一种产品申请资格的认证方法及装置

本发明涉及科技金融(Fintech)领域，尤其涉及一种产品申请资格的认证方法及装置。

随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求。

为了解决小微企业流动资金吃紧问题，国家发放疫情专项贷款。现有疫情专项贷款是申请，需要客户线下完成各类资料的申请审批，并线下前往银行网点申请贷款。银行业务部门收集材料后，进行人工审核：审核不合格的客户，退回客户资料；审核通过客户，进行合同签订、贷款发放流程。

本申请提供一种产品申请资格的认证方法及装置，用以增加产品申请资格认证的准确率，提高认证效率。

本发明实施例提供的一种产品申请资格的认证方法，包括：

接收疫情专项贷款请求，所述疫情专项贷款请求中包含申请对象的贷款资格信息；

根据所述贷款资格信息，确定所述申请对象的特征数据；

基于均值方差模型，根据所述申请对象的特征数据，得到所述申请对象的特征项组合方差；

若确定所述申请对象的特征项组合方差在所述疫情特征项组合分布曲线的置信区间内，则向所述申请对象发送疫情专项贷款数据；

所述疫情特征项组合分布曲线为基于均值方差模型，根据历史疫情样本的特征数据和特征项组合方差绘制的。

一种可选的实施例中，所述贷款资格信息包括数字类信息和文本类信息；

根据所述贷款资格信息，确定所述申请对象的特征数据，包括：

根据文本与数字的对应关系，确定所述申请对象的文本类信息对应的数字数据；

根据数字与等级的对应关系，确定所述申请对象的数字类信息对应的等级标识。

一种可选的实施例中，所述接收疫情专项贷款请求之前，还包括；

获取多个历史疫情对象的贷款资格信息；

将N个历史疫情对象作为一个历史疫情样本，根据所述N个历史疫情对象的贷款资格信息确定对应的历史疫情样本的特征数据；

针对每一个历史疫情样本，基于所述均值方差模型，根据所述历史疫情样本的特征数据，计算所述历史疫情样本的特征项组合方差；

利用所有历史疫情样本的特征数据和对应的特征项组合方差，绘制所述疫情特征项组合分布曲线；

根据所述疫情特征项组合分布曲线，确定所述置信区间。

一种可选的实施例中，基于所述均值方差模型，根据所述历史疫情样本的特征数据，计算所述历史疫情样本的特征项组合方差，包括：

根据所述历史疫情样本的特征数据，计算每个特征项的方差和权重；

根据特征项的方差，计算每两个特征项之间的关联关系；

根据计算得到的方差、权重以及特征项之间的关联关系，基于所述均值方差模型，得到所述历史疫情样本的特征项组合方差的最优解。

一种可选的实施例中，根据以下公式计算所述历史疫情样本的特征项组合方差：

其中，δ2表示所述历史疫情样本的特征项组合方差；表示第i种特征项的方差；wi表示第i种特征项在历史疫情样本中的权重；E(a)表示所有特征项均值；ri和rj表示第i和第j个特征项的值。

本发明提供一种产品申请资格的认证装置，包括：

接收单元，用于接收疫情专项贷款请求，所述疫情专项贷款请求中包含申请对象的贷款资格信息；

确定单元，用于根据所述贷款资格信息，确定所述申请对象的特征数据；

计算单元，用于基于均值方差模型，根据所述申请对象的特征数据，得到所述申请对象的特征项组合方差；

发送单元，用于若确定所述申请对象的特征项组合方差在所述疫情特征项组合分布曲线的置信区间内，则向所述申请对象发送疫情专项贷款数据；

所述疫情特征项组合分布曲线为基于均值方差模型，根据历史疫情样本的特征数据和特征项组合方差绘制的。

一种可选的实施例中，所述贷款资格信息包括数字类信息和文本类信息；

所述确定单元，具体用于：

根据文本与数字的对应关系，确定所述申请对象的文本类信息对应的数字数据；

根据数字与等级的对应关系，确定所述申请对象的数字类信息对应的等级标识。

一种可选的实施例中，还包括绘制单元，用于：

获取多个历史疫情对象的贷款资格信息；

将N个历史疫情对象作为一个历史疫情样本，根据所述N个历史疫情对象的贷款资格信息确定对应的历史疫情样本的特征数据；

针对每一个历史疫情样本，基于所述均值方差模型，根据所述历史疫情样本的特征数据，计算所述历史疫情样本的特征项组合方差；

利用所有历史疫情样本的特征数据和对应的特征项组合方差，绘制所述疫情特征项组合分布曲线；

根据所述疫情特征项组合分布曲线，确定所述置信区间。

一种可选的实施例中，所述绘制单元，具体用于：

根据所述历史疫情样本的特征数据，计算每个特征项的方差和权重；

根据特征项的方差，计算每两个特征项之间的关联关系；

根据计算得到的方差、权重以及特征项之间的关联关系，基于所述均值方差模型，得到所述历史疫情样本的特征项组合方差的最优解。

一种可选的实施例中，所述绘制单元，具体用于根据以下公式计算所述历史疫情样本的特征项组合方差：

其中，δ2表示所述历史疫情样本的特征项组合方差；表示第i种特征项的方差；wi表示第i种特征项在历史疫情样本中的权重；E(a)表示所有特征项均值；ri和rj表示第i和第j个特征项的值。

本发明实施例还提供一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上所述的方法。

本发明实施例中，银行系统接收到疫情专项贷款请求后，由于疫情专项贷款请求中包含申请对象的贷款资格信息，银行系统可以根据贷款资格信息，确定申请对象的特征数据。将申请对象的特征数据输入均值方差模型中，得到申请对象的特征项组合方差。然后将申请对象的特征项组合方差与疫情特征项组合分布曲线的置信区间相对比，若申请对象的特征项组合方差在执行期间内，则认为该申请对象具有疫情专项贷款资格，并向申请对象发送认证通过消息。其中，疫情特征项组合分布曲线为基于均值方差模型，根据历史疫情样本的特征数据和特征项组合方差绘制的。本发明实施例利用历史疫情时期和当前疫情时期企业客户之间的特征相似性，根据历史疫情样本的特征数据和特征项组合方差绘制疫情特征项组合分布曲线，用于判断申请对象的特征是否符合疫情专项贷款的资格要求。将当前申请疫情专项贷款的申请对象的特征数据也输入该均值方差模型中的，得到申请对象的特征项组合方差，若申请对象的特征项组合方差在预先设置的置信区间内，则认为申请对象具有疫情专项贷款资格，可以向该申请对象推送相关贷款产品；若申请对象的特征项组合方差不在预先设置的置信区间内，则认为申请对象不具有疫情专项贷款资格，则拒绝该申请对象的疫情专项贷款请求。上述过程利用均值方差模型，充分体现出自动化分析的优势，认证效率大大提高。同时，对受疫情影响较严重的客户进行特征画像，并对申请对象进行自动匹配认证，不受人工操作的主观影响，提高了认证的准确性。

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种可能的系统构架的结构示意图；

图2为本发明实施例提供的一种产品申请资格的认证方法的流程示意图；

图3为本发明实施例提供的一种疫情特征项组合分布曲线的示意图；

图4为本发明实施例提供的一种产品申请资格的认证装置的结构示意图；

图5为本发明实施例提供的电子设备的结构示意图。

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。

为了便于理解，下面对本发明实施例中可能涉及的名词进行定义和解释。

小微企业：小微企业是小型企业、微型企业、家庭作坊式企业的统称。

均值方差模型：是由哈里·马科维茨在1952年提出的风险投资模型，也叫马科维兹模型。马科维茨把风险定义为收益率的波动率，首次将数理统计的方法应用到投资组合选择的研究中。这种方法使收益与风险的多目标优化达到最佳的平衡效果。

置信区间：是指由样本统计量所构造的总体参数的估计区间。在统计学中，一个概率样本的置信区间是对这个样本的某个总体参数的区间估计。置信区间展现的是这个参数的真实值有一定概率落在测量结果的周围的程度，其给出的是被测量参数的测量值的可信程度，即前面所要求的“一个概率”。

本发明实施例中，通过将03年非典疫情期间优质贷款客户的特征作为依据，来分析本次新冠疫情中各个小微企业的特征，以确定发出疫情专项贷款请求的小微企业是否具有疫情专项贷款资格。具体的，本发明实施例利用马科维茨均值方差模型为基础绘制疫情特征项组合分布曲线，进而设置置信区间，作为衡量申请对象的特征数据是否满足条件的依据。

马科维茨均值方差模型是以资产权重为变量的二次规划问题，采用微分中的拉格朗日方法求解，在限制条件下，求得组合收益的方差最小时的最优的投资比例。投资者根据自身的收益目标和风险偏好，在有效组合前沿上选择最优的投资组合方案。

在本发明实施例中，通过均值方差模型，分析非典期间优质客户各特征项的分布特点，得到最优的特征项组合方案。在以整体特征项均值为横坐标，最优组合解为纵坐标的二维平面中描绘出来，形成一条曲线。这条曲线上每一个点，其方差值最小，称之为最小方差点。该曲线呈现正态分布特征，在该曲线图上，设置置信区间。

然后，通过均值方差模型，分析现有新冠期间的小微企业，若其最优特征项组合方案落在置信区间内，则表明该小微企业符合疫情优质客户标准，具有申请疫情专项贷款的资格。

如图1所示，本发明实施例所适用的一种系统架构，包括银行系统101以及小微企业系统102。其中，小微企业系统102可以为安装于终端上的客户端，也可以为安装于服务器上的操作系统，终端可以是手机、平板电脑或者是专用的手持设备等具有无线通信功能的电子设备，也可以是个人计算机(personal computer，简称PC)，笔记本电脑，服务器等有线接入方式连接上网的设备。终端可以是一个独立的设备，也可以是多个终端所形成的终端集。优选地，终端可以采用云计算技术进行信息处理。

银行系统101可以是计算机等网络设备，可以是一个独立的设备，也可以是多个服务器所形成的服务器集。优选地，账户节点102可以采用云计算技术进行信息处理。

银行系统101可以通过INTERNET网络与小微企业系统102进行通信，也可以通过全球移动通信系统(Global System for Mobile Communications，简称GSM)、长期演进(longterm evolution，简称LTE)系统等移动通信系统与小微企业系统102进行通信。

基于上述架构，本发明实施例提供了一种产品申请资格的认证方法，如图2所示，本发明实施例提供的产品申请资格的认证方法包括以下步骤：

步骤201、接收疫情专项贷款请求，所述疫情专项贷款请求中包含申请对象的贷款资格信息。

步骤202、根据所述贷款资格信息，确定所述申请对象的特征数据。

步骤203、基于均值方差模型，根据所述申请对象的特征数据，得到所述申请对象的特征项组合方差。

步骤204：若确定所述申请对象的特征项组合方差在所述疫情特征项组合分布曲线的置信区间内，则向所述申请对象发送认证通过消息。

其中，疫情特征项组合分布曲线为基于均值方差模型，根据历史疫情样本的特征数据和特征项组合方差绘制的。

进一步地，系统后台还提供有多种疫情贷款产品，如延期还款、借新还旧、无还本续贷等，当银行系统向客户端发送认证通过消息时，可以同时将上述贷款产品向客户端推送。

此外，若确定申请对象的特征项组合方差步骤疫情特征项组合分布曲线的置信区间内，则认为申请对象不符合疫情专项贷款资格，从而发送认证不通过消息。

本发明实施例中，银行系统接收到疫情专项贷款请求后，由于疫情专项贷款请求中包含申请对象的贷款资格信息，银行系统可以根据贷款资格信息，确定申请对象的特征数据。将申请对象的特征数据输入均值方差模型中，得到申请对象的特征项组合方差。然后将申请对象的特征项组合方差与疫情特征项组合分布曲线的置信区间相对比，若申请对象的特征项组合方差在执行期间内，则认为该申请对象具有疫情专项贷款资格，并向申请对象发送认证通过消息。其中，疫情特征项组合分布曲线为基于均值方差模型，根据历史疫情样本的特征数据和特征项组合方差绘制的。本发明实施例利用历史疫情时期和当前疫情时期企业客户之间的特征相似性，根据历史疫情样本的特征数据和特征项组合方差绘制疫情特征项组合分布曲线，用于判断申请对象的特征是否符合疫情专项贷款的资格要求。将当前申请疫情专项贷款的申请对象的特征数据也输入该均值方差模型中的，得到申请对象的特征项组合方差，若申请对象的特征项组合方差在预先设置的置信区间内，则认为申请对象具有疫情专项贷款资格，可以向该申请对象推送相关贷款产品；若申请对象的特征项组合方差不在预先设置的置信区间内，则认为申请对象不具有疫情专项贷款资格，则拒绝该申请对象的疫情专项贷款请求。上述过程利用均值方差模型，充分体现出自动化分析的优势，认证效率大大提高。同时，对受疫情影响较严重的客户进行特征画像，并对申请对象进行自动匹配认证，不受人工操作的主观影响，提高了认证的准确性。

一种具体的实施例种，本发明实施例中的贷款资格信息包括申请对象的交易行为信息、税务数据信息、疫情特征信息。

具体的，交易行为数据可以为银行为申请对象提供金融服务的同时，积累的大量金融交易行为数据。通过分析这些数据，可获取重要的画像信息，如五级分类、借据逾期天数、征信信息等。

税务数据信息是在申请对象的纳税信息上，生成的税务数据，是推动金融信用体系建设进一步完备的重要信息。受疫情影响，申请对象的税务数据信息例如资产负债表、利润表等等会出现明显变化。通过比对分析变化项，能够准确抓住申请对象受疫情影响状况。

疫情发生后，各地区、各行业受影响程度各不相同，疫情特征信息即体现了遭受疫情影响的轻重程度。例如，住宿餐饮、文体娱乐、交通运输、旅游四大行业，是受疫情冲击最为严重的行业。国标行业分类中涉及上述四大行业的特征项，将被录入疫情特征库，用于扶持疫情影响行业。

上述贷款资格信息可以是客户发送疫情专项贷款请求时，一同发送至银行系统；也可以是银行系统接收到客户发送的疫情专项贷款请求后，从数据库中查询并获取的。具体地，交易行为数据可以存储在银行系统本身的特征数据库中，税务数据信息存储在税务数据特征库中，疫情特征信息存储在疫情特征库中。

进一步地，针对不同类型的贷款资格系信息，本发明实施例的处理方式也不同。贷款资格信息包括数字类信息和文本类信息；

根据所述贷款资格信息，确定所述申请对象的特征数据，包括：

根据文本与数字的对应关系，确定所述申请对象的文本类信息对应的数字数据；

根据数字与等级的对应关系，确定所述申请对象的数字类信息对应的等级标识。

具体实施过程中，文本类信息例如税务数据信息中的企业注册地址、疫情特征信息中的疫情影响行业级别等，均为文本类信息，为了便于计算，需要对文本类信息进行赋值。即预先设定每个文本类的贷款资格信息与数字的对应关系，例如，对于企业注册地址，可以按照不同的省自治区直辖市进行赋值，由于包括34个省自治区直辖市，因此可以对不同的省自治区直辖市赋值0至33，如北京赋值0，天津赋值1，河北省赋值2等。

另一方面，为了便于计算，本发明实施例中，除逻辑上不可区分的类别外 (如五级分类，逻辑上只包含五类；省自治区直辖市，逻辑上只有34个)，其余的数字类信息，每个都划分为10个等级。例如，对于授信额度，可以划分为0至100万元、100万至200万元、200万至300万元……900万元至1000 万元、大于1000万元，分别赋值为0、1、2……8、9，这样便于后续利用均值方差模型进行计算。

具体的特征对照如表1所示：

表1

下面具体介绍利用均值方差模型进行计算的过程。

进一步地，所述接收疫情专项贷款请求之前，还包括；

获取多个历史疫情对象的贷款资格信息；

将N个历史疫情对象作为一个历史疫情样本，根据所述N个历史疫情对象的贷款资格信息确定对应的历史疫情样本的特征数据；

针对每一个历史疫情样本，基于所述均值方差模型，根据所述历史疫情样本的特征数据，计算所述历史疫情样本的特征项组合方差；

利用所有历史疫情样本的特征数据和对应的特征项组合方差，绘制所述疫情特征项组合分布曲线；

根据所述疫情特征项组合分布曲线，确定所述置信区间。

具体实施过程中，为了使样本更具有代表性，将N个历史疫情对象作为一个历史疫情样本。例如，随机抽取03年非典疫情优质客户共30万户，并进行样例分组，每100家贷款企业随机划分为一个样本，共组成3000个样本。

针对每一个历史疫情样本，特征数据为样本中包含的每个历史疫情对象的贷款资格信息的均值。特征数据的均值具体根据以下公式计算：

其中，Xi为历史疫情样本中第i个特征项对应的取值，为历史疫情样本中该特征的均值，N为一个历史疫情样本中包含的历史疫情对象的个数。

之后，针对每一个历史疫情样本，基于均值方差模型，计算该历史疫情样本的特征项组合方差。

具体的，基于所述均值方差模型，根据所述历史疫情样本的特征数据，计算所述历史疫情样本的特征项组合方差，包括：

根据所述历史疫情样本的特征数据，计算每个特征项的方差和权重；

根据特征项的方差，计算每两个特征项之间的关联关系；

根据计算得到的方差、权重以及特征项之间的关联关系，基于所述均值方差模型，得到所述历史疫情样本的特征项组合方差的最优解。

具体来说，每个特征项的方差根据该特征项的值以及特征项的均值计算，具体计算如以下公式：

其中，σ2即为特征项的方差；Xi为第i个历史疫情样本针对该特征项的特征值；为历史疫情样本中该特征的均值，由公式1计算得到；N为一个历史疫情样本中包含的历史疫情对象的个数。

对于特征项的权重，也是根据特征项的特征数据计算得到。假设历史疫情样本中有两个特征项：五级分类、纳税等级。

在五级分类中进行赋值，分别为：正常-0，关注-1，次级-2，可疑-3，损失-4。

若历史疫情样本1中的100家企业，五级分类均值为0.3。0.3四舍五入取 0，即历史疫情样本1对应的五级分类的特征值为0。统计100家企业中，五级分类为正常的企业数量，得到值M。

以纳税等级为例，共有四类，分别为：A-0，B-1，C-2，D-3。

同上计算后，得到值L。

那么在该历史疫情样本1中，五级分类特征项权重为：M/(M+L)，纳税等级特征项权重为：L/(M+L)。

当样本集中有多个特征项时，以此类推。

对于两个特征项之间的关联关系，可以通过以下公式进行计算：

其中，σx、σy可以通过公式2计算得出；cov(x,y)为特征项x与特征项y 之间的协方差公式；ρx,y为特征项x与特征项y间的关联关系。

然后，将特征项的方差、权重以及特征项之间的关联关系代入马科维茨均值方差公式中，计算可得该历史疫情样本的特征项组合方差的最优解。

具体地，马科维茨均值方差模型满足一下公式：

其中wx表示特征项X在历史疫情样本中的权重；wy表示特征项Y在历史疫情样本中的权重；表示特征项X的方差；表示特征项Y的方差；ρx,y表示特征项X与特征项Y的关联关系；δ2表示特征项X与特征项Y两者的组合方差最优解。

当历史疫情样本对应的特征项有多个时，上述公式可转换为：

其中，wi≥0，i＝1,2,......n。δ2表示历史疫情样本计算出的特征项组合方差；表示第i种特征项的方差；wi表示第i种特征项在历史疫情样本中的权重；ρi,j表示第i种特征项与第j种特征项之间的关联关系。

上述公式5可以进一步等值转换为以下公式：

其中，δ2表示样本集计算出的特征项组合方差；表示第i种特征项的方差；wi表示第i种特征项在历史疫情样本中的权重；E(a)表示所有特征项均值；ri和rj表示第i和第j个特征项的值。

每一个历史疫情样本根据上述公式6，均可得出一个特征项组合方差的最优解，将该特征项组合方差的最优解作为纵坐标，E(a)即历史疫情样本中所有特征项均值作为横坐标，从而一个历史疫情样本对应坐标图上的一个点。进而所有历史疫情样本可在坐标图上对应出多个点，这些点阵在坐标图上呈整体分布，即为疫情特征项组合分布曲线，如图3所示。

本发明实施例中根据上述过程描绘出疫情特征项组合分布曲线后，根据阵的分布比例，获取合适的置信区间。

这样，当接收到申请对象的疫情专项贷款请求后，将申请对象的特征数据也输入上述公式6中，计算得出申请对象的特征项组合方差。再将得到的申请对象的特征项组合方差与置信区间相比较，从而对申请对象的疫情专项贷款资格进行认证。

本发明实施例还提供了一种产品申请资格的认证装置，如图4所示，包括：

接收单元401，用于接收疫情专项贷款请求，所述疫情专项贷款请求中包含申请对象的贷款资格信息；

确定单元402，用于根据所述贷款资格信息，确定所述申请对象的特征数据；

计算单元403，用于基于均值方差模型，根据所述申请对象的特征数据，得到所述申请对象的特征项组合方差；

发送单元404，用于若确定所述申请对象的特征项组合方差在所述疫情特征项组合分布曲线的置信区间内，则向所述申请对象发送疫情专项贷款数据；

所述疫情特征项组合分布曲线为基于均值方差模型，根据历史疫情样本的特征数据和特征项组合方差绘制的。

一种可选的实施例中，所述贷款资格信息包括数字类信息和文本类信息；

所述确定单元402，具体用于：

根据文本与数字的对应关系，确定所述申请对象的文本类信息对应的数字数据；

根据数字与等级的对应关系，确定所述申请对象的数字类信息对应的等级标识。

一种可选的实施例中，还包括绘制单元405，用于：

获取多个历史疫情对象的贷款资格信息；

将N个历史疫情对象作为一个历史疫情样本，根据所述N个历史疫情对象的贷款资格信息确定对应的历史疫情样本的特征数据；

针对每一个历史疫情样本，基于所述均值方差模型，根据所述历史疫情样本的特征数据，计算所述历史疫情样本的特征项组合方差；

利用所有历史疫情样本的特征数据和对应的特征项组合方差，绘制所述疫情特征项组合分布曲线；

根据所述疫情特征项组合分布曲线，确定所述置信区间。

一种可选的实施例中，所述绘制单元405，具体用于：

根据所述历史疫情样本的特征数据，计算每个特征项的方差和权重；

根据特征项的方差，计算每两个特征项之间的关联关系；

根据计算得到的方差、权重以及特征项之间的关联关系，基于所述均值方差模型，得到所述历史疫情样本的特征项组合方差的最优解。

一种可选的实施例中，所述绘制单元，具体用于根据以下公式计算所述历史疫情样本的特征项组合方差：

其中，δ2表示所述历史疫情样本的特征项组合方差；表示第i种特征项的方差；wi表示第i种特征项在历史疫情样本中的权重；E(a)表示所有特征项均值；ri和rj表示第i和第j个特征项的值。

基于相同的原理，本发明还提供一种电子设备，如图5所示，包括：

包括处理器501、存储器502、收发机503、总线接口504，其中处理器501、存储器502与收发机503之间通过总线接口504连接；

所述处理器501，用于读取所述存储器502中的程序，执行下列方法：

接收到针对第二数据字段的处理请求后，从存储系统中获取所述第二数据字段；所述第二数据字段为根据区块链中的第一信息数据确定并存储于所述存储系统中的数据；

利用预先存储的第一树对所述第二数据字段进行检验；所述第一树为根据第一数据字段的哈希值建立的，所述第一数据字段为根据所述第一信息数据确定的数据；

当所述第二数据字段的哈希值与所述第一树中对应节点的节点值一致时，确定所述第二数据字段未被篡改。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。