本發(fā)明涉及網(wǎng)絡(luò)安全領(lǐng)域，具體涉及一種基于infigarch模型的網(wǎng)絡(luò)流量異常檢測(cè)方法及設(shè)備。

背景技術(shù)：

伴隨著網(wǎng)絡(luò)日漸深入人們的日常生產(chǎn)生活，網(wǎng)絡(luò)攻擊問(wèn)題也日益嚴(yán)重。由于網(wǎng)絡(luò)數(shù)據(jù)流包含時(shí)間戳，天然就是一個(gè)時(shí)間序列。所以基于時(shí)間序列模型，進(jìn)行網(wǎng)絡(luò)異常檢測(cè)是一種常用的手段。傳統(tǒng)上，時(shí)間序列網(wǎng)絡(luò)流量異常檢測(cè)方法主要考慮將網(wǎng)絡(luò)流量視為實(shí)數(shù)或變換為實(shí)數(shù)后，按實(shí)數(shù)時(shí)間序列進(jìn)行建模。同時(shí)，現(xiàn)有的基于時(shí)間序列模型往往基于傳統(tǒng)的arima模型或統(tǒng)計(jì)檢驗(yàn)，這些方法一般忽略了網(wǎng)絡(luò)流量數(shù)據(jù)分布的右偏性，數(shù)據(jù)之間的異方差性和長(zhǎng)記憶性。

現(xiàn)有方案之一，一種基于差分自回歸滑動(dòng)平均模型的網(wǎng)絡(luò)流量異常檢測(cè)方法。該方法基于差分自回歸滑動(dòng)平均模型arima模型。該方法：包括

第一步：確定滑動(dòng)窗口大小；

第二步：對(duì)第一步確定的窗口內(nèi)的流量數(shù)據(jù)進(jìn)行平穩(wěn)性判斷，若流量數(shù)據(jù)不平穩(wěn)則進(jìn)行d次差分直到平穩(wěn)。判斷平穩(wěn)的依據(jù)是dickey-fuller檢驗(yàn)；

第三步：對(duì)第二步中得到的數(shù)據(jù)利用aic準(zhǔn)則確定模型的階數(shù)，即p和q的值，結(jié)合第二步中d的值，得到arima(p，d，q)模型；

第四步：用極大似然估計(jì)方法確定arima(p，d，q)的參數(shù)值；

第五步：根據(jù)第四步的模型做l步預(yù)報(bào)；

第六步：根據(jù)第五步的預(yù)報(bào)值做指數(shù)加權(quán)平均生成當(dāng)前流量的預(yù)測(cè)值然后與當(dāng)前時(shí)刻流量的真實(shí)值做誤差判定。若誤差大于給定的閾值，則判定為異常。

第七步：移動(dòng)窗口進(jìn)行下一次判斷。

現(xiàn)有技術(shù)方案的缺點(diǎn)：該方法完全忽視了網(wǎng)絡(luò)流量包數(shù)量的如下特性：

(1)整數(shù)性。網(wǎng)絡(luò)流量包的數(shù)量只能是1個(gè)，2個(gè)等非負(fù)整數(shù)個(gè)，不可能是0.4個(gè)，2.7個(gè)等實(shí)數(shù)個(gè)。但是該方法完全忽視了流量的整數(shù)性，直接把它視為實(shí)數(shù)進(jìn)行建模；

(2)流量分布的不對(duì)稱性。流量包個(gè)數(shù)是隨機(jī)的。但是該隨機(jī)的分布有明顯的右偏性。具體說(shuō)來(lái)，流量包個(gè)數(shù)最小只能是0，而最大理論上卻可以趨于無(wú)窮。這一現(xiàn)象，用概率分布描述表現(xiàn)出非常明顯的右偏現(xiàn)象，即分布的左側(cè)在0處截?cái)?，在右?cè)可以很大，甚至趨于無(wú)窮。首先于秦和呂吉彬(2015)的方法基于arima(p，d，q)模型，該模型的基礎(chǔ)是正態(tài)分布。其次，該方法用于判斷是否平穩(wěn)的dickey-fuller檢驗(yàn)基于隨機(jī)過(guò)程中的布朗運(yùn)動(dòng)。布朗運(yùn)動(dòng)在任意一個(gè)時(shí)間節(jié)點(diǎn)都是正態(tài)分布。最后該方法用于判斷階數(shù)的aic準(zhǔn)則基于似然函數(shù)，在該方法中似然函數(shù)依然是基于正態(tài)分布構(gòu)造的。眾所周知，正態(tài)分布時(shí)典型的對(duì)稱分布，用對(duì)稱分布近似嚴(yán)重右偏的分布，效果當(dāng)然值得商榷；

(3)流量包數(shù)量的異方差性。直觀說(shuō)來(lái)，一個(gè)網(wǎng)絡(luò)在某時(shí)刻有大流量時(shí)，其后的時(shí)刻流量往往也非常大，而小流量之后往往也是小流量。例如假設(shè)下載一部電影，需要1小時(shí)，則在這1小時(shí)內(nèi)流量非常大。當(dāng)用戶電影下載結(jié)束后，流量立刻下降，之后的一個(gè)時(shí)刻內(nèi)流量都較小。這是典型的流量異方差現(xiàn)象。于秦和呂吉彬(2015)的方法基于arima模型，該模型不能刻畫(huà)異方差現(xiàn)象；

(4)長(zhǎng)記憶性。所謂長(zhǎng)記憶性直觀上來(lái)說(shuō)，指某一時(shí)刻的流量大小與很長(zhǎng)一個(gè)時(shí)間之前的流量大小有很大相關(guān)性?？紤]到我們做網(wǎng)絡(luò)安全檢測(cè)，需要實(shí)時(shí)監(jiān)控，采樣頻率較高，時(shí)間間隔較短，因此數(shù)據(jù)之間即便前后相距很遠(yuǎn)，相關(guān)性依然明顯。例如(3)中的例子，在下載電影結(jié)束前一刻的流量與剛開(kāi)始下載時(shí)的流量之間有很大的相關(guān)性。若我們以0.1秒的周期進(jìn)行采樣，這兩個(gè)時(shí)間點(diǎn)之間相差近36000個(gè)數(shù)據(jù)點(diǎn)。即使我們以10秒為采樣周期，開(kāi)始和結(jié)束的兩個(gè)數(shù)據(jù)點(diǎn)也相差了近360的數(shù)據(jù)點(diǎn)。這體現(xiàn)出極其明顯的長(zhǎng)記憶性。于秦和呂吉彬(2015)的方法所用的arima模型，在文獻(xiàn)中是一個(gè)典型的短記憶方法，兩個(gè)數(shù)據(jù)點(diǎn)之間的相關(guān)性隨著相距的時(shí)間距離呈指數(shù)速度下降到0。

基于以上4點(diǎn)，arima模型在數(shù)據(jù)流量檢測(cè)，特別是在高頻采樣情況下的檢測(cè)效果是不佳的。這種方法在理論上遇到的困難必須用其他合適的方法進(jìn)行克服。

現(xiàn)有技術(shù)方案二：一種基于季節(jié)性混合極端學(xué)生氏偏差檢驗(yàn)(s-h-esd)方法的時(shí)間序列異常檢測(cè)。該方法描述如下：

第一步：確定數(shù)據(jù)聚合的周期，可以是每日數(shù)據(jù)，可以是每周數(shù)據(jù)，也可以是分鐘等周期的數(shù)據(jù)；

第二步：根據(jù)數(shù)據(jù)聚合的周期，將網(wǎng)絡(luò)流量數(shù)據(jù)聚合到選定的周期然后進(jìn)行季節(jié)調(diào)整；

第三步：設(shè)定檢驗(yàn)的顯著性水平α；

第四步：計(jì)算數(shù)據(jù)的中位數(shù)和標(biāo)準(zhǔn)差；

第五步：對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化得到新數(shù)據(jù)ares：方法為將聚合后的數(shù)據(jù)減去中位數(shù)再除以標(biāo)準(zhǔn)差。這一步實(shí)際上將離散數(shù)據(jù)進(jìn)行了擬連續(xù)化。此后，若后續(xù)進(jìn)行的是單邊檢驗(yàn)，則數(shù)據(jù)標(biāo)準(zhǔn)化工作已經(jīng)完成。若其后進(jìn)行的是雙邊檢驗(yàn)，則還需對(duì)上述結(jié)果取絕對(duì)值；

第六步：找出ares中最大的數(shù)據(jù)r，計(jì)算p＝1-α/n(若是雙邊檢驗(yàn)，則p＝1-α/(2n))，其中α為第三步中確定的檢驗(yàn)顯著性水平，n為數(shù)據(jù)長(zhǎng)度；

第七步：計(jì)算概率為p，自由度為n-1的t分布的分位數(shù)tn-1，p，進(jìn)而計(jì)算檢驗(yàn)的臨界值：

第八步：若r＞λ,則判定該數(shù)據(jù)點(diǎn)為異常點(diǎn)，反之，則該數(shù)據(jù)點(diǎn)不是異常點(diǎn)；

第九步：將上述數(shù)據(jù)點(diǎn)(無(wú)論是否異常)從原整合后的數(shù)據(jù)中去除，數(shù)據(jù)長(zhǎng)度減一，轉(zhuǎn)到第四步開(kāi)始下一次檢驗(yàn)。

現(xiàn)有技術(shù)方案二的缺點(diǎn)：這種基于s-h-esd的方法，實(shí)際是統(tǒng)計(jì)方法中廣義極端學(xué)生氏偏差檢驗(yàn)(gesd)的推廣。它和方案一一樣忽視了網(wǎng)絡(luò)流量包數(shù)量的如下特性：

(1)整數(shù)性。該方法通過(guò)標(biāo)準(zhǔn)化，使得原有的整型數(shù)據(jù)看起來(lái)像是連續(xù)的實(shí)數(shù)數(shù)據(jù)(因?yàn)闃?biāo)準(zhǔn)差一般是實(shí)數(shù))，但本質(zhì)上數(shù)據(jù)的離散性沒(méi)有任何變化；

(2)流量分布的不對(duì)稱性。該方法基于t分布構(gòu)造檢驗(yàn)統(tǒng)計(jì)量，而t分布是繼正態(tài)分布之后另一個(gè)廣為使用的對(duì)稱分布；

(3)流量包數(shù)量的異方差性。事實(shí)上，該方法利用所有數(shù)據(jù)計(jì)算標(biāo)準(zhǔn)差，是典型的同方差假設(shè)；

(4)長(zhǎng)記憶性。該方法根本沒(méi)有考慮數(shù)據(jù)間的相關(guān)性，更不必說(shuō)長(zhǎng)記憶性了。

(5)實(shí)時(shí)性。該方法基于離線數(shù)據(jù)。不能進(jìn)行實(shí)時(shí)的在線監(jiān)測(cè)。

基于以上5點(diǎn)，推特的模型在數(shù)據(jù)流量檢測(cè)方面特別是在線監(jiān)測(cè)方面基本無(wú)用武之地。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有方法以實(shí)數(shù)近似整數(shù)，忽略長(zhǎng)記憶和異方差特性的缺點(diǎn)，本發(fā)明提出了一種基于整數(shù)型分?jǐn)?shù)差分廣義自回歸條件異方差模型(infigarch)的網(wǎng)絡(luò)流量異常檢測(cè)方法。

本發(fā)明基于整數(shù)型分?jǐn)?shù)差分廣義自回歸條件異方差(integer-valuedfractionalintegratedgeneralizedautoregressiveconditionalheteroscedasticmodel),簡(jiǎn)記為infigarch(p，d，q)模型，其中p為自回歸的階(order)，q為方差部分移動(dòng)平均的階，d為差分的階。數(shù)學(xué)上定義b為后移算子，其中b^kxt＝xt-k，定義1-b為差分算子，滿足如下規(guī)則：

(1-b)xt＝xt-xt-1

(1-b)²xt＝(1-2b+b²)xt＝xt-2xt-1+xt-2

由于本模型中d介于0到1之間，作為差分算子的指數(shù)，故文獻(xiàn)中稱為分?jǐn)?shù)差分。該模型假設(shè)時(shí)間序列xt(其中腳標(biāo)t表示時(shí)間)服從poisson分布poi(λt)，而參數(shù)λt則滿足方程

ξ(b)(1-b)^dxt＝γ0+[1-δ(b)]λt，

多項(xiàng)式多項(xiàng)式上述方程還可改寫(xiě)為：

λt＝δ(b)^-1(1-b)^dξ(b)(xt-λ)

本方法基于poisson分布構(gòu)造模型。poisson分布是一離散分布，其取值范圍為0，1，至無(wú)窮的非負(fù)整數(shù)，滿足網(wǎng)絡(luò)流量包數(shù)量為非負(fù)整數(shù)的要求；poisson分布具有右偏性，符合網(wǎng)絡(luò)流量分布右偏的特點(diǎn)。該模型是異方差模型，可以用于捕獲流量中的異方差現(xiàn)象。該方法采用了分?jǐn)?shù)差分技術(shù)，該技術(shù)可以使得本模型具有長(zhǎng)記憶特性。經(jīng)多次實(shí)驗(yàn)，infigarch(1，d，1)與infigarch(p，d，q)中p，q取其它值，效果沒(méi)有明顯區(qū)別，因此采用infigarch(1，d，1)模型，適用于整數(shù)型長(zhǎng)記憶條件異方差網(wǎng)絡(luò)條件。

具體地，本發(fā)明實(shí)施例提供一種基于infigarch(1，d，1)模型的網(wǎng)絡(luò)流量異常檢測(cè)方法，具體包括如下步驟：

s1:確定建模移動(dòng)窗口時(shí)間跨度的大小m；

s2:確定數(shù)據(jù)聚合后每個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的時(shí)間間隔的大?。?/p>

s3:確定模型更新時(shí)間跨度tgap；

s4:對(duì)由步驟s1所確定的時(shí)間跨度內(nèi)移動(dòng)窗口中流量數(shù)據(jù)按所述s2步驟中的時(shí)間間隔進(jìn)行聚合；

s5:使用極大似然估計(jì)法在約束條件下的最大化似然函數(shù)估計(jì)得到infigarch(1，d，1)模型的待定參數(shù)，同時(shí)記錄所用最后一個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的時(shí)間test；

s6:根據(jù)步驟s5得到的參數(shù)，代入infigarch(1，d，1)模型進(jìn)行l(wèi)步預(yù)測(cè)，每一個(gè)預(yù)測(cè)值對(duì)應(yīng)一個(gè)預(yù)測(cè)時(shí)刻，以數(shù)據(jù)框形式儲(chǔ)存預(yù)測(cè)結(jié)果；所述數(shù)據(jù)框共l行五列：第一列為時(shí)刻，第二列為該時(shí)刻對(duì)應(yīng)的預(yù)測(cè)值，第三列為該時(shí)刻預(yù)測(cè)值置信水平α1＝0.95的右側(cè)置信區(qū)間的上界閾值，第四列為該時(shí)刻預(yù)測(cè)值置信水平α2＝0.99的右側(cè)置信區(qū)間的上界閾值；第五列為該時(shí)刻預(yù)測(cè)值置信水平α3＝0.999的右側(cè)置信區(qū)間的上界閾值；每行對(duì)應(yīng)第i步預(yù)報(bào)，i＝1，...，l；

s7：用步驟s2中選定的時(shí)間間隔聚合新到的流量，記錄時(shí)刻和對(duì)應(yīng)的聚合流量，其中所述聚合流量記為xnew；

s8：將步驟s7中獲得的最新完整聚合流量與步驟s6中預(yù)測(cè)時(shí)刻相同的流量上界閾值作比較；若流量小于第三列α1＝0.95上界閾值，判斷為正常，返回綠色信號(hào)；若流量小于第四列α2＝0.99的上界閾值同時(shí)大于等于第三列α1＝0.95的上界閾值，則返回黃色信號(hào)；若流量大于等于第四列α2＝0.99的上界閾值同時(shí)小于第五列α3＝0.999的上界閾值，則返回橙色信號(hào)；若流量大于等于第五列α3＝0.999的上界閾值，返回紅色信號(hào)；

s9：比較當(dāng)前時(shí)間和步驟s5中記錄的test，若兩者差距大于tgap，返回步驟s4，更新模型，否則執(zhí)行步驟s10；

s10：將步驟s7聚合的數(shù)據(jù)加入時(shí)間序列隊(duì)列之中，移動(dòng)時(shí)間窗口，使得步驟s7中的數(shù)據(jù)進(jìn)入時(shí)間窗口，同時(shí)剔除時(shí)間較舊的數(shù)據(jù)，以保證時(shí)間窗口與步驟s1中選定的寬度一致。

進(jìn)一步的，所述步驟s5具體包括以下分步驟：

s51：計(jì)算時(shí)間窗口內(nèi)數(shù)據(jù)的算術(shù)平均值，即將窗口內(nèi)的流量數(shù)據(jù)求和并除以窗口內(nèi)的數(shù)據(jù)點(diǎn)數(shù)量；所述的數(shù)據(jù)點(diǎn)數(shù)量為經(jīng)過(guò)步驟s4聚合后的數(shù)據(jù)點(diǎn)；

s52:計(jì)算時(shí)間窗口內(nèi)數(shù)據(jù)的標(biāo)準(zhǔn)差σ；

s53:隨機(jī)選擇d、δ、ξ和λ這四個(gè)參數(shù)的初始值，只需它們滿足0＜ξ＜δ＜d＜1即可；

s54：確定足夠大的正整數(shù)m，由于

得到用ξ，δ，λ，d表示的ηi和λt；

s55:用步驟s54的λt計(jì)算對(duì)數(shù)似然函數(shù)：

其中l(wèi)t是時(shí)刻t的對(duì)數(shù)似然函數(shù)，m是時(shí)間窗口中樣本的數(shù)量，x！表示非負(fù)整數(shù)x的階乘；

s56:為保證條件方差λt始終非負(fù)，以ξ-δ＜0，δ-d＜d和d-1＜0作為約束條件，用約束條件下，求函數(shù)最大值的方法，最大化對(duì)數(shù)似然函數(shù)l(ξ，δ，λ，d),求得參數(shù)(ξ，δ，λ，d)的值；

s57:為后續(xù)步驟能判斷是否需要更新模型，記錄當(dāng)前時(shí)間為test。

進(jìn)一步的，所述步驟s6具體包括以下分步驟：

s61:令i＝1，同時(shí)構(gòu)造一個(gè)l行5列的數(shù)據(jù)框；

s62:將由步驟s5求得的ξ，δ，λ，d代入

此處，同樣用步驟s54確定的正整數(shù)m近似∞，計(jì)算得到最新的時(shí)刻t+i的λt+i，取小于等于λt+i的最大非負(fù)整數(shù)為流量在時(shí)刻t+i的預(yù)報(bào)；

s63:令α1＝0.95，α2＝0.99，α3＝0.999；

s64:令j＝1；

s65:令pj＝0，k＝0,

s66:以步驟s62計(jì)算得到的λt+i為poisson分布的參數(shù)，計(jì)算該分布取值為k的概率并更新pj＝pj+pk；

s67:判斷pj是否大于αj；

s68:若s67判斷為真，則置信水平為αj的置信上界為k-1，記入數(shù)據(jù)框第i行第j+2列。轉(zhuǎn)到步驟s610；

s69:若s67判斷為假，更新k＝k+1，并轉(zhuǎn)至步驟s66；

s610:判斷j是否大于3；

s611:若s610判斷為假，則更新j＝j(luò)+1，并轉(zhuǎn)至步驟s65；

s612:若s610判斷為真，則判斷i是否大于l；若i＞l為真，則進(jìn)行步驟s7；

s613:若s612判斷為假，則更新i＝i+1并轉(zhuǎn)至步驟s62。

進(jìn)一步的，所述步驟s8具體包括以下分步驟：

s81:選擇步驟s6預(yù)報(bào)時(shí)間與步驟s7中聚合時(shí)間相同的行；

s82:令j＝5,signal2＝綠，signal3＝黃，signal4＝橙，signal5＝紅；本處腳標(biāo)從2開(kāi)始是為了異常警告正好與數(shù)據(jù)在數(shù)據(jù)框中的列對(duì)應(yīng)，程序編寫(xiě)方便；

s83:判斷xnew是否小于第j列的值；

s84:若s83判斷為假，返回signalj信號(hào)，表示流量異常，異常等級(jí)由信號(hào)顏色標(biāo)識(shí)。然后轉(zhuǎn)到步驟s9；

s85:若s83判斷為真，則比較j是否等于3；

s86:若s85判斷為假，則更新j＝j(luò)-1，并轉(zhuǎn)到步驟s83；

s87:若s85判斷為真，則返回signal2信號(hào)，表示沒(méi)有異常流量并轉(zhuǎn)到步驟s9；

進(jìn)一步的，所述步驟s10具體包括以下分步驟：

s101:設(shè)原數(shù)據(jù)窗口中的數(shù)據(jù)為(xt-m+1，xt-m+2，...，，xt，)將數(shù)據(jù)窗口中最晚的數(shù)據(jù)xt對(duì)應(yīng)的時(shí)間與當(dāng)前時(shí)間之間的流量用步驟s4相同的方法聚合，記為(xt+1，...，xt+n)；

s102：將新舊數(shù)據(jù)組合(xt-m+1，xt-m+2，...，xt，xt+1，xt+2，...，xt+n，)；

s103：剔除舊數(shù)據(jù)，剩余(xt+n-m+1，xt-m+2，...，xt，xt+1，xt+2，...，xt+n)即為新的保持窗口寬度不變的序列。

本發(fā)明實(shí)施例提供一種電子設(shè)備，包括：

至少一個(gè)處理器；以及，

與所述至少一個(gè)處理器通信連接的存儲(chǔ)器；其中，

所述存儲(chǔ)器存儲(chǔ)有可被所述一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行如下步驟：

s1:確定建模移動(dòng)窗口時(shí)間跨度的大小m；

s2:確定數(shù)據(jù)聚合后每個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的時(shí)間間隔的大??；

s3:確定模型更新時(shí)間跨度tgap；

s4:對(duì)由步驟s1所確定的時(shí)間跨度內(nèi)移動(dòng)窗口中流量數(shù)據(jù)按所述s2步驟中的時(shí)間間隔進(jìn)行聚合；

s5:使用極大似然估計(jì)法在約束條件下的最大化似然函數(shù)估計(jì)得到

infigarch(1，d，1)模型的待定參數(shù)，同時(shí)記錄所用最后一個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的時(shí)間test；

s6:根據(jù)步驟s5得到的參數(shù)，代入infigarch(1，d，1)模型進(jìn)行l(wèi)步預(yù)測(cè)，每一個(gè)預(yù)測(cè)值對(duì)應(yīng)一個(gè)預(yù)測(cè)時(shí)刻，以數(shù)據(jù)框形式儲(chǔ)存預(yù)測(cè)結(jié)果；所述數(shù)據(jù)框共l行五列：第一列為時(shí)刻，第二列為該時(shí)刻對(duì)應(yīng)的預(yù)測(cè)值，第三列為該時(shí)刻預(yù)測(cè)值置信水平α1＝0.95的右側(cè)置信區(qū)間的上界閾值，第四列為該時(shí)刻預(yù)測(cè)值置信水平α2＝0.99的右側(cè)置信區(qū)間的上界閾值；第五列為該時(shí)刻預(yù)測(cè)值置信水平α3＝0.999的右側(cè)置信區(qū)間的上界閾值；每行對(duì)應(yīng)第i步預(yù)報(bào)，i＝1，...，l；

s7：用步驟s2中選定的時(shí)間間隔聚合新到的流量，記錄時(shí)刻和對(duì)應(yīng)的聚合流量，其中所述聚合流量記為xnew；

s8：將步驟s7中獲得的最新完整聚合流量與步驟s6中預(yù)測(cè)時(shí)刻相同的流量上界閾值作比較；若流量小于第三列α1＝0.95上界閾值，判斷為正常，返回綠色信號(hào)；若流量小于第四列α2＝0.99的上界閾值同時(shí)大于等于第三列α1＝0.95的上界閾值，則返回黃色信號(hào)；若流量大于等于第四列α2＝0.99的上界閾值同時(shí)小于第五列α3＝0.999的上界閾值，則返回橙色信號(hào)；若流量大于等于第五列α3＝0.999的上界閾值，返回紅色信號(hào)；

s9：比較當(dāng)前時(shí)間和步驟s5中記錄的test，若兩者差距大于tgap，返回步驟s4，更新模型，否則執(zhí)行步驟s10；

s10：將步驟s7聚合的數(shù)據(jù)加入時(shí)間序列隊(duì)列之中，移動(dòng)時(shí)間窗口，使得步驟s7中的數(shù)據(jù)進(jìn)入時(shí)間窗口，同時(shí)剔除時(shí)間較舊的數(shù)據(jù)，以保證時(shí)間窗口與步驟s1中選定的寬度一致。

進(jìn)一步的，以使所述至少一個(gè)處理器能夠進(jìn)一步執(zhí)行如下步驟：

s51：計(jì)算時(shí)間窗口內(nèi)數(shù)據(jù)的算術(shù)平均值，即將窗口內(nèi)的流量數(shù)據(jù)求和并除以窗口內(nèi)的數(shù)據(jù)點(diǎn)數(shù)量；所述的數(shù)據(jù)點(diǎn)數(shù)量為經(jīng)過(guò)步驟s4聚合后的數(shù)據(jù)點(diǎn)；

s52:計(jì)算時(shí)間窗口內(nèi)數(shù)據(jù)的標(biāo)準(zhǔn)差σ；

s53:隨機(jī)選擇d、δ、ξ和λ這四個(gè)參數(shù)的初始值，只需它們滿足0＜ξ＜δ＜d＜1即可；

s54：確定足夠大的正整數(shù)m，由于

得到用ξ，δ，λ，d表示的ηi和λt；

s55:用步驟s54的λt計(jì)算對(duì)數(shù)似然函數(shù)：

其中l(wèi)t是時(shí)刻t的對(duì)數(shù)似然函數(shù)，m是時(shí)間窗口中樣本的數(shù)量，x！表示非負(fù)整數(shù)x的階乘；

s56:為保證條件方差λt始終非負(fù)，以ξ-δ＜0，δ-d＜0和d-1＜0作為約束條件，用約束條件下，求函數(shù)最大值的方法，最大化對(duì)數(shù)似然函數(shù)l(ξ，δ，λ，d),求得參數(shù)ξ，δ，λ，d的值；

s57:為后續(xù)步驟能判斷是否需要更新模型，記錄當(dāng)前時(shí)間為test。

進(jìn)一步的，以使所述至少一個(gè)處理器能夠進(jìn)一步執(zhí)行如下步驟：

s61:令i＝1，同時(shí)構(gòu)造一個(gè)l行5列的數(shù)據(jù)框；

s62:將由步驟s5求得的ξ，δ，λ，d代入

此處，同樣用步驟s54確定的正整數(shù)m近似∞，計(jì)算得到最新的時(shí)刻t+i的λt+i，取小于等于λt+i的最大非負(fù)整數(shù)為流量在時(shí)刻t+i的預(yù)報(bào)；

s63:令α1＝0.95，α2＝0.99，α3＝0.999；

s64:令j＝1；

s65:令pj＝0，k＝0,

s66:以步驟s62計(jì)算得到的λt+i為poisson分布的參數(shù)，計(jì)算該分布取值為k的概率并更新pj＝pj+pk；

s67:判斷pj是否大于αj；

s68:若s67判斷為真，則置信水平為αj的置信上界為k-1，記入數(shù)據(jù)框第i行第j+2列。轉(zhuǎn)到步驟s610；

s69:若s67判斷為假，更新k＝k+1，并轉(zhuǎn)至步驟s66；

s610:判斷j是否大于3；

s611:若s610判斷為假，則更新j＝j(luò)+1，并轉(zhuǎn)至步驟s65；

s612:若s610判斷為真，則判斷i是否大于l；若i＞l為真，則進(jìn)行步驟s7；

s613:若s612判斷為假，則更新i＝i+1并轉(zhuǎn)至步驟s62。

進(jìn)一步的，以使所述至少一個(gè)處理器能夠進(jìn)一步執(zhí)行如下步驟：

s81:選擇步驟s6預(yù)報(bào)時(shí)間與步驟s7中聚合時(shí)間相同的行；

s82:令j＝5,signal2＝綠，signal3＝黃，signal4＝橙，signal5＝紅；本處腳標(biāo)從2開(kāi)始是為了異常警告正好與數(shù)據(jù)在數(shù)據(jù)框中的列對(duì)應(yīng)，程序編寫(xiě)方便；

s83:判斷xnew是否小于第j列的值；

s84:若s83判斷為假，返回signalj信號(hào)，表示流量異常，異常等級(jí)由信號(hào)顏色標(biāo)識(shí)。然后轉(zhuǎn)到步驟s9；

s85:若s83判斷為真，則比較j是否等于3；

s86:若s85判斷為假，則更新j＝j(luò)-1，并轉(zhuǎn)到步驟s83；

s87:若s85判斷為真，則返回signal2信號(hào)，表示沒(méi)有異常流量并轉(zhuǎn)到步驟s9；

進(jìn)一步的，以使所述至少一個(gè)處理器能夠進(jìn)一步執(zhí)行如下步驟：

s101:設(shè)原數(shù)據(jù)窗口中的數(shù)據(jù)為(xt-m+1，xt-m+2，...，，xt，)將數(shù)據(jù)窗口中最晚的數(shù)據(jù)xt對(duì)應(yīng)的時(shí)間與當(dāng)前時(shí)間之間的流量用步驟s4相同的方法聚合，記為(xt+1，...，xt+n)；

s102：將新舊數(shù)據(jù)組合(xt-m+1，xt-m+2，...，xt，xt+1，xt+2，...，xt+n，)；

s103：剔除舊數(shù)據(jù)，剩余(xt+n-m+1，xt-m+2，...，xt，xt+1，xt+2，...，xt+n)即為新的保持窗口寬度不變的序列。

本發(fā)明的網(wǎng)絡(luò)流量異常檢測(cè)方法，檢測(cè)極高采樣頻率的原始網(wǎng)絡(luò)流量數(shù)據(jù)，緊密監(jiān)控網(wǎng)絡(luò)流量狀況；使用infigarch(1,d,1)模型，避免了傳統(tǒng)分析將非負(fù)整數(shù)近似為連續(xù)實(shí)數(shù)的誤差；分?jǐn)?shù)差分捕獲了網(wǎng)絡(luò)流量長(zhǎng)記憶性質(zhì)；條件異方差描述了網(wǎng)絡(luò)流量大流量跟隨大流量，小流量跟隨小流量的現(xiàn)象；在一定時(shí)間跨度后再重新估計(jì)參數(shù)更新模型保證了模型更新和計(jì)算速度的平衡。使得本方法模型的穩(wěn)定性和趨勢(shì)跟隨能力并重的優(yōu)良特性。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用的附圖作簡(jiǎn)要介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明基于infigarch(1，d，1)模型的網(wǎng)絡(luò)流量異常檢測(cè)方法流程示意圖。

圖2為步驟s5的示意子流程圖。

圖3為步驟s6的示意子流程圖。

圖4為步驟s8的示意子流程圖。

圖5為一個(gè)含有流量異常數(shù)據(jù)的網(wǎng)絡(luò)流量圖，共31428個(gè)聚合數(shù)據(jù)點(diǎn)，本發(fā)明以其作為演示用的實(shí)施例。

圖6為本實(shí)施例檢測(cè)結(jié)果(局部，時(shí)間1-1000)。由于數(shù)據(jù)點(diǎn)過(guò)多，若展示全部檢查結(jié)果，很難在圖中看清楚。因此，此處僅展示聚合時(shí)間為1-1000的檢測(cè)結(jié)果。

圖7是本發(fā)明一個(gè)實(shí)施例所述構(gòu)建方法的電子設(shè)備的硬件結(jié)構(gòu)連接示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明：

本發(fā)明基于infigarch(p，d，q)模型的網(wǎng)絡(luò)流量異常檢測(cè)方法流程示意圖如圖1所示。由于infigarch(1，d，1)在實(shí)際效果上，與一般的infigarch(p，d，q)并無(wú)明顯差別，所以，我們不再優(yōu)選該模型的階(即p和q的值)而直接使用infigarch(1，d，1)模型。下面使用如圖5、圖6所示的含有異常流量的網(wǎng)絡(luò)流量數(shù)據(jù)對(duì)該方法做實(shí)例驗(yàn)證，本實(shí)施例檢測(cè)結(jié)果(局部，僅展示前1000個(gè)數(shù)據(jù)的檢測(cè)結(jié)果)本實(shí)施例中前150個(gè)數(shù)據(jù)用于建模，后850個(gè)在滑動(dòng)窗口中進(jìn)行檢驗(yàn)。理論上，黃色信號(hào)數(shù)量該有30個(gè)左右(850*5％-850*1％-850*0.1％＝33),實(shí)際效果中有24個(gè)黃色信號(hào)返回(由于數(shù)據(jù)較密，有些黃色信號(hào)圓圈中有多個(gè)數(shù)據(jù)點(diǎn))；橙色信號(hào)數(shù)量應(yīng)有7個(gè)左右(850*1％-850*0.1％＝7)，實(shí)際效果有8個(gè)；紅色信號(hào)應(yīng)有1個(gè)(850*0.1％＝1)，實(shí)際效果則返回2個(gè)紅色信號(hào)。返回?cái)?shù)量與理論數(shù)量接近，效果達(dá)到要求。

具體包括以下步驟：

s1：選定一個(gè)大小為m的移動(dòng)窗口。

窗口值的選擇應(yīng)在保證建模精度的前提下盡可能小，以減小算法復(fù)雜度和計(jì)算時(shí)間。經(jīng)過(guò)上萬(wàn)次隨機(jī)模擬實(shí)驗(yàn)，本模型的最小建模長(zhǎng)度應(yīng)該m≥50。當(dāng)m＝150時(shí)，效果更好。因此本實(shí)施例設(shè)定m＝150,包含當(dāng)前時(shí)刻和之前149個(gè)由步驟s2選定的間隔時(shí)間的聚合流量值。使用窗口大小合適的移動(dòng)窗口使建模數(shù)據(jù)量保持固定，既保證了建模的快速性，又保證了模型更貼合當(dāng)前網(wǎng)絡(luò)的實(shí)際流量情況，減小了誤報(bào)的概率。

s2：選定數(shù)據(jù)聚合后每個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的時(shí)間間隔大小。

網(wǎng)絡(luò)流量的原始數(shù)據(jù)一般由網(wǎng)絡(luò)偵聽(tīng)工具獲得(例如常見(jiàn)的pcap和tcpdump等)。這些工具獲得的流量數(shù)據(jù)對(duì)應(yīng)的時(shí)間戳間隔非常短，且間隔不等。時(shí)間序列模型大多需要等間隔采樣。由此我們對(duì)原始數(shù)據(jù)按既定的時(shí)間間隔進(jìn)行聚合。時(shí)間間隔需要按網(wǎng)絡(luò)繁忙程度設(shè)置。對(duì)繁忙的網(wǎng)絡(luò)，間隔可以小一些，例如0.01秒，對(duì)流量較小的網(wǎng)絡(luò)，時(shí)間間隔可以大一些，例如1分鐘。本實(shí)施例采自一個(gè)流量規(guī)模中等的網(wǎng)絡(luò)，時(shí)間間隔設(shè)置為0.1秒。

s3：選定模型更新時(shí)間跨度tgap。

每次更新模型，都要重新估計(jì)模型參數(shù)，計(jì)算量較大?？紤]到一段時(shí)間內(nèi)模型變化不大，完全可以用已有的模型繼續(xù)預(yù)測(cè)網(wǎng)絡(luò)流量，因此選定模型更新時(shí)間跨度tgap，當(dāng)已有的模型存續(xù)時(shí)間大于tgap，則重新估計(jì)模型參數(shù)，更新模型；反之，則繼續(xù)使用該模型預(yù)測(cè)網(wǎng)絡(luò)流量。時(shí)間跨度tgap過(guò)小，則更新頻率過(guò)高，計(jì)算量偏大；時(shí)間跨度tgap過(guò)大，則可能已有的模型不適合現(xiàn)在的網(wǎng)絡(luò)流量狀況。選擇適當(dāng)?shù)臅r(shí)間跨度tgap，兼顧計(jì)算復(fù)雜度和網(wǎng)絡(luò)流量狀況變化之間的平衡。在本實(shí)施例中，選擇時(shí)間跨度tgap＝3000即300秒或5分鐘。

s4：對(duì)由步驟s1選定的移動(dòng)窗口(本實(shí)施例中窗口m＝150)內(nèi)流量數(shù)據(jù)按步驟s2中的時(shí)間間隔聚合。本實(shí)施例中，該間隔為0.1秒。如此，在窗口內(nèi)共150個(gè)數(shù)據(jù)點(diǎn)，覆蓋15秒時(shí)間。聚合方法具體說(shuō)來(lái)，設(shè)聚合后某數(shù)據(jù)點(diǎn)對(duì)應(yīng)的時(shí)間為t′,其后一個(gè)聚合數(shù)據(jù)點(diǎn)對(duì)應(yīng)的時(shí)間為t′+1,這兩個(gè)時(shí)間相差0.1秒。我們將流量發(fā)生時(shí)間大于t′但小于等于t′+1的所有流量相加，作為在時(shí)刻t′+1發(fā)生的流量。

s5：使用約束條件下極大似然法估計(jì)infigarch(1，d，1)模型的參數(shù)ξ，δ，λ，d:具體為，如圖2所示：

s51：計(jì)算窗口內(nèi)數(shù)據(jù)的平均值。在本實(shí)施例中，由于窗口寬度m＝150,不妨設(shè)窗口中第一個(gè)數(shù)據(jù)為x1,第二個(gè)數(shù)據(jù)為x2，以此類推，最后一個(gè)數(shù)據(jù)為x150,則均值

s52：計(jì)算窗口內(nèi)數(shù)據(jù)的標(biāo)準(zhǔn)差。在本實(shí)施例中，標(biāo)準(zhǔn)差

其中由步驟s51獲得。據(jù)統(tǒng)計(jì)理論，此處用(150-1)是以保證σ²在估計(jì)方差時(shí)的無(wú)偏性。

s53：隨機(jī)選擇ξ，δ，λ，d的初始值，只要滿足0＜ξ＜δ＜d＜1即可。

s54：選定一個(gè)充分大的正整數(shù)m。由于

正整數(shù)m越大，對(duì)∞的近似越好，但計(jì)算量也將增加。我們需要確定一個(gè)恰當(dāng)?shù)膍，在保證精確近似的同時(shí)，減小計(jì)算量。我們嘗試了多個(gè)m，發(fā)現(xiàn)當(dāng)m＝1000時(shí)，兼顧了運(yùn)算速度和精確性。因此本實(shí)施例中選定m＝1000。選定m后即可相應(yīng)計(jì)算ηj

η1＝d-δ+ξ，

其中γ(x)是標(biāo)準(zhǔn)gamma函數(shù)。

s55：用步驟s54的λt代入對(duì)數(shù)似然函數(shù)計(jì)算l(ξ，δ，λ，d)

s56：改寫(xiě)步驟s53的約束條件為-ξ＜0，ξ-δ＜0，δ-d＜0，d-1＜0這四個(gè)約束條件。在這四個(gè)約束條件下，通過(guò)最大化對(duì)數(shù)似然函數(shù)l(ξ，δ，λ，d)的方式求參數(shù)ξ，δ，λ，d的估計(jì)值。一般而言，我們可以用在對(duì)數(shù)似然函數(shù)中加入拉格朗日乘子，再用梯度上升法最大化l(ξ，δ，λ，d)，求得參數(shù)ξ，δ，λ，d的值。考慮到數(shù)據(jù)窗口在本實(shí)施例中為m＝150相對(duì)較小，我們直接采用滑動(dòng)漸近線法(methodofmovingasymptotes,mma)計(jì)算約束條件下的函數(shù)最大化。本例中我們調(diào)用了開(kāi)源nlopt算法庫(kù)中相關(guān)函數(shù)在約束條件下最大化l(ξ，δ，λ，d)并求得此時(shí)ξ，δ，λ，d參數(shù)的值。該算法基于目標(biāo)函數(shù)(即對(duì)數(shù)似然函數(shù))的梯度。其梯度公式如下：

其中，m為步驟s1中確定的窗口寬度，凡是不在窗口內(nèi)的xt一律用步驟s51中得到的替代，不在窗口中的λt一律用步驟s52計(jì)算得到的σ替代；m為

步驟s54中選定的正整數(shù)。這里ψ0(x)是digamma函數(shù)，定義為

其中γ(x)′是gamma函數(shù)γ(x)的導(dǎo)數(shù)。

s57：記錄當(dāng)前時(shí)間test

s6：根據(jù)步驟s5得到的參數(shù)ξ，δ，λ，d的值，得到完整的infigarch(1，d，1)模型。用該模型做l步預(yù)報(bào)，將結(jié)果填入一個(gè)l行，5列的數(shù)據(jù)框。其中第i行第一列為第i步預(yù)報(bào)的時(shí)刻，第二列為第i步預(yù)報(bào)的預(yù)報(bào)值，第三到五列分別為置信水平為0.95、0.99和0.999的預(yù)報(bào)區(qū)間上界，i＝1，2，...，l。本實(shí)施例l＝10。具體為，如圖3所示：

s61：令i＝1；

s62：將步驟s5計(jì)算得到的ξ，δ，λ，d代入infigarch(1，d，1)模型，計(jì)算

其中m與步驟s54相同，在本實(shí)施例中m＝1000。再者，ηj的計(jì)算方法與步驟s54相同。取小于等于λt+i的最大整數(shù)作為第i步預(yù)報(bào)；

s63:令α1＝0.95，α2＝0.99，α3＝0.999；

s64:令j＝1；

s65:令pj＝0，k＝0；

s66:以步驟s62計(jì)算得到的λt+i為poisson分布的參數(shù)，計(jì)算該分布取值為k時(shí)的概率并更新pj＝pj+pk；

s67:判斷pj＞αj是否成立；

s68:若s67判斷為真，則置信水平為αj的上界為k-1，計(jì)入數(shù)據(jù)框第i行對(duì)應(yīng)的列(j＝1，計(jì)入第三

列，j＝2，計(jì)入第四列，j＝3，計(jì)入第五列，所以是j+2列)，轉(zhuǎn)到步驟s610；

s69:若s67判斷為假，則更新k＝k+1并回到步驟s66；

s610:判斷j＞3是否成立；

s611:若s610判斷為假，則更新j＝j(luò)+1并返回步驟s65；

s612:若判斷s610為真，則判斷i＞l是否成立，本實(shí)施例l＝10；

s613:若s612判斷為假，則更新i＝i+1并返回步驟s62；

s7:若s612判斷為真，則用步驟s2中確定的時(shí)間間隔聚合新到的流量，本實(shí)施例用的時(shí)間間隔是0.1秒。聚合的具體方法為將步驟s7開(kāi)始時(shí)間取整到0.1秒，這個(gè)時(shí)間到下一0.1秒之間的網(wǎng)絡(luò)流量求和，記為xnew；

s8：將步驟s7中獲得的最新聚合流量對(duì)應(yīng)的時(shí)間與步驟s6中的時(shí)間對(duì)比，取相同時(shí)間的行。再比較該流量與該行第三列。若流量小于第三列，返回綠色信號(hào)；若流量大于等于第三列但小于第四列，則返回黃色信號(hào)；若流量大于等于第四列但小于第五列，則返回橙色信號(hào)；若流量大于等于第五列，則返回紅色信號(hào)。除綠色信號(hào)外，其余信號(hào)均為網(wǎng)絡(luò)流量異常信號(hào)，其中黃、橙和紅表示警告級(jí)別逐次上升。具體為，如圖4所示：

s81:選擇步驟s6中預(yù)報(bào)時(shí)間與s7中xnew對(duì)應(yīng)時(shí)間相同的行；

s82:令j＝5,signal2＝綠，signal3＝黃，signal4＝橙，signal5＝紅；

s83:判斷xnew是否小于該行第j列的值；

s84:若s83判斷為假，返回signalj信號(hào)，表示流量異常，異常等級(jí)由信號(hào)顏色標(biāo)識(shí)。然后轉(zhuǎn)到步驟s9；

s85:若s83判斷為真，則比較j是否等于3；

s86:若s85判斷為假，則更新j＝j(luò)-1，并轉(zhuǎn)到步驟s83；

s87:若s85判斷為真，則返回signal2信號(hào)，表示沒(méi)有異常流量并轉(zhuǎn)到步驟s9；

s9:比較現(xiàn)在時(shí)刻和步驟s58的時(shí)間test，若時(shí)間差距大于tgap則返回步驟s4，否則執(zhí)行步驟s10；

s10:更新數(shù)據(jù)并返回步驟s6。具體為：

s101：設(shè)最近一次執(zhí)行步驟s6所用數(shù)據(jù)為(xt-m+1，xt-m+2，...，xt，)。時(shí)刻t，與當(dāng)前時(shí)間之間的流量用步驟s4同樣的方法聚合得到新數(shù)據(jù)為(xt+1，xt+2，...，xt+n，)；

s102：將新、舊兩份數(shù)據(jù)組合到一起，得到(xt-m+1，xt-m+2，...，xt，xt+1，xt+2，...，xt+n)；

s103：剔除舊數(shù)據(jù)剩余(xt+n-m+1，xt+n-m+2，...，xt，xt+1，xt+2，...，xt+n，)，并返回步驟s6。

本發(fā)明的網(wǎng)絡(luò)流量異常檢測(cè)方法，檢測(cè)極高采樣頻率的原始網(wǎng)絡(luò)流量數(shù)據(jù)，緊密監(jiān)控網(wǎng)絡(luò)流量狀況；使用infigarch(1,d,1)模型，避免了傳統(tǒng)分析將非負(fù)整數(shù)近似為連續(xù)實(shí)數(shù)的誤差；分?jǐn)?shù)差分捕獲了網(wǎng)絡(luò)流量長(zhǎng)記憶性質(zhì)；條件異方差描述了網(wǎng)絡(luò)流量大流量跟隨大流量，小流量跟隨小流量的現(xiàn)象；在一定時(shí)間跨度后再重新估計(jì)參數(shù)更新模型保證了模型更新和計(jì)算速度的平衡。使得本方法模型的穩(wěn)定性和趨勢(shì)跟隨能力并重的優(yōu)良特性。

模型建模窗口要求很短。通過(guò)隨機(jī)模擬，窗口的最小長(zhǎng)度達(dá)到50以上就可以保證估計(jì)的精度在可接受范圍之內(nèi)?？紤]到傳統(tǒng)arima線性模型，在這么短的數(shù)據(jù)鏈情況下估計(jì)效果也僅能接受這一情況，就可以知道我們模型的對(duì)數(shù)據(jù)要求非常低，因而在實(shí)際使用中有更大的適應(yīng)性。

本申請(qǐng)實(shí)施例提供了一種非易失性計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，該計(jì)算機(jī)可執(zhí)行指令可執(zhí)行上述任意方法實(shí)施例中的構(gòu)建方法。

圖7是本實(shí)施例提供的執(zhí)行流量異常檢測(cè)方法的電子設(shè)備的硬件結(jié)構(gòu)示意圖，如圖7所示，該設(shè)備包括：

一個(gè)或多個(gè)處理器710以及存儲(chǔ)器720，圖7中以一個(gè)處理器710為例。

社交圈構(gòu)建方法的設(shè)備還可以包括：輸入裝置730和輸出裝置740。

處理器710、存儲(chǔ)器720、輸入裝置730和輸出裝置740可以通過(guò)總線或者其他方式連接，圖7中以通過(guò)總線連接為例。

存儲(chǔ)器720作為一種非易失性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，可用于存儲(chǔ)非易失性軟件程序、非易失性計(jì)算機(jī)可執(zhí)行程序以及模塊，如本申請(qǐng)實(shí)施例中的方法對(duì)應(yīng)的程序指令/模塊。處理器710通過(guò)運(yùn)行存儲(chǔ)在存儲(chǔ)器720中的非易失性軟件程序、指令以及模塊，從而執(zhí)行服務(wù)器的各種功能應(yīng)用以及數(shù)據(jù)處理，即實(shí)現(xiàn)上述方法實(shí)施例推構(gòu)建方法。

存儲(chǔ)器720可以包括存儲(chǔ)程序區(qū)和存儲(chǔ)數(shù)據(jù)區(qū)，其中，存儲(chǔ)程序區(qū)可存儲(chǔ)操作系統(tǒng)、至少一個(gè)功能所需要的應(yīng)用程序；存儲(chǔ)數(shù)據(jù)區(qū)可存儲(chǔ)根據(jù)構(gòu)建方法中使用所創(chuàng)建的數(shù)據(jù)等。此外，存儲(chǔ)器720可以包括高速隨機(jī)存取存儲(chǔ)器，還可以包括非易失性存儲(chǔ)器，例如至少一個(gè)磁盤(pán)存儲(chǔ)器件、閃存器件、或其他非易失性固態(tài)存儲(chǔ)器件。

輸入裝置730可接收輸入的數(shù)字或字符信息，以及產(chǎn)生與電子設(shè)備的用戶設(shè)置以及功能控制有關(guān)的鍵信號(hào)輸入。輸出裝置740可包括顯示屏等顯示設(shè)備。

所述一個(gè)或者多個(gè)模塊存儲(chǔ)在所述存儲(chǔ)器720中，當(dāng)被所述一個(gè)或者多個(gè)處理器710執(zhí)行時(shí)，執(zhí)行上述任意方法實(shí)施例中的構(gòu)建方法。

上述產(chǎn)品可執(zhí)行本申請(qǐng)實(shí)施例所提供的方法，具備執(zhí)行方法相應(yīng)的功能模塊和有益效果。未在本實(shí)施例中詳盡描述的技術(shù)細(xì)節(jié)，可參見(jiàn)本申請(qǐng)實(shí)施例所提供的方法。

本發(fā)明實(shí)施例的電子設(shè)備以多種形式存在，包括但不限于:

(1)移動(dòng)通信設(shè)備:這類設(shè)備的特點(diǎn)是具備移動(dòng)通信功能，并且以提供話音、數(shù)據(jù)通信為主要目標(biāo)。這類終端包括:智能手機(jī)(例如iphone)、多媒體手機(jī)、功能性手機(jī)，以及低端手機(jī)等。

(2)超移動(dòng)個(gè)人計(jì)算機(jī)設(shè)備:這類設(shè)備屬于個(gè)人計(jì)算機(jī)的范疇，有計(jì)算和處理功能，一般也具備移動(dòng)上網(wǎng)特性。這類終端包括:pda、mid和umpc設(shè)備等，例如ipad。

(3)便攜式娛樂(lè)設(shè)備:這類設(shè)備可以顯示和播放多媒體內(nèi)容。該類設(shè)備包括:音頻、視頻播放器(例如ipod)，掌上游戲機(jī)，電子書(shū)，以及智能玩具和便攜式車載導(dǎo)航設(shè)備。

(4)服務(wù)器:提供計(jì)算服務(wù)的設(shè)備，服務(wù)器的構(gòu)成包括處理器、硬盤(pán)、內(nèi)存、系統(tǒng)總線等，服務(wù)器和通用的計(jì)算機(jī)架構(gòu)類似，但是由于需要提供高可靠的服務(wù)，因此在處理能力、穩(wěn)定性、可靠性、安全性、可擴(kuò)展性、可管理性等方面要求較高。

(5)其他具有數(shù)據(jù)交互功能的電子裝置，例如電視機(jī)、車載大屏等。

以上所描述的裝置實(shí)施例僅僅是示意性的，其中所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開(kāi)的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部模塊來(lái)實(shí)現(xiàn)本實(shí)施例方案的目的。

通過(guò)以上的實(shí)施方式的描述，本領(lǐng)域的技術(shù)人員可以清楚地了解到各實(shí)施方式可借助軟件加必需的通用硬件平臺(tái)的方式來(lái)實(shí)現(xiàn)，當(dāng)然也可以通過(guò)硬件?；谶@樣的理解，上述技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品可以存儲(chǔ)在計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，如rom/ram、磁碟、光盤(pán)等，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行各個(gè)實(shí)施例或者實(shí)施例的某些部分所述的方法。

最后應(yīng)說(shuō)明的是：以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。