[0001] 本发明涉及数据处理技术领域，尤其涉及一种地震数据的处理方法、装置、电子设备及存储介质。

[0002] 在勘探地震的数据采集过程中，受采集仪器、地面环境、地表结构等多重因素影响，地震信号不可避免地受到噪声的干扰，因此需要根据噪声的类型对采集得到的地震信号进行降噪处理。

[0003] 但是，在实际地震资料采集与处理工作中，噪声的类型复杂多样，有些噪声并非常见的典型噪声，常规的噪声处理方法需要针对不同的噪声类型设计相适应的降噪算法，进而降低了信号处理的效率。

[0026] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

[0027] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

[0028] 实施例一

[0029] 图1是本发明实施例提供的一种地震数据的处理方法的流程示意图，本实施例可适用于基于目标地震数据处理模型对采集得到的地震数据进行处理，得到目标地震数据的情况，该方法可以由地震数据的处理装置来执行，该地震数据的处理装置可以采用硬件和/或软件的形式实现，该地震数据的处理装置可配置于电子设备中，该电子设备可以是服务端、终端设备等。

[0030] 如图1所示，该方法包括：

[0031] S110、获取待处理地震数据。

[0032] 其中，待处理地震数据可以是采集得到的地震数据，例如可以是地震波形数据。

[0033] 具体的，可以从数据库中获取待处理地震数据，例如可以是获取与目标区域相关联的地震数据，并将该地震数据作为待处理地震数据，可以理解的是，为了实现地震数据的快速索引，可以在地震数据采集完成后，建立地震数据与各勘探区域之间的关系映射表，进而在获取待处理地震数据时，可以基于该关系映射表确定与目标区域相对应的地震数据，并将其作为待处理地震数据。

[0034] 在上述技术方案的基础上，在所述获取待处理地震数据之前，还包括：获取原始数据，并对所述原始数据进行处理确定样本数据集；基于所述样本数据集对待训练地震数据处理模型进行训练，得到所述目标地震数据处理模型。

[0035] 其中，原始数据可以是未经处理的地震数据，也即原始地震数据。样本数据集可以理解为用于进行模型训练的数据集。待训练地震数据处理模型可以是预先设置的未经训练的模型，例如可以是多任务模型。相应的，目标地震数据处理模型可以是对待训练地震数据处理模型进行训练后得到的模型。

[0036] 具体的，在对待处理地震数据进行处理之前，还需要获取到原始数据，并对原始数据进行处理确定样本数据集，进而基于所述样本数据集对待训练地震数据处理模型进行训练，得到所述目标地震数据处理模型。

[0037] 在上述技术方案的基础上，所述对所述原始数据进行处理确定样本数据集，包括：确定与所述各所述原始数据相对应的识别标签，并基于预设噪声特征数据确定至少一个随机方波噪声；基于所述识识别标签、所述随机方波噪声和所述原始数据确定所述样本数据集。

[0038] 其中，识别标签可以是理解为原始数据的数据类型，例如可以包括正常地震数据和噪声地震数据。预设噪声特征数据可以是预先设置的噪声构建数据区间，例如可以是波峰的取值区间、波谷的取值区间和起跳点的取值区间。随机方波噪声可以理解为基于预设噪声特征数据构建的方波噪声。

[0039] 具体的，确定与所述各所述原始数据相对应的识别标签，并基于预设噪声特征数据确定至少一个随机方波噪声，基于所述识识别标签、所述随机方波噪声和所述原始数据确定所述样本数据集，例如可以是根据给定的地震数据，将不含有方波形噪声的地震道标记为0，将含有方波形噪声的地震道标记为1；标记为0的地震道对应的标签数据设为[1,0]，标记为1的地震道对应的标签数据设为[0,1]，在基于预设噪声特征数据构建随机方波噪声，需要说明的是，方波形噪声包含三个要素：波峰幅值v1，波谷幅值v2以及起跳点t0；进而根据给定的范围[v11，v12]、[v21,v22]和[t01,t02]，随机化的设置：幅值v1，幅值v2，起跳点t0，在确定出噪声的特征数据后，再基于根据给定的地震道的长度n,构建方波形噪声如：

[0040] 在上述技术方案的基础上，所述基于所述识识别标签、所述随机方波噪声和所述原始数据确定所述样本数据集，包括：获取所述原始数据的识别标签，将所述识别标签为正常数据的原始数据作为正样本数据；将所述随机方波噪声与所述正样本数据进行叠加，确定负样本数据，并将所述负样本数据的识别标签修改为噪声数据。

[0041] 其中，识别标签可以是用于确定当前样本数据是否为正常数据的标签。正样本数据可以理解为不含有方波噪声的地震数据。需要说明的是，为了确定是否需要对样本数据进行噪声压制，样本数据包括识别标签和压制标签，压制标签可以是用于确定是否需要对当前样本数据进行压制的标签。可以立即的是正样本数据的压制标签为原始数据，负样本数据的压制标签为所述随机方波噪声。

[0042] 具体的，获取所述原始数据的识别标签，将所述识别标签为正常数据的原始数据作为正样本数据，并将所述随机方波噪声与所述正样本数据进行叠加，确定负样本数据，并将所述负样本数据的识别标签修改为噪声数据。需要说明的是，一个样本数据内包含地震数据x、识别标签y1和压制标签数据y2,也即一组样本数据为{xi,y1i,y2i}，并且数据样本分为正负两类样本；正负样本的数量比例为(包括且不限于)1:1；正样本构建方式为：输入数据x为正常地震道，识别标签数据y1为[1,0],压制标签数据与输入数据相同，即y2＝x；负样本的构建方式为:输入数据x为随机选择一个正常地震道d与随机方波形噪声n叠加，即x＝d+n；识别标签数据y1为[0,1]；压制标签数据为上述方波形噪声n，即y2＝n；进而对得到的正样本和负样本进行划分，得到验证集和训练集，训练集和验证集的比例可以为8:2。

[0043] 在上述技术方案的基础上，所述基于所述样本数据集对待训练地震数据处理模型进行训练，得到所述目标地震处理模型，包括：获取多任务损失函数的当前迭代次数；若所述当前迭代次数不满足所述预设迭代阈值，则通过反向传播算法调整所述待训练地震数据处理模型的网络参数，并基于所述多任务损失函数继续进行迭代处理；若所述当前迭代次数满足预设迭代阈值，将与所述当前迭代次数相对应的待训练地震数据处理模型作为所述目标地震处理模型。

[0044] 其中，多任务损失函数可以是预先构建的与地震数据处理模型相对应的损失函数。当前迭代次数可以理解为当前损失函数的计算次数。预设迭代阈值可以损失函数的最大迭代次数。

[0045] 具体的，获取多任务损失函数的当前迭代次数，并基于当前迭代次数确定是否训练完成，若所述当前迭代次数不满足所述预设迭代阈值，则通过反向传播算法调整所述待训练地震数据处理模型的网络参数，并基于所述多任务损失函数继续进行迭代处理，若所述当前迭代次数满足预设迭代阈值，将与所述当前迭代次数相对应的待训练地震数据处理模型作为所述目标地震处理模型。可以是将得到的样本数据集输入至待训练地震数据处理模型，进而获取到模型的输出，基于该输出值和多任务损失函数对待训练地震数据处理模型进行训练，进而得到目标地震数据处理模型。多任务损失函数Θ其中，压制损失函数为L1(Θ)＝||y‑f
2 Θ
(x)||，识别损失函数为L2(Θ)＝‑logsoftmax(f (x))，x为输入数据，y为标签数据，Θ表示网络需要训练学习的网络参数；σ1,σ2为调整系数，需要进行训练得到。

[0046] S120、基于预先训练得到的目标地震数据处理模型对所述待处理地震数据进行处理，确定与所述待处理地震数据相对应的识别率和待应用地震数据。

[0047] 其中，目标地震数据处理模型是预先训练得到的神经网络模型。识别率可以理解为当前地震数据为正常地震数据的概率。待应用地震数据可以是对地震数据进行压制后得到的输出数据。

[0048] 具体的，基于预先训练得到的目标地震数据处理模型对所述待处理地震数据进行处理，确定与所述待处理地震数据相对应的识别率和待应用地震数据。

[0049] 在上述技术方案的基础上，所述地震数据处理模型包括共享网络、第一任务网络和第二任务网络；所述基于预先训练得到的地震数据处理模型对所述待处理地震数据进行处理，确定与所述待处理地震数据相对应的识别率和待应用地震数据，包括：基于所述共享网络对所述待处理地震数据进行处理，得到与所述待处理地震数据相对应的数据特征；基于所述第一任务网络和所述数据特征确定与所述待处理地震数据相对应的识别率；基于所述第二任务网络和所述数据特征确定与所述待处理地震数据相对应的待应用地震数据。

[0050] 其中，共享网络可以是用于对地震数据进行特征提取的网络。第一任务网络可以是用于基于提取得到的数据特征进行类型识别的网络。第二任务网络可以是对地震数据进行噪声压制的网络。数据特征可以理解为与地震数据相对应的特征信息。

[0051] 具体的，地震数据处理模型包括共享网络、第一任务网络和第二任务网络，进而基于所述共享网络对所述待处理地震数据进行处理，得到与所述待处理地震数据相对应的数据特征，基于所述第一任务网络和所述数据特征确定与所述待处理地震数据相对应的识别率，基于所述第二任务网络和所述数据特征确定与所述待处理地震数据相对应的待应用地震数据。

[0052] 需要说明的是，本发明实施例提供技术方案可以是通过共享网络得到与当前地震数据相对应的特征数据后，由第一任务网络和第二任务网络同时对特征数据进行处理，得到与当前地震数据相对应的识别率和待应用地震数据，还可以是由第一任务网络先确定与当前地震数据相对应的识别率，进而基于识别率确定是否需要由第二任务网络对当前地震数据进行噪声压制得到待应用地震数据。

[0053] 在上述技术方案的基础上，所述共享网络包括至少四组第一卷积层；所述共享网络内相邻两个第一卷积层之间通过下采样相连接；所述第一任务网络包括至少三组第二卷积层和至少两组全连接层；所述第二任务网络包括至少四组第一卷积层。

[0054] 其中，所述第一卷积层内包括ReLU激活函数。所述全连接层位于所述第二卷积层之后。第二任务网络内相邻两个第一卷积层通过上采样相连接。第一任务网络和所述共享网络内相同尺度的第一卷积层通过跳连接相连。

[0055] 具体的，如图2所示，本发明实施例中的目标地震数据处理模型由三部分组成，分别为共享网络、任务1网络和任务2网络，共享网络由4组通道数为64、滤波器大小为3的卷积层组成，每组卷积层均包含ReLU激活函数，每组卷积层之间由下采样连接；任务1网络包含3组通道数为64、滤波器大小为3的卷积层和两组全连接层组成，全连接层的输入通道数分别为32和2；任务2网络由4组通道数为64、滤波器大小为3的卷积层组成，每组卷积层均包含ReLU激活函数，每组卷积层之间由上采样连接；此外，为了避免特征丢失，共享网络和任务2网络中相同尺度的特征图之间加入跳连接。

[0056] S130、基于所述识别率、所述待应用地震数据和所述待处理地震数据确定目标地震数据。

[0057] 其中，目标地震数据可以理解为基于模型对地震数据进行处理后得到的输出数据。

[0058] 具体的，基于识别率、待应用地震数据和待处理地震数据确定目标地震数据，例如可以是基于识别率确定是否需要输出待应用地震数据，若识别率满足预设条件，则输出原地震数据，也即待处理地震数据，若识别率不满足预设条件，则输出待应用地震数据。

[0059] 在上述技术方案的基础上，所述基于所述识别率、所述待应用地震数据和所述待处理地震数据确定目标地震数据，包括：若所述识别率小于预设识别阈值，则将所述待应用地震数据作为目标地震数据；若所述识别率大于所述预设识别阈值，则将所述待处理地震数据作为目标地震数据。

[0060] 其中，预设识别阈值可以是预先设置的识别率值，例如可以是95％。

[0061] 具体的，若所述识别率小于预设识别阈值，则将所述待应用地震数据作为目标地震数据，若所述识别率大于所述预设识别阈值，则将所述待处理地震数据作为目标地震数据。可以理解的是，若识别率大于预设识别阈值，则说明当前地震数据很大概率为正常数据，则无需对当前地震数据进行噪声压制，将待处理地震数据作为目标地震数据输出即可，若识别率小于预设识别阈值，则需要将压制后的待应用地震数据作为目标地震数据进行输出。

[0062] 本发明实施例的技术方案，通过获取待处理地震数据，并基于预先训练得到的目标地震数据处理模型对所述待处理地震数据进行处理，确定与所述待处理地震数据相对应的识别率和待应用地震数据，基于所述识别率、所述待应用地震数据和所述待处理地震数据确定目标地震数据。基于上述技术方案，通过目标地震数据处理模型对采集得到的地震数据进行处理，得到相对应的识别率和待应用地震数据，进而确定出目标地震数据，提高了地震数据的处理效率。

[0063] 实施例二

[0064] 图3为本发明实施例提供的一种地震数据的处理方法的流程图，本实施例在上述实施例的基础上，进一步优化了上述地震数据的处理方法。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。

[0065] 如图3所述，本发明实施例的方法包括：

[0066] 构建样本数据集：具体的，构建方波形噪声识别标签：如根据给定的地震道，将不含有方波形噪声的地震道标记为0，将含有方波形噪声的地震道标记为1；标记为0的地震道对应的标签数据设为[1,0]，标记为1的地震道对应的标签数据设为[0,1]。

[0067] 构建样本数据集还包括构建噪声消除标签：方波形噪声包含三个要素：幅值v1，幅值v2，起跳点t0.具体实施步骤如下：①根据给定的范围[v11，v12]、[v21,v22]和[t01,t02]，随机化的设置：幅值v1，幅值v2，起跳点t0；②根据给定的地震道的长度n,构建方波形噪声：

[0068] 进而基于噪声识别标签和噪声消除标签构建样本数据集：需要说明的是，一个样本数据内包含地震数据x、识别标签y1和压制标签数据y2,也即一组样本数据为{xi,y1i,y2i}，并且数据样本分为正负两类样本；正负样本的数量比例为(包括且不限于)1:1；正样本构建方式为：输入数据x为正常地震道，识别标签数据y1为[1,0],压制标签数据与输入数据相同，即y2＝x；负样本的构建方式为:输入数据x为随机选择一个正常地震道d与随机方波形噪声n叠加，即x＝d+n；识别标签数据y1为[0,1]；压制标签数据为上述方波形噪声n，即y2＝n；进而对得到的正样本和负样本进行划分，得到验证集和训练集，训练集和验证集的比例可以为8:2。

[0069] 确定目标地震数据处理模型：具体的，本发明实施例提供的目标地震数据处理模型由三部分组成，分别为共享网络、任务1网络和任务2网络。共享网络由4组通道数为64、滤波器大小为3的卷积层组成，每组卷积层均包含ReLU激活函数，每组卷积层之间由下采样连接；任务1网络包含3组通道数为64、滤波器大小为3的卷积层和两组全连接层组成，全连接层的输入通道数分别为32和2；任务2网络由4组通道数为64、滤波器大小为3的卷积层组成，每组卷积层均包含ReLU激活函数，每组卷积层之间由上采样连接；此外，为了避免特征丢失，共享网络和任务2网络中相同尺度的特征图之间加入跳连接。

[0070] 需要说明的是，待训练地震数据处理模型的构建方式也与目标地震数据处理模型相同，进而基于样本数据对待训练地震数据处理模型进行训练，可以是对待训练地震数据处理模型进行随机初始化，获得初始模型，进而将样本数据输入初始模型，获取输出层的数据，计算损失函数，判断当前迭代次数是否满足最大训练次数(缺省值为50)；若不满足，则通过反向传播算法调整当前网络的网络参数，直至达到最大训练次数为止，并将达到训练次数的网络模型确定为目标地震数据处理模型相同。反向传播算法是通过最小化损失函数获取最优的网络参数的过程。目标函数的最小化过程可通过Adam优化算法实现。损失函数为：

[0071] 其中，压制损失函数为L1(Θ)＝||y‑fΘ(x)||2，识别损失函数为L2(Θ)＝‑Θlogsoftmax(f (x))，x为输入数据，y为标签数据，Θ表示网络需要训练学习的网络参数；
σ1,σ2为调整系数，需要进行训练得到。

[0072] 地震数据处理：具体的，将地震数据输入至目标地震数据处理模型，由任务1对该地震数据进行识别，如果其为正常地震道的概率大于给定数值(默认值为0.95)，则本道的输出值为原始输入数据；否则，则输出采用任务2所得到的压制方波噪声后的地震数据。

[0073] 本发明实施例的技术方案，通过获取待处理地震数据，并基于预先训练得到的目标地震数据处理模型对所述待处理地震数据进行处理，确定与所述待处理地震数据相对应的识别率和待应用地震数据，基于所述识别率、所述待应用地震数据和所述待处理地震数据确定目标地震数据。基于上述技术方案，通过目标地震数据处理模型对采集得到的地震数据进行处理，得到相对应的识别率和待应用地震数据，进而确定出目标地震数据，提高了地震数据的处理效率。

[0074] 实施例三

[0075] 图4为本发明实施例提供的一种地震数据的处理装置的结构框图。如图4所示，该装置包括：数据获取模块410、数据处理模块420以及目标数据确定模块430。

[0076] 数据获取模块410，用于获取待处理地震数据；

[0077] 数据处理模块420，用于基于预先训练得到的目标地震数据处理模型对所述待处理地震数据进行处理，确定与所述待处理地震数据相对应的识别率和待应用地震数据；其中，所述目标地震数据处理模型是预先训练得到的神经网络模型；

[0078] 目标数据确定模块430，用于基于所述识别率、所述待应用地震数据和所述待处理地震数据确定目标地震数据。

[0079] 在上述技术方案的基础上，所述地震数据处理模型包括共享网络、第一任务网络和第二任务网络；所述数据处理模块用于，基于所述共享网络对所述待处理地震数据进行处理，得到与所述待处理地震数据相对应的数据特征；基于所述第一任务网络和所述数据特征确定与所述待处理地震数据相对应的识别率；基于所述第二任务网络和所述数据特征确定与所述待处理地震数据相对应的待应用地震数据。

[0080] 在上述技术方案的基础上，所述共享网络包括至少四组第一卷积层；其中，所述第一卷积层内包括ReLU激活函数；所述共享网络内相邻两个第一卷积层之间通过下采样相连接；所述第一任务网络包括至少三组第二卷积层和至少两组全连接层；其中，所述全连接层位于所述第二卷积层之后；所述第二任务网络包括至少四组第一卷积层；其中，所述第二任务网络内相邻两个第一卷积层通过上采样相连接；所述第一任务网络和所述共享网络内相同尺度的第一卷积层通过跳连接相连。

[0081] 在上述技术方案的基础上，所述装置还包括：目标模型确定模块，用于获取原始数据，并对所述原始数据进行处理确定样本数据集；基于所述样本数据集对待训练地震数据处理模型进行训练，得到所述目标地震处理模型。

[0082] 在上述技术方案的基础上，所述目标模型确定模块，用于确定与所述各所述原始数据相对应的识别标签，并基于预设噪声特征数据确定至少一个随机方波噪声；基于所述识识别标签、所述随机方波噪声和所述原始数据确定所述样本数据集。

[0083] 在上述技术方案的基础上，所述目标模型确定模块，用于获取所述原始数据的识别标签，将所述识别标签为正常数据的原始数据作为正样本数据；其中，所述样本数据包括识别标签和压制标签；所述正样本数据的压制标签为所述原始数据；将所述随机方波噪声与所述正样本数据进行叠加，确定负样本数据，并将所述负样本数据的识别标签修改为噪声数据；其中，所述负样本数据的压制标签为所述随机方波噪声。

[0084] 在上述技术方案的基础上，所述目标模型确定模块，用于获取多任务损失函数的当前迭代次数；若所述当前迭代次数不满足所述预设迭代阈值，则通过反向传播算法调整所述待训练地震数据处理模型的网络参数，并基于所述多任务损失函数继续进行迭代处理；若所述当前迭代次数满足预设迭代阈值，将与所述当前迭代次数相对应的待训练地震数据处理模型作为所述目标地震处理模型。

[0085] 本发明实施例的技术方案，通过获取待处理地震数据，并基于预先训练得到的目标地震数据处理模型对所述待处理地震数据进行处理，确定与所述待处理地震数据相对应的识别率和待应用地震数据，基于所述识别率、所述待应用地震数据和所述待处理地震数据确定目标地震数据。基于上述技术方案，通过目标地震数据处理模型对采集得到的地震数据进行处理，得到相对应的识别率和待应用地震数据，进而确定出目标地震数据，提高了地震数据的处理效率。

[0086] 本发明实施例所提供的地震数据的处理装置可执行本发明任意实施例所提供的地震数据的处理方法，具备执行方法相应的功能模块和有益效果。

[0087] 实施例四

[0088] 图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

[0089] 如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

[0090] 电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

[0091] 处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如地震数据的处理方法。

[0092] 在一些实施例中，地震数据的处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的地震数据的处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行地震数据的处理方法。

[0093] 本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

[0094] 用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

[0095] 在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD‑ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

[0096] 为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

[0097] 可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

[0098] 计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端‑服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

[0099] 应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

[0100] 上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。