[0001] 本发明涉及网络流量测量分析技术领域，尤其涉及一种基于降噪模型的隧道流量的关联方法和装置。

[0002] 隧道技术是保护用户隐私的常用手段之一，尤其是多跳隧道，能够很好的隐藏用户行为，保护用户隐私。但隧道服务也因其隐私保护特性而常被滥用于网络攻击、信息窃取等活动，因此确定隧道服务中隐藏的通信关系，对异常网络行为进行追踪溯源，对维护网络安全具有重要意义。

[0003] 随着越来越多的隧道节点被构建在CDN、公有云等公共网络服务上，异常网络行为与正常网络流量混杂，给溯源工作带来了巨大挑战。由于隧道服务大多采取了强加密措施，基于内容分析数据来源并不现实；逐跳追踪流量的办法又需要关联者掌握大量的节点资源，在现实场景中也很难做到。因此，现阶段只有流量关联技术可以在有限条件下实现确认通信关系的目标。流量关联是将隧道入口节点流对应到与其相关(属于同一个通信会话)的出口节点流的过程，使用内容无关特征，仅在隧道两端完成。

[0004] 目前的流量关联方法主要是基于统计距离的方法，将统计距离视作测度两条流相关性的指标，常用指标包括余弦距离、皮尔逊系数、互信息等。每条数据流被抽象为描述其形态特征的向量(如包方向序列、包大小序列、包间隔序列等)，然后使用相应指标的计算公式计算相似度。基于统计距离的方法只捕获浅层外部特征，轻微的网络噪声就会显著改变数据流的向量表示，影响关联精度。

[0048] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0049] 下面结合图1‑图7描述本发明实施例的基于降噪模型的隧道流量关联方法和装置。

[0050] 本发明实施例公开了一种基于降噪模型的隧道流量关联方法，参见图1，包括：

[0051] 步骤101、获取预建立的网络隧道的多个入口节点流和多个出口节点流；其中，所述网络隧道用于客户端访问对应的网络。

[0052] 需要解释的是，网络隧道，为一种通过互联网络基础设施在网络之间传递数据的方式。通过网络隧道，可以实现客户端对网络端服务的访问。本实施例中，可以简单地将网络隧道理解为从入口节点到出口节点的一条通路。则对应地，在入口节点处有入口节点流，在出口节点处有出口节点流。

[0053] 本实施例中，借助自动化脚本在客户端产生并捕获访问特定网站的网络隧道入口节点流，同时在网络隧道的后置出口处捕获隧道出口节点流。

[0054] 在网络隧道中，有多个入口节点流和出口节点流。有可能一个入口节点流与多个出口节点流相关联，也有可能多个入口节点流与一个出口节点流相关联。本发明实施例的目的，即是在多对一的关系中，找到最具有关联性的一对一的关系。

[0055] 具体地讲，本发明实施例以一个出口节点流关联有多个入口节点流为例，对于每一个出口节点流具有的多个具有关联关系的候选入口节点流的情况下，确定出其中的最具有关联关系的入口节点流作为目标入口节点流，从而确定该入口节点流和出口节点流属于同一通信会话。参见图2，图2中，主机A、主机B、主机C与主机D、主机E、主机F之间形成网络隧道。其中，对于作为出口节点的主机F，与其具有关联的入口节点包括主机A、主机B、主机C，即(A，F)、(B，F)和(C，F)。通过本实施例的方法，可以确定其中的与出口节点(主机F)最具有关联关系的入口节点(主机A)。

[0056] 当然，本实施例的方法同样适用于一个入口节点流与多个出口节点流相关联的情形。由于处理步骤基本相同，本实施例便不再重复赘述从多个出口节点流中选择出与入口节点流最有关联性的目标出口节点流的方法。

[0057] 步骤102、确定与每个出口节点流对应的至少一个候选入口节点流，将每个所述出口节点流输入至预训练的降噪模型中，以将出口节点流依次进行网络噪声和混淆噪声去除处理，得到映射入口节点流。

[0058] 其中，所述降噪模型用于学习相关联的样本入口节点流和样本出口节点流的映射关系；所述降噪模型包括：第一编码层和第二编码层，所述第一编码层用于去除网络噪声，所述第二编码层用于去除混淆噪声，以将输入的出口节点流还原为对应的映射入口节点流。

[0059] 具体地，本实施例中的样本入口节点流和样本出口节点流包含网络噪声的第一样本入口节点流和第一样本出口节点流作为非混淆节点流序列对，以及包含网络噪声和混淆噪声的第二样本入口节点流和第二样本出口节点流作为混淆节点流序列对，并分别用非混淆节点流序列和混淆节点流序列训练第一编码层和第二编码层。

[0060] 构建训练数据时，将两条相关联的入口节点流和出口节点流组成的序列对作为正样本序列对；另外单独选择一部分入口节点流，随机为每条入口节点流分配99条不相关联的出口节点流，组成负样本序列对，模拟待追溯通信关系产生的流量占网关处捕获总流量的1％的情况。

[0061] 训练时，采用的损失函数与之后进行关联操作的统计距离方法相对应：若使用欧几里得距离判定两个节点流的相似性，则将平方误差函数设为预处理降噪模型的损失函数。同理，若使用余弦距离判定两个节点流的相似性，则将余弦相似性函数设为预处理降噪模型的损失函数；若使用信息熵判定两个节点流的相似性，则将互信息函数设为预处理降噪模型的损失函数。

[0062] 具体地，步骤102包括：将每个所述出口节点流输入至所述第一编码层中进行网络噪声的去除，得到对应的降噪出口节点流；将每个所述降噪出口节点流输入至所述第二编码层中进行混淆噪声的去除，得到所述映射入口节点流。

[0063] 本实施例中的混淆噪声产生在流量发起阶段，网络噪声产生在流量传输阶段，所以本实施例通过降噪模型的第一编码层和第二编码层依次对出口节点流分阶段降噪，不同层的编码层负责拟合不同类型的噪声。相比于直接训练一个端到端神经网络模型的现有方法，分阶段降噪在混淆流量上的关联准确度更高，在非混淆流量上需要的流观测时间更短、关联速度更快。

[0064] 步骤103、分别计算所述映射入口节点流与至少一个候选入口节点流的统计距离，根据所述统计距离对所述候选入口节点流进行筛选，将最小的统计距离对应的候选入口节点流作为与所述出口节点流关联的目标入口节点流。

[0065] 本实施例中，统计距离可以通过计算欧几里得距离、余弦相似性或互信息的方法来实现。通过统计距离可以描述两个节点流之间的关联程度。

[0066] 本实施例中，将出口节点流转换为映射入口节点流，然后再将映射入口节点流与至少一个候选入口节点流计算统计距离，能够增强相关节点流的相似性，在网络噪声较复杂的场景下保证关联效果。

[0067] 本发明实施例提供的基于降噪模型的隧道流量关联方法和装置，在获得入口节点流和出口节点流的情况下，确定每个出口节点流对应的至少一个候选入口节点流，然后将出口节点流进行网络噪声和混淆噪声的去除处理得到映射入口节点流，然后再从至少一个候选入口节点流中确定出与出口节点流关联的目标入口节点流，由于混淆噪声产生在流量发起阶段，网络噪声产生在流量传输阶段，通过不同的编码层负责去除不同类型的噪声，与现有方法相比，可提高关联结果的精度。

[0068] 在步骤101之前，所述方法还包括：对入口节点的数据流的数据包和出口节点的数据流的数据包进行过滤，过滤掉TCP确认包等没有实际负载的数据包、过滤掉TCP Retransmission、Dup ACK等重传包。将过滤后的数据包按照五元组信息汇聚为上行或下行方向的单向数据流，得到数据流集合。

[0069] 其中，所述五元组信息指源IP地址、目的IP地址、源端口号、目的端口号、传输层协议。

[0070] 在得到的数据流集合中过滤掉长度过短的数据流，即得到入口节点数据流和出口节点数据流。

[0071] 进一步地，参见图3，步骤101包括：

[0072] 301、在每个入口节点处，统计入口节点数据流的数据包大小序列以及对应的数据包时间序列；定义第一时间窗口，并根据每个第一时间窗口内的数据包时间序列对应的数据包大小序列进行累计计算，得到每个第一时间窗口内的入口数据流累计传输量，将多个第一时间窗口内的入口数据流累计传输量序列作为所述入口节点流。

[0073] 具体地，假设某入口节点数据流的包大小序列为pkt_size、数据包时间序列为pkt_interval。对两条序列分别进行累计计算，即按顺序将每一个元素值与其前一个元素值累加，得到新序列pkt_size′和pkt_interval′。两条新序列存在这样的相关性：在pkt_interval′[i]时刻,该条数据流已经传输了pkt_size′[i]个字节。

[0074] 然后，定义一个固定的第一时间窗口win_size，在每个第一时间窗口结束时，统计该数据流已经传输的总字节数。设数据流在时刻x*win_size传输了f(x*win_size)个字节,则有f(x*win_size)＝pkt_size′[i],pkt_interval′[i]≤x*win_size

[0075] 例如，以每5ms输字节数为10为例，那么得到的入口节点流可以为[10,20,30,40,50…,200]。

[0076] 进一步地，在得到入口数据流累计传输量序列之后，对入口数据流累计传输量序列进行归一化操作，将序列中的每个序列值替换为某一时刻数据传输量占总量的百分比，能够更好地拟合传输过程中的数据量突发。总体来说，前者更注重数据量变化的绝对增长趋势，而后者侧重于相对增长趋势即数据增长率的变化。

[0077] 302、在每个出口节点处，统计出口节点数据流的数据包大小序列以及对应的数据包时间序列；定义第二时间窗口，并根据每个第二时间窗口内的数据包时间序列对应的数据包大小序列进行累计计算，得到每个第二时间窗口内的出口数据流累计传输量，将多个第二时间窗口内的入口数据流累计传输量序列作为所述出口节点流。

[0078] 获取出口节点流的具体方法与获取入口节点流的具体方法基本相同，本实施例便不再赘述。

[0079] 通过步骤301～302，本发明实施例通过定义第一时间窗口和第二时间窗口为单位来分别统计入口数据流累计传输量和出口数据流累计传输量，该粒度与数据流中包含多少数据包、这些数据包的到达顺序无关，因此在包丢失、重组、重传等情况下，相比于以数据包为单位的表征，其对数据流累计传输量的刻画更加稳定。

[0080] 进一步地，参见图4，本实施例的降噪模型的训练方法包括：

[0081] 401、将第一样本入口节点流和包含网络噪声的第一样本出口节点流作为训练数据输入至待训练的第一编码层中，以得到训练好的第一编码层。

[0082] 具体地，参见图5，步骤401包括：

[0083] 501、将所述包含网络噪声的第一样本出口节点流作为输入，将所述第一样本入口节点流作为待拟合的优化目标。

[0084] 502、将第一样本入口节点流和第一样本出口节点流输入至待训练的第一编码层中，通过最小化第一编码层的输出与所述第一样本入口节点流之间的平方差损失，确定所述第一编码层的最优参数集合，以得到训练好的第一编码层。

[0085] 针对网络噪声影响关联效果的问题，本方法将第一样本入口节点流视作无噪声的流量样本，将第一样本出口节点流视作混杂了网络噪声的样本入口节点流。在第一编码层中，以第一样本出口节点流为输入，与之相关的第一样本入口节点流为输出，使第一编码层在训练数据上获得第一样本出口节点流到第一样本入口节点流的映射关系。在第一编码层训练完成之后，按照学习到的映射关系从输入转化到输出的过程，实际上就是对出口节点流进行降噪、使之更接近入口节点流形态的过程。

[0086] 具体地，自编码网络的降噪过程如公式(1)所示。

[0087] ωa＝argminθ∑(α,β)∈NO(α‑De(En(β,θ),θT))2  (1)

[0088] 其中，θ表示使整个公式取值最小的模型的参数集合，也即，在公式所表示的距离T值被优化至最小时，这个时刻的θ作为最优参数集合ωa；θ表示参数矩阵θ的转置，这里表示函数De的参数是函数En的参数转置之后得到的，代表编码解码过程是对称的。

[0089] ωa表示第一编码层EncoderA的参数集合，NO表示非混淆数据流序列对的集合，函数De/En表示第一编码层EncoderA的解码/编码过程。

[0090] 在得到相关联的第一样本入口节点流和第一样本出口节点流之后，构成一组形如(α,β)的数据流序列对。使用其训练第一编码层EncoderA。训练时，第一样本出口节点流β被视为带有噪声的输入、第一样本入口节点流α作为待拟合的优化目标。通过最小化第一编码层EncoderA输出与优化目标之间的平方差损失，确定所述第一编码层的最优参数集合，以得到训练好的第一编码层。

[0091] 402、将第二样本入口节点流与包含网络噪声和混淆噪声的第二样本出口节点流作为训练数据依次输入至所述训练好的第一编码层和待训练的第二编码层中，以得到训练好的第二编码层。

[0092] 在训练第二编码层时，可以先用第一编码层EncoderA将第二样本节点流序列对去除其中的网络噪声，再使用去除网络噪声的第二样本节点流序列对训练第二编码层EncoderB。这样第二编码层EncoderB可以仅拟合混淆噪声即可。

[0093] 具体地，参见图6，步骤402包括：

[0094] 601、将包含网络噪声和混淆噪声的第二样本出口节点流输入至所述训练好的第一编码层中，得到去除网络噪声的第二样本出口节点流。

[0095] 具体地，得到去除网络噪声的第二样本出口节点流参见下述公式(2)：

[0096] δ′＝De(En(δ,ωa),ωaT)  (2)

[0097] 其中，δ是混淆噪声的第二样本出口节点流；

[0098] δ′是去除网络噪声的第二样本出口节点流；

[0099] ωa表示第一编码层EncoderA的参数集合；

[0100] δ经过第一编码层的编码En和解码De之后，生成去除网络噪声的第二样本出口节点流δ′。

[0101] 602、将去除网络噪声的第二样本出口节点流作为输入，将第二样本入口节点流作为待拟合的优化目标，将第二样本入口节点流和去除网络噪声的第二样本出口节点流输入至待训练的第二编码层中。

[0102] 603、通过最小化第二编码层的输出与所述第二样本入口节点流之间的平方差损失，确定所述第二编码层的最优参数集合，以得到训练好的第二编码层。

[0103] 具体地，第二编码层参见下述公式(3)：

[0104] ωb＝argminθ∑(γ,δ)∈O(γ‑De(En(δ′,θ),θT))2  (3)

[0105] 其中，ωb表示第二编码层EncoderB的参数集合；O代表用于训练的节点流集合，γ表示第二样本入口节点流；δ′表示去除网络噪声的第二样本出口节点流；θ表示使整个公式取值最小的模型的参数集合，也即，在公式所表示的距离值被优化至最小时，这个时刻的θT作为最优参数集合ωb；θ表示参数矩阵θ的转置，这里表示函数De的参数是函数En的参数转置之后得到，代表编码解码过程是对称的。

[0106] 在训练完毕后，还要对第一编码层和第二编码层的输出效果进行测试。测试阶段，非混淆节点流和混淆节点流是可以被区分的。对待测试的非混淆节点流序列对，只需由EncoderA做混淆噪声的处理得到；对待测试的混淆节点流序列对，需要先后经过EncoderA和EncoderB的混淆噪声和网络噪声的去除处理。

[0107] 处理之后的混淆节点流序列对可采用传统的统计距离方法计算序列对中两个节点流的相似度，以判断其是否相关联，进而判断第一编码层和第二编码层的训练效果。

[0108] 经过本实施例的方法，实验证明，对于非混淆节点流，本方法与已有的基于卷积神‑2经网络的流量关联方法均能够达到90％以上的真正率，同时假正率控制在10 以下；在达到同样效果时，本方法使用的分时字节累计序列长度为200，结合0.05s的时间窗口大小可得出需要的流观测长度为10秒；而已有方法需要在每个节点流中观测300个数据包，根据数据集情况，观测300个数据包需要11到64秒不等，因此本方法能够利用更多的短数据流进行更快的流量关联。对混淆节点流，本方法的真正率优于现有的卷积神经网络方法。

[0109] 下面对本发明实施例提供的基于降噪模型的隧道流量关联装置进行描述，下文描述的基于降噪模型的隧道流量关联装置与上文描述的基于降噪模型的隧道流量关联方法可相互对应参照。

[0110] 本发明实施例提供了一种基于降噪模型的隧道流量关联装置，参见图7，包括：

[0111] 节点流获取模块701，用于获取预建立的网络隧道的多个入口节点流和多个出口节点流；其中，所述网络隧道用于客户端访问对应的网络；

[0112] 降噪处理模块702，用于确定与每个出口节点流对应的至少一个候选入口节点流，将每个所述出口节点流输入至预训练的降噪模型中，以将出口节点流依次进行网络噪声和混淆噪声去除处理，得到映射入口节点流；

[0113] 节点流筛选模块703，用于分别计算所述映射入口节点流与至少一个候选入口节点流的统计距离，根据所述统计距离对所述候选入口节点流进行筛选，将最小的统计距离对应的候选入口节点流作为与所述出口节点流关联的目标入口节点流；

[0114] 其中，所述降噪模型用于学习相关联的样本入口节点流和样本出口节点流的映射关系；所述降噪模型包括：第一编码层和第二编码层，所述第一编码层用于去除网络噪声，所述第二编码层用于去除混淆噪声，以将输入的出口节点流还原为对应的映射入口节点流。

[0115] 可选地，节点流获取模块701，具体用于：

[0116] 在每个入口节点处，统计入口节点数据流的数据包大小序列以及对应的数据包时间序列；定义第一时间窗口，并根据每个第一时间窗口内的数据包时间序列对应的数据包大小序列进行累计计算，得到每个第一时间窗口内的入口数据流累计传输量，将多个第一时间窗口内的入口数据流累计传输量序列作为所述入口节点流；

[0117] 在每个出口节点处，统计出口节点数据流的数据包大小序列以及对应的数据包时间序列；定义第二时间窗口，并根据每个第二时间窗口内的数据包时间序列对应的数据包大小序列进行累计计算，得到每个第二时间窗口内的出口数据流累计传输量，将多个第二时间窗口内的入口数据流累计传输量序列作为所述出口节点流。

[0118] 可选地，所述装置还包括：模型训练模块，用于将第一样本入口节点流和包含网络噪声的第一样本出口节点流作为训练数据输入至待训练的第一编码层中，以得到训练好的第一编码层；

[0119] 将第二样本入口节点流与包含网络噪声和混淆噪声的第二样本出口节点流作为训练数据依次输入至所述训练好的第一编码层和待训练的第二编码层中，以得到训练好的第二编码层。

[0120] 可选地，所述模型训练模块具体用于：将所述包含网络噪声的第一样本出口节点流作为输入，将所述第一样本入口节点流作为待拟合的优化目标；

[0121] 将所述第一样本入口节点流和第一样本出口节点流输入至待训练的第一编码层中，通过最小化第一编码层的输出与所述第一样本入口节点流之间的平方差损失，确定所述第一编码层的最优参数集合，以得到训练好的第一编码层。

[0122] 可选地，所述模型训练模块具体用于：将包含网络噪声和混淆噪声的第二样本出口节点流输入至所述训练好的第一编码层中，得到去除网络噪声的第二样本出口节点流；

[0123] 将去除网络噪声的第二样本出口节点流作为输入，将所述第二样本入口节点流作为待拟合的优化目标，将所述第二样本入口节点流和去除网络噪声的第二样本出口节点流输入至待训练的第二编码层中；

[0124] 通过最小化第二编码层的输出与所述第二样本入口节点流之间的平方差损失，确定所述第二编码层的最优参数集合，以得到训练好的第二编码层。

[0125] 可选地，降噪处理模块702，具体用于：将每个所述出口节点流输入至所述第一编码层中进行网络噪声的去除，得到对应的降噪出口节点流；将每个所述降噪出口节点流输入至所述第二编码层中进行混淆噪声的去除，得到所述映射入口节点流。

[0126] 本发明实施例提供的基于降噪模型的隧道流量关联装置，在获得入口节点流和出口节点流的情况下，确定每个出口节点流对应的至少一个候选入口节点流，然后将出口节点流进行网络噪声和混淆噪声的去除处理得到映射入口节点流，然后再从至少一个候选入口节点流中确定出与出口节点流关联的目标入口节点流，由于混淆噪声产生在流量发起阶段，网络噪声产生在流量传输阶段，通过不同的编码层负责去除不同类型的噪声，与现有方法相比，可提高关联结果的精度。

[0127] 图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于降噪模型的隧道流量关联方法，包括：获取预建立的网络隧道的多个入口节点流和多个出口节点流；其中，所述网络隧道用于客户端访问对应的网络；确定与每个出口节点流对应的至少一个候选入口节点流，将每个所述出口节点流输入至预训练的降噪模型中，以将出口节点流依次进行网络噪声和混淆噪声去除处理，得到映射入口节点流；分别计算所述映射入口节点流与至少一个候选入口节点流的统计距离，根据所述统计距离对所述候选入口节点流进行筛选，将最小的统计距离对应的候选入口节点流作为与所述出口节点流关联的目标入口节点流。

[0128] 此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0129] 另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的执行基于降噪模型的隧道流量关联方法，包括：获取预建立的网络隧道的多个入口节点流和多个出口节点流；其中，所述网络隧道用于客户端访问对应的网络；确定与每个出口节点流对应的至少一个候选入口节点流，将每个所述出口节点流输入至预训练的降噪模型中，以将出口节点流依次进行网络噪声和混淆噪声去除处理，得到映射入口节点流；分别计算所述映射入口节点流与至少一个候选入口节点流的统计距离，根据所述统计距离对所述候选入口节点流进行筛选，将最小的统计距离对应的候选入口节点流作为与所述出口节点流关联的目标入口节点流。

[0130] 又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的执行基于降噪模型的隧道流量关联方法，包括：获取预建立的网络隧道的多个入口节点流和多个出口节点流；其中，所述网络隧道用于客户端访问对应的网络；确定与每个出口节点流对应的至少一个候选入口节点流，将每个所述出口节点流输入至预训练的降噪模型中，以将出口节点流依次进行网络噪声和混淆噪声去除处理，得到映射入口节点流；分别计算所述映射入口节点流与至少一个候选入口节点流的统计距离，根据所述统计距离对所述候选入口节点流进行筛选，将最小的统计距离对应的候选入口节点流作为与所述出口节点流关联的目标入口节点流。

[0131] 以上所描述的装置实施例仅仅是示意性的，其中所述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，或者也可以分布到多个网络单元上。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。

[0132] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

[0133] 最后应说明的是：以上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精神和范围。