常超过预设的数据波动阈值和/或异常持续时间超过预设的时间阈值和/或发生异常的时间线序列的超过预设的数量阈值时，再触发监控数据处理装置101执行相应的处理。 [0035] 时间线序列特征提取模块108，用于对多个时间线序列进行特征提取，生成多个时间线序列特征向量。具体地，可以从如下的特征要素中的一项或者任意多项来进行特征提取： [0036] 1)维度关联性。例如维度之间的归并关系或者隶属关系等。 [0037] 2)时间线序列的历史上异常发生的时间关联性。例如，两个时间线序列总是同时发生异常，或者先后发生异常。 [0038] 3)各个时间线序列之间的形态特征关联性。在出现异常的时间线序列中，发生异常的部分的图形波动的形态存在某种关联性，例如变化方向、幅度、形状等等。 [0039] 事件生成模块109，用于将多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，事件包括由多个发生异常的时间线序列构成的拓扑关系图。 [0040] 其中，该第一机器学习模型的训练数据可以使用历史上发生异常的时间线序列作为训练数据。其中，拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度，拓扑关系图包括中心节点，该中心节点为拓扑关系图中异常最严重的节点，其它节点都会直接或者间接地对中心节点的异常具有贡献度。需要说明的是，经过第一机器学习模型的处理，多个发生异常的时间线序列可能形成一个事件也可能会形成多个事件，这取决于异常现象之间的关联性。另外，每个事件所涉及的时间线序列可以对应于同一指标，从而更加清晰地体现出该指标下的发生异常的时间线序列之间的关联关系。 [0041] 如图3所示，其为本发明实施例的事件之一的结构示意图300。该事件对应的指标为搜索引擎的收入，该指标包括如下维度：全国收入、地区A至地区C的收入，每个地区下面有5个城市(分别编号为A1-A5，B1-B5，C1-C5)的收入。图中示出的节点只是发生异常的节点，其中，地区B及其下属城市的收入没有出现异常，城市A1、A3以及A4的收入没有出现异常，城市C1和C2的收入也没有出现异常，因此，没有在图3的事件的结构示意图中体现。图中每个节点对应于相应维度下对应的时间线序列，边对应于贡献度，单向箭头的表示了异常影响的贡献方向，其中，出现异常的城市的输入会对其所属的地区的收入造成影响，各个地区的收入的异常又会对全国的收入造成影响(例如各个地区的收入均严重下降)，图中，全国收入为中心节点，即全部的节点都直接或者间接地对该中心节点的异常作出了贡献，该中心节点也是收入异常最严重的节点。 [0042] 下面将图3所示的示例进行一下变形，如果地区A发生的收入的异常是严重下降，而地区C发生的收入的异常是大幅度上升，并且如果地区A发生的收入下降的幅度与地区C发生上升的幅度大致相当或者相差较小，则全国收入可能不存在异常现象或者异常现象不明显，则在图3中，全国收入就不会成为中心节点，而是会形成如图4和图5所示的两个分离的事件。 [0043] 如图4和图5所示，其为本发明实施例的事件之二的结构示意图400和事件之三的结构示意图500，在图4所示的事件中，地区A的收入为中心节点，在图5所示的事件中，地区B的收入为中心节点，也就是说，经过监控数据处理装置101的处理，将搜索引擎的收入这一指标下的多个异常的时间线序列，整合为两个事件进行输出。 [0044] 如图6所示，其为本发明实施例的事件四的结构示意图600。该事件对应的指标为使用某搜索引擎的而用户数，该指标包括如下维度：使用该搜索引擎的总用户数、使用搜索引擎版本1的用户数(图中示为“版本1用户数”)、使用搜索引擎版本2的用户数(图中示为“版本2用户数”)、在ISO系统上使用该搜索引擎的用户数(图中示为“ISO系统用户数”)、在Windows系统上使用该搜索引擎的用户数(图中示为“Windows系统用户数”)、在ISO系统上使用搜索引擎版本1的用户数(图中示为“版本1&IOS系统用户数”)、在ISO系统上使用搜索引擎版本2的用户数(图中示为“版本2&IOS系统用户数”)、在Windows系统上使用搜索引擎版本1的用户数(图中示为“版本1&Windows系统用户数”)、在Windows系统上使用搜索引擎版本2的用户数(图中示为“版本2&Windows系统用户数”)。与图3中各个维度的具有明确的隶属关系不同(图6中的各个维度之间存在归并关系)，图6中所示，各个维度之间会形成交叉的关联关系，例如，“版本1&IOS系统用户数”的异常会对“版本1用户数”和“IOS系统用户数”这两个节点造成影响，“版本2&Windows系统用户数”的异常也会对“版本2用户数”和“Windows系统用户数”这两个节点造成影响，这些关联关系造成的影响，最终汇集到对作为中心点的总用户数的波动异常形成影响。 [0045] 通过图1所示的监控数据处理装置101，能够将众多发生异常的时间线序列进行关联性分析，整合为一个或者多个拓扑关系图形式的事件，通过拓扑关系图能够发现发生异常的时间线序列之间的关联关系，以及相互之间的对于异常的贡献度。此外，每个事件中会存在中心节点，该中心节点示出了该事件中异常最严重的维度，并且能够清楚地发现各个节点(各个维度)的异常情况对于该中心节点的异常情况的贡献度，从而能够有利于发现异常发生的根源。 [0046] 进一地，如图7所示，其为本发明实施例的监控数据处理装置之二的应用示例框图 700。在图1的基础上，监控数据处理装置101还可以进步包括报警模块701，其用于以事件为单位进行报警。 [0047] 现有技术中的报警方式，一般是发现某个时间线序列发生异常时就立即报警，而往往一个异常起因会导致众多的时间线序列发生异常，也就会产生数量巨大的报警信息，处理异常的人员面对巨大报警信息很难迅速定位到异常根源，严重影响工作效率。本发明实施例中，在发现异常的时间线序列后，不会立即报警，而是通过监控数据处理装置101进行分析处理，形成一个或者多个事件后，再以事件为单位进行报警，从而能够降低报警的数量，也让处理异常的人员能够更加清晰更加有针对性的对异常原因进行分析。 [0048] 经过上述的监控数据处理装置的处理，可能会产生了多个事件，对于某一个事件来说，一般属于一个指标之下的。多个事件之间(这些事件可能是对应于不同的指标，也可能是对应于同一指标)也可能会存在一定的关联性，对事件之间的关联性进行分析，同样是有助于确定异常的产生原因以及影响。 [0049] 如图8所示，其为本发明实施例的监控数据处理装置之三的应用示例框图800。在图1的基础上，监控数据处理装置101还可以进一步包括事件特征提取模块801和事件拓扑关系图生成模块802。 [0050] 事件特征提取模块801，用于对多个事件进行特征向量提取，生成多个事件特征向量。具体地，可以通过特征要素中的一项或者任意多项，对多个事件进行特征提取： [0051] 1)事件对应的指标在维度组合方面的特征。 [0052] 这方面的特征提取的意义在于，挖掘不同的指标下，可能存在的维度方面的近似关系，而对应于不同指标的事件涉及了相同的维度。例如，指标A为营业额，指标B为访问量，指标A和指标B都包括如下的维度：美国说中文群体对应的营业额，由于存在维度上的近似性，这两个事件之间可能存在一些联系。 [0053] 2)事件之间在历史记录上的变化关联性。 [0054] 在历史记录上不同事件同时或者先后发生的概率。例如，存在两个事件经常性的同时发生，说明这两个事件之间可能存在较大的关联性。这些特征有助于缩短对事件之间的关联性的搜索。 [0055] 在历史记录上不同事件之间的变化特征关联性，例如实际测量值与预测正常值之间的偏差幅度、偏差方向等特征之间的关联性。 [0056] 3)事件之间的指标拟合度特征。 [0057] 指标之间可能会存在一些内在的联系，通过提取这方面的特征，能够更好地发现事件之间的关联性。例如，不同的指标之间有如下的计算关系，总收入(revenue)＝浏览量(triffic)÷1000×每千次浏览量产生的价格(CPM，Cost Per Mille)。这些内在的拟合度的关联关系，也是会影响到事件之间的关联性。 [0058] 事件拓扑关系图生成模块802，用于将多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。在事件拓扑关系图中，每个节点对应于事件，各个节点之间边对应于事件之间的关联性打分。在实际应用中，生成的拓扑关系图中，可以示出任意两个事件之间的关联性打分，从而给分析人员提供更加全面的分析基础。当然，如果涉及的事件数量非常多，也可以根据事件之间的关联性打分的大小进行筛选，只保留关联性打分较大的两两事件之间的关联性打分。 [0059] 上述的第二机器学习模型可以基于历史的异常的事件的训练数据进行训练，该训练数据可以是由图1的监控数据处理装置产生的历史数据。 [0060] 如图9所示，其为本发明实施例的事件拓扑关系图的示意图900。图中涉及四个事件(事件1至事件4)，输出结果为四个事件形成的拓扑关系图，图中任意两个事件对应的节点之间都建立了边，该边中记录了两两事件之间的关联性打分。 [0061] 通过图8所示的监控数据处理装置的处理，在将多个时间线序列处理为多个事件后，还能够对事件之间的关联关系进行进一步分析挖掘，生成事件的事件拓扑关系图，从而能够从更加宏观的角度来进一步分析异常的原因以及影响情况。 [0062] 如图10所示，其为本发明实施例的监控数据处理装置之四的应用示例框图1000。 与图8中所示的监控数据处理装置101不同之处在于，图10中的事件特征提取模块1003以及事件拓扑关系图生成模块1004形成了独立监控数据处理装置。具体的，如图10所示，该监控数据处理装置1001包括：事件获取模块1002、事件特征提取模块1003以及事件拓扑关系图生成模块1004。其中，事件特征提取模块1002和事件拓扑关系图生成模块1003与事件特征提取模块801和事件拓扑关系图生成模块802所执行的功能是相同的，而事件获取模块1002用于获取多个事件，事件的来源可以是图1所示的监控数据处理装置101，也可以是来自于其他监控数据源的事件，事件的内容和形式与前面实施例中说明的内容相同。 [0063] 方法处理流程示例 [0064] 以上介绍了本发明实施例的监控数据处理装置，上述监控数据处理装置所执行的功能可以实现为下面介绍的监控数据处理装置。 [0065] 如图11所示，其为本发明实施例的监控数据处理方法的流程之一的示意图1100。 该方法包括： [0066] S1101：获取发生异常的多个时间线序列。其中，监控数据处理被触发时机可以是上述的监控系统在指定的时间片中检测到存在时间线序列发生异常，步骤S1101可以具体为：响应于监控系统在指定的时间片中检测到存在时间线序列发生异常的输出结果，获取在该时间片中发生异常的多个时间线序列。该步骤S1101的处理可以由上述的监控数据处理装置101的时间线序列获取模块107执行。 [0067] S1102：对多个时间线序列进行特征提取，生成多个时间线序列特征向量。 [0068] 具体地，可以根据如下的特征要素中的一项或者任意多项，对多个时间线序列进行特征提取： [0069] 1)维度关联性。例如维度之间的归并关系或者隶属关系等。 [0070] 2)时间线序列的历史上异常发生的时间关联性。例如，两个时间线序列总是同时发生异常，或者先后发生异常。 [0071] 3)各个时间线序列之间的形态特征关联性。在出现异常的时间线序列中，发生异常的部分的图形波动的形态存在某种关联性，例如变化方向、幅度、形状等等。 [0072] 该步骤S1102的处理可以由上述的监控数据处理装置101的时间线序列特征提取模块108执行。 [0073] S1103：将多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，事件包括由多个发生异常的时间线序列构成的拓扑关系图。 [0074] 其中，该第一机器学习模型的训练数据可以使用历史上发生异常的时间线序列作为训练数据。其中，拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度，拓扑关系图包括中心节点，该中心节点为拓扑关系图中异常最严重的节点，其它节点都会直接或者间接地对中心节点的异常具有贡献度。需要说明的是，经过第一机器学习模型的处理，多个发生异常的时间线序列可能形成一个事件也可能会形成多个事件，这取决于异常现象之间的关联性。另外，每个事件所涉及的时间线序列可以对应于同一指标，从而更加清晰地体现出该指标下的发生异常的时间线序列之间的关联关系。 [0075] 该步骤S1103的处理可以由上述的监控数据处理装置101的事件生成模块109执行。 [0076] 通过图11所示的监控数据处理方法，能够将众多发生异常的时间线序列进行关联性分析，整合为一个或者多个拓扑关系图形式的事件，通过拓扑关系图能够发现发生异常的时间线序列之前关联关系，以及相互之间的对于异常的贡献度。此外，每个事件中会存在中心节点，该中心节点示出了该事件中异常最严重的维度，并且能够清楚地发现各个节点(各个维度)的异常情况对于该中心节点的异常情况的贡献度，从而能够更加清楚地发现异常发生的根源。 [0077] 如图12所示，其为本发明实施例的监控数据处理方法的流程之二的示意图1200，在图11所示流程的基础上，在生成了一个或多个事件后，本发明实施例的监控数据处理方法还可以包括： [0078] S1201：以事件为单位进行报警。该步骤的处理可以由上述的监控数据处理装置 101的报警模块501执行。 [0079] 本发明实施例中，在发现异常的时间线序列后，不会立即报警，而是通过本发明实施例的监控数据处理方法进行分析处理，形成一个或者多个事件后，再以事件为单位进行报警，从而能够降低报警的数量，也让处理异常的人员能够更加清晰更加有针对性的对异常原因进行分析。 [0080] 如图13所示，其为本发明实施例的监控数据处理方法的流程之三的示意图1300，在图11所示的监控数据处理方法的基础上，还可以包括： [0081] S1301：对多个事件进行特征向量提取，生成多个事件特征向量。 [0082] 具体地，可以通过特征要素中的一项或者任意多项，对多个事件进行特征提取： [0083] 1)事件对应的指标在维度组合方面的特征。 [0084] 这方面的特征提取的意义在于，挖掘不同的指标下，可能存在的维度方面的近似关系，而对应于不同指标的事件涉及了相同的维度。 [0085] 2)事件之间在历史记录上的变化关联性。 [0086] 在历史记录上不同事件同时或者先后发生的概率。例如，存在两个事件经常性的同时发生，说明这两个事件之间可能存在较大的关联性。这些特征有助于缩短对事件之间的关联性的搜索。 [0087] 在历史记录上不同事件之间的变化特征关联性，例如实际测量值与预测正常值之间的偏差幅度、偏差方向等特征之间的关联性。 [0088] 3)事件之间的指标拟合度特征。 [0089] 指标之间可能会存在一些内在的联系，通过提取这方面的特征，能够更好地发现事件之间的关联性。 [0090] 该步骤S1302的处理可以由上述的监控数据处理装置101的事件特征提取模块801执行。 [0091] S1302：将多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。在事件拓扑关系图中，每个节点对应于事件，各个节点之间边对应于事件之间的关联性打分。在实际应用中，生成的拓扑关系图中，可以示出任意两个事件之间的关联性打分，从而给分析人员提供更加全面的分析基础，当然，如果涉及的事件数量非常多，也可以根据事件之间的关联性打分的大小进行筛选，只保留关联性打分较大的两两事件之间的关联性打分。 [0092] 上述的第二机器学习模型可以基于历史的异常的事件的训练数据进行训练，该训练数据可以是由图11的监控数据处理方法产生的历史数据。 [0093] 该步骤S1302的处理可以由上述的监控数据处理装置101的事件拓扑关系图生成模块802执行。 [0094] 通过图13所示的监控数据处理方法，在将多个时间线序列处理为多个事件后，还能够对事件之间的关联关系进行进一步分析挖掘，生成事件的事件拓扑关系图，从而能够从更加宏观的角度来进一步分析异常的原因以及影响情况。 [0095] 如图14所示，其为本发明实施例的监控数据处理方法的流程之四的示意图1400，图13所示的处理流程，也可以作为独立的方法流程来执行。如图14所示，该方法流程包括： [0096] S1401：获取多个事件。事件的来源可以是图1所示的监控数据处理装置101或者图 11所示的监控数据处理方法所产生的事件，也可以是来自于其他监控数据源的事件。该步骤的处理可以由图10中的监控数据处理装置1001的事件获取模块1002执行。 [0097] S1402：对多个事件进行特征向量提取，生成多个事件特征向量。该步骤的处理的技术细节与图13中的步骤S1301相同。该步骤S1402的处理可以由图10中的监控数据处理装置1001的事件特征提取模块1002执行。 [0098] S1403：将多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。该步骤的处理的技术细节与图13中的步骤S1302相同。该步骤S1403的处理可以由图10中的监控数据处理装置1001的事件拓扑关系图生成模块1003执行。 [0099] 需要说明的是，上述的监控数据处理方法，可以基于上述的监控数据处理装置来实现，也可以作为方法流程而独立实现，或者通过其他的软件或者硬件设计，在本发明实施例的发明思想之下，进行实现。 [0100] 以上介绍了本发明实施例的监控数据处理装置的各个流程，其技术细节以及相应的技术效果在之前针对监控数据处理装置的介绍中进行了详细说明，在此不再赘述。 [0101] 电子设备的具体实现示例 [0102] 在一些例子中，上述图1至图14涉及的一个或多个模块或者一个或多个步骤或者一个或多个处理过程，可以通过软件程序、硬件电路，也可以通过软件程序和硬件电路相结合的方式来实现。例如，上述各个组件或者模块以及一个或多个步骤都可在芯片上系统(SoC)中实现。SoC可包括：集成电路芯片，该集成电路芯片包括以下一个或多个：处理单元(如中央处理单元(CPU)、微控制器、微处理单元、数字信号处理单元(DSP)等)、存储器、一个或多个通信接口、和/或用于执行其功能的进一步的电路和可任选的嵌入的固件。 [0103] 如图15所示，其为发明实施例的电子设备的结构框图1500。电子设备1500包括：存储器1501和处理器1502。 [0104] 存储器1501，用于存储程序。除上述程序之外，存储器1501还可被配置为存储其它各种数据以支持在电子设备1500上的操作。这些数据的示例包括用于在电子设备1500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。 [0105] 存储器1501可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。 [0106] 存储器1501耦合至处理器1502并且包含存储于其上的指令，所说的指令在由处理器1502执行时使电子设备执行动作，作为一种电子设备的实施例，该动作可以包括： [0107] 获取发生异常的多个时间线序列； [0108] 对多个时间线序列进行特征提取，生成多个时间线序列特征向量； [0109] 将多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，事件包括由多个发生异常的时间线序列构成的拓扑关系图。 [0110] 其中，可以根据如下的特征要素中的一项或者任意多项，对多个时间线序列进行特征提取： [0111] 维度关联性、时间线序列的历史上异常发生的时间关联性、各个时间线序列之间的形态特征关联性。 [0112] 其中，拓扑关系图中的各个节点可以对应于发生异常的时间线序列，各个节点之间的边可以对应于节点之间对于异常影响的贡献度，拓扑关系图可以包括中心节点，该中心节点为拓扑关系图中异常最严重的节点，其它节点都会直接或者间接地对中心节点的异常具有贡献度。 [0113] 其中，获取发生异常的多个时间线序列可以包括： [0114] 响应于监控系统在指定的时间片中检测到存在时间线序列发生异常的输出结果，获取在该时间片中发生异常的多个时间线序列。 [0115] 其中，在生成一个或多个事件后，还可以包括：以事件为单位进行报警。 [0116] 其中，每个事件中的时间线序列可以对应于同一指标。 [0117] 其中，在生成多个事件后还可以包括： [0118] 对多个事件进行特征向量提取，生成多个事件特征向量； [0119] 将多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0120] 其中，可以根据如下的特征要素中的一项或者任意多项，对多个事件进行特征提取： [0121] 事件对应的指标在维度组合方面的特征、事件之间在历史记录上的变化关联性以及事件之间的指标拟合度特征。 [0122] 其中，在事件拓扑关系图中，每个节点可以对应于事件，各个节点之间边可以对应于事件之间的关联性打分。 [0123] 作为另外一种电子设备的实施例，上述动作可以包括： [0124] 获取多个事件； [0125] 对多个事件进行特征向量提取，生成多个事件特征向量； [0126] 将多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0127] 对于上述的处理操作，在前面方法和装置的实施例中已经进行了详细说明，对于上述的处理操作的详细内容同样也适用于电子设备1500中，即可以将前面实施例中提到的具体处理操作，以程序的方式写入在存储器1501，并通过处理器1502来进行执行。 [0128] 进一步，如图15所示，电子设备1400还可以包括：通信组件1403、电源组件1404、音频组件1405、显示器1506、芯片组1507等其它组件。图15中仅示意性给出部分组件，并不意味着电子设备1500只包括图15所示组件。 [0129] 通信组件1503被配置为便于电子设备1500和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1503经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件1503还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。 [0130] 电源组件1504，为电子设备的各种组件提供电力。电源组件1504可以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管理和分配电力相关联的组件。 [0131] 音频组件1505被配置为输出和/或输入音频信号。例如，音频组件1505包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1501或经由通信组件1503发送。在一些实施例中，音频组件1505还包括一个扬声器，用于输出音频信号。 [0132] 显示器1506包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。 [0133] 上述的存储器1501、处理器1502、通信组件1503、电源组件1504、音频组件1505以及显示器1506可以与芯片组1507连接。芯片组1507可以提供处理器1502与电子设备1500中的其余组件之间的接口。此外，芯片组1507还可以提供电子设备1500中的各个组件对存储器1501的访问接口以及各个组件间相互访问的通讯接口。 [0134] 示例条款 [0135] A：一种方法，包括： [0136] 获取发生异常的多个时间线序列； [0137] 对所述多个时间线序列进行特征提取，生成多个时间线序列特征向量； [0138] 将所述多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，所述事件包括由多个发生异常的时间线序列构成的拓扑关系图。 [0139] B：根据段落A所述的方法，其中，根据如下的特征要素中的一项或者任意多项，对所述多个时间线序列进行特征提取： [0140] 维度关联性、所述时间线序列的历史上异常发生的时间关联性、各个时间线序列之间的形态特征关联性。 [0141] C：根据段落A所述的方法，其中，所述拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度，所述拓扑关系图包括中心节点，该中心节点为拓扑关系图中异常最严重的节点，其它节点都会直接或者间接地对中心节点的异常具有贡献度。 [0142] D：根据段落A所述的方法，其中，获取发生异常的多个时间线序列包括： [0143] 响应于监控系统在指定的时间片中检测到存在时间线序列发生异常的输出结果，获取在该时间片中发生异常的多个时间线序列。 [0144] E：根据段落A所述的方法，其中，生成一个或多个事件后，还包括：以事件为单位进行报警。 [0145] F：根据段落A所述的方法，其中，每个事件中的时间线序列对应于同一指标。 [0146] G：根据段落A所述的方法，其中，在生成多个事件后还包括： [0147] 对多个事件进行特征向量提取，生成多个事件特征向量； [0148] 将所述多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0149] H：根据段落G所述的方法，其中，根据如下的特征要素中的一项或者任意多项，对所述多个事件进行特征提取： [0150] 事件对应的指标在维度组合方面的特征、事件之间在历史记录上的变化关联性以及事件之间的指标拟合度特征。 [0151] I：根据段落G所述的方法，其中，所述事件拓扑关系图中，每个节点对应于事件，各个节点之间边对应于事件之间的关联性打分。 [0152] J：一种装置，包括： [0153] 时间线序列获取模块，用于获取发生异常的多个时间线序列； [0154] 时间线序列特征提取模块，用于对所述多个时间线序列进行特征提取，生成多个时间线序列特征向量； [0155] 事件生成模块，用于将所述多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，所述事件包括由多个发生异常的时间线序列构成的拓扑关系图。 [0156] K：根据段落J所述的装置，其中，根据如下的特征要素中的一项或者任意多项，对所述多个时间线序列进行特征提取： [0157] 维度关联性、所述时间线序列的历史上异常发生的时间关联性、各个时间线序列之间的形态特征关联性。 [0158] L：根据段落J所述的装置，其中，所述拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度，所述拓扑关系图包括中心节点，该中心节点为拓扑关系图中异常最严重的节点，其它节点都会直接或者间接地对中心节点的异常具有贡献度。 [0159] M：根据段落J所述的装置，其中，获取发生异常的多个时间线序列包括： [0160] 响应于监控系统在指定的时间片中检测到存在时间线序列发生异常的输出结果，获取在该时间片中发生异常的多个时间线序列。 [0161] N：根据段落J所述的装置，其中，还包括： [0162] 报警模块，用于以事件为单位进行报警。 [0163] O：根据段落J所述的装置，其中，还包括： [0164] 事件特征提取模块，用于对多个事件进行特征向量提取，生成多个事件特征向量； [0165] 事件拓扑关系图生成模块，用于将所述多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0166] P：根据段落O所述的装置，其中，所述事件特征提取模块根据如下的特征要素中的一项或者任意多项，对所述多个事件进行特征提取： [0167] 事件对应的指标在维度组合方面的特征、事件之间在历史记录上的变化关联性以及事件之间的指标拟合度特征。 [0168] Q：根据段落O所述的装置，其中，所述事件拓扑关系图中，每个节点对应于事件，各个节点之间边对应于事件之间的关联性打分。 [0169] R：一种电子设备，包括： [0170] 处理单元；以及 [0171] 存储器，耦合至所述处理单元并且包含存储于其上的指令，所述指令在由所述处理单元执行时使所述设备执行动作，所述动作包括： [0172] 获取发生异常的多个时间线序列； [0173] 对所述多个时间线序列进行特征提取，生成多个时间线序列特征向量； [0174] 将所述多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，所述事件包括由多个发生异常的时间线序列构成的拓扑关系图。 [0175] S：根据段落R所述的电子设备，其中，根据如下的特征要素中的一项或者任意多项，对所述多个时间线序列进行特征提取： [0176] 维度关联性、所述时间线序列的历史上异常发生的时间关联性、各个时间线序列之间的形态特征关联性。 [0177] T：根据段落R所述的电子设备，其中，所述拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度，所述拓扑关系图包括中心节点，该中心节点为拓扑关系图中异常最严重的节点，其它节点都会直接或者间接地对中心节点的异常具有贡献度。 [0178] U：根据段落R所述的电子设备，其中，所述动作还包括： [0179] 对多个事件进行特征向量提取，生成多个事件特征向量； [0180] 将所述多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0181] V：一种方法，包括： [0182] 获取多个事件； [0183] 对所述多个事件进行特征向量提取，生成多个事件特征向量； [0184] 将所述多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0185] W：一种装置，包括： [0186] 事件获取模块，用于获取多个事件； [0187] 事件特征提取模块，用于对所述多个事件进行特征向量提取，生成多个事件特征向量； [0188] 事件拓扑关系图生成模块，用于将所述多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0189] X：一种电子设备，包括： [0190] 处理单元；以及 [0191] 存储器，耦合至所述处理单元并且包含存储于其上的指令，所述指令在由所述处理单元执行时使所述设备执行动作，所述动作包括： [0192] 获取多个事件； [0193] 对所述多个事件进行特征向量提取，生成多个事件特征向量； [0194] 将所述多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。 [0195] 结语 [0196] 系统的多个方面的硬件与软件实现之间区别不大；使用硬件还是软件通常(但并不总是，因为在某些背景下，硬件与软件之间的选择可以变得显著)是表示成本与效率权衡的设计选择。存在可以实现在此描述的处理和/或系统和/或其它技术(例如，硬件、软件，以及/或固件)的各种承载工具，并且优选承载工具将随着部署该处理和/或系统和/或其它技术的背景而改变。例如，如果实现方确定速度和准确度最重要，则该实现方可以选择主要硬件和/或固件承载工具；如果灵活性最重要，则该实现方可以选择主要软件实现；或者，此外又另选地，该实现方可以选择硬件、软件，以及/或固件的一些组合。 [0197] 前述详细描述已经经由使用框图、流程图，以及/或示例阐述了该装置和/或处理的各种实施方式。至于这种框图、流程图，以及/或示例包含一个或更多个功能和/或操作，本领域技术人员应当明白，这种框图、流程图，或示例内的每一个功能和/或操作可以单独地和/或共同地，通过宽范围的硬件、软件、固件，或者实际上其任何组合来实现。在一个实施方式中，在此描述的主旨的几个部分可以经由专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)，或其它集成格式来实现。然而，本领域技术人员应当认识到，在此公开的实施方式的一些方面整个地或者部分地可以等同地在集成电路中实现，实现为运行在一个或更多个计算机上的一个或更多个计算机程序(例如，实现为运行在一个或更多个计算机系统上的一个或更多个程序)，实现为运行在一个或更多个处理器上的一个或更多个程序(例如，实现为运行在一个或更多个微处理器上的一个或更多个程序)，实现为固件，或者实际上实现为其任何组合，并且根据本公开，设计电路和/或编写用于软件和/或固件的代码完全处于本领域技术人员的技术内。另外，本领域技术人员应当清楚的是，在此描述的主题的机制能够按多种形式作为程序产品分配，并且在此描述的主题的例示性实施方式适用，而与被用于实际执行该分配的特定类型的信号承载介质无关。信号承载介质的示例包括但不限于，以下：可记录型介质，如软盘、硬盘驱动器(HDD)、质密盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等；和传输型介质，如数字和/或模拟通信媒介(例如，光纤线缆、波导管、有线通信链路、无线通信链路等)。 [0198] 本领域技术人员应当认识到，按在此阐述的方式来描述装置和/或处理，并且此后，使用工程实践将这样描述的装置和/或处理集成到数据处理系统中是本领域内常见的。 即，在此描述的装置和/或处理的至少一部分可以经由合理量的实验而集成到数据处理系统中。本领域技术人员应当认识到的是，通常的数据处理系统通常包括以下中的一个或更多个：系统单元外壳、视频显示装置、诸如易失性和非易失性存储器的存储器、诸如微处理器和数字信号处理器的处理器、诸如操作系统、驱动器、图形用户接口，以及应用程序的计算实体、诸如触摸板或触摸屏的一个或更多个交互式装置，以及/或包括反馈回路和控制电动机的控制系统(例如，用于感测位置和/或速度的反馈；用于移动和/或调节组件和/或数量的控制马达)。通常的数据处理系统可以利用任何合适商业可获组件来实现，如通常在数据计算/通信和/或网络通信/计算系统中找到的那些。 [0199] 在此描述的主题有时例示了包含在不同的其它组件内或与其相连接的不同组件。 要明白的是，这样描绘的架构仅仅是示例性的，并且实际上，可以实现获得相同功能的许多其它架构。在概念意义上，用于获得相同功能的组件的任何排布结构都有效地“关联”，以使获得希望功能。因此，在此为获得特定功能而组合的任两个组件都可以被看作彼此“相关联”，以使获得希望功能，而与架构或中间组件无关。同样地，这样关联的任两个组件还可以被视作彼此“可操作地连接”，或“可操作地耦接”，以获得希望功能，并且能够这样关联的任两个组件也可以被视作可彼此“操作地耦接”，以获得希望功能。可操作地耦接的具体示例包括但不限于，物理上可配合和/或物理上交互的组件和/或可无线地交互和/或无线地交互的组件和/或逻辑上交互和/或逻辑上可交互组件。 [0200] 针对在此实质上使用的任何复数和/或单数术语，本领域技术人员可以针对背景和/或应用在适当时候从复数翻译成单数和/或从单数翻译成复数。为清楚起见，各种单数/多数置换在此可以确切地阐述。 [0201] 本领域技术人员应当明白，一般来说，在此使用的，而且尤其是在所附权利要求书中(例如，所附权利要求书的主体)使用的术语通常旨在作为“开放式”措辞(例如，措辞“包括(including)”应当解释为“包括但不限于”，措辞“具有(having)”应当解释为“至少具有”，措辞“包括(include)”应当解释为“包括但不限于”等)。本领域技术人员还应当明白，如果想要特定数量的介绍权利要求列举，则这种意图将明确地在该权利要求中陈述，并且在没有这些列举的情况下，不存在这种意图。例如，为帮助理解，下面所附权利要求书可以包含使用介绍性短语“至少一个”和“一个或更多个”来介绍权利要求列举。然而，使用这种短语不应被认作，暗示由不定冠词“一(a)”或“一(an)”介绍的权利要求列举将包含这种介绍权利要求列举的任何特定权利要求限制于仅包含一个这种列举的发明，即使同一权利要求包括介绍性短语“一个或更多个”或“至少一个”以及诸如“一(a)”或“一(an)”的不定冠词(例如，“一(a)”或“一(an)”通常应当被解释成意指“至少一个”或“一个或更多个”)；其对于使用为介绍权利要求列举而使用的定冠词来说同样保持为真。另外，即使明确地陈述特定数量的介绍权利要求列举，本领域技术人员也应当认识到，这种列举通常应当被解释成，至少意指所陈述数量(例如，“两个列举”的仅有的列举在没有其它修饰语的情况下通常意指至少两个列举，或者两个或更多个列举)。而且，在使用类似于“A、B，以及C等中的至少一个”的惯例的那些实例中，一般来说，这种句法结构希望本领域技术人员在意义上应当理解这种惯例(例如，“具有A、B，以及C中的至少一个的系统”应当包括但不限于具有单独A、单独B、单独C、A和B一起、A和C一起、B和C一起，以及/或A、B以及C一起等的系统)。在使用类似于“A、B，或C等中的至少一个”的惯例的那些实例中，一般来说，这种句法结构希望本领域技术人员在意义上应当理解这种惯例(例如，“具有A、B，或C中的至少一个的系统”应当包括但不限于具有单独A、单独B、单独C、A和B一起、A和C一起、B和C一起，以及/或A、B以及C一起等的系统)。本领域技术人员还应当明白的是，实际上，呈现两个或更多个另选术语的任何转折词和/短语(无论处于描述、权利要求书中，还是在附图中)应当被理解成，设想包括这些术语、这些术语中的任一个，或者两个术语的可能性。例如，短语“A或B”应当被理解成，包括“A”或“B”或“A和B”的可能性。 [0202] 本说明书中针对“实现方式”、“一个实现方式”、“一些实现方式”，或“其它实现方式”的引用可以意指，结合一个或更多个实现方式描述的特定特征、结构，或特性可以被包括在至少一些实现方式中，但不必被包括在所有实现方式中。前述描述中不同出现的“实现方式”、“一个实现方式”，或“一些实现方式”不必全部针对同一实现方式而引用。 [0203] 虽然利用不同方法和系统描述和示出了特定示例性技术，但本领域技术人员应当明白，在不脱离要求保护的主题的情况下，可以进行各种其它修改，并且可以代替等同物。 另外，在不脱离在此描述的中心概念的情况下，可以进行许多修改以使适应针对要求保护的主题的教导的特定情况。因此，要求保护的主题不限于所公开的特定示例，而是这种要求保护的主题还可以包括落入所附权利要求书及其等同物的范围内的所有实现。 [0204] 尽管已经用结构特征和/或方法动作专用的语言描述了本主题，但要理解，所附权利要求书中定义的主题不必限于所描述的具体特征或动作。而是，这些具体特征和动作是作为实现该权利要求的解说性形式而公开的。 [0205] 除非另外具体声明，否则在上下文中可以理解并一般地使用条件语言(诸如“能”、“能够”、“可能”或“可以”)表示特定示例包括而其他示例不包括特定特征、元素和/或步骤。 因此，这样的条件语言一般并非旨在暗示对于一个或多个示例以任何方式要求特征、元素和/或步骤，或者一个或多个示例必然包括用于决定的逻辑、具有或不具有用户输入或提示、在任何特定实施例中是否要包括或要执行这些特征、元素和/或步骤。 [0206] 除非另外具体声明，应理解联合语言(诸如短语“X、Y或Z中至少一个”)表示项、词语等可以是X、Y或Z中的任一者、或其组合。 [0207] 本文所述和/或附图中描述的流程图中任何例行描述、元素或框应理解成潜在地表示包括用于实现该例程中具体逻辑功能或元素的一个或多个可执行指令的代码的模块、片段或部分。替换示例被包括在本文描述的示例的范围内，其中各元素或功能可被删除，或与所示出或讨论的顺序不一致地执行，包括基本上同步地执行或按相反顺序执行，这取决于所涉及的功能，如本领域技术人也将理解的。 [0208] 应当强调，可对上述示例作出许多变型和修改，其中的元素如同其他可接受的示例那样应被理解。所有这样的修改和变型在此旨在包括在本公开的范围内并且由以下权利要求书保护。 [0209] 本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。 [0210] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。