一种数据筛查系统及电子设备的制作方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本技术涉及数据处理技术领域，可用于金融领域，特别涉及一种数据筛查系统及电子设备。背景技术：2.不合规数据筛查是一项重要任务，尤其对于金融机构而言。现有的数据筛查系统通常是先将全量业务数据进行模糊匹配，将模糊匹配结果得到的大量数据发送至人机交互设备，由业务人员对大量匹配结果进行逐条审核。由于模糊匹配结果的数量较大，其中包括了大量的误报警数据，因此人工审核的工作量极大。3.目前一些机构开始尝试在原系统中集成智能筛查模型。具体方法为：业务人员对全量历史数据进行标记，算法工程师采用带有人工标记的全量历史数据进行单独的模型训练和参数调优，生成模型文件(例如模型文件可以为pmml文件)；业务人员下载模糊匹配得到的目标数据集，并离线推送给算法工程师；算法工程师采用训练好的模型对目标数据集进行预测额，并将预测结果发送至业务人员；业务人员以预测结果为参考，对预测结果进行审核；最后将人工审核结果作为数据筛查的最终结果；算法工程师根据业务人员的审核结果更新模型。4.由此可见，现有方案中业务人员需要对全量历史数据进行标记、对全量模型预测结果进行社会，标记及审核的工作量较大、容易出错；需要算法工程师与业务人员长期参与，沟通和协调成本较高、模型开发和部署的周期较长。技术实现要素：5.本说明书提供一种数据筛查方法及电子设备，以解决现有技术的人工标记数据量较大、沟通协调成本高的问题。6.为解决上述技术问题，本说明书第一方面提供一种数据筛查系统，包括：模型服务模块，用于自动部署训练好的筛查模型；中心处理模块，用于接收待筛查的目标数据集合，并将所述目标数据集合输入所述模型服务模块上所部署的筛查模型；接收所述筛查模型输出的预测结果，并从所述预测结果中筛选出待人工标记的数据；将筛选结果呈现给业务人员，并接收业务人员对数据的标记结果；采用带有人工标记的数据调用自动化建模模块的接口；所述自动化建模模块，用于采用带有人工标记的数据自动训练所述筛查模型；中心处理模块还用于在所述筛查模型训练结束后，调用所述自动化建模模块的接口获取训练好的筛查模型；并调用所述模型服务模块的接口重新部署训练好的筛查模型。7.在一些实施例中，所述中心处理模块还用于重复执行以下步骤，直至筛选不出待人工标记的数据：在调用所述模型服务模块的接口重新部署训练好的筛查模型之后，将所述目标数据集合中没有人工标记的数据重新输入筛查模型；接收所述筛查模型输出的预测结果，并从所述预测结果中筛选出待人工标记的数据；将筛选结果呈现给业务人员，并接收业务人员对数据的标记结果；采用带有人工标记的数据调用自动化建模模块的接口；在所述自动化建模模块重新训练筛查模型结束后，调用所述自动化建模模块的接口重新获取训练好的筛查模型；并调用所述模型服务模块的接口再次重新部署训练好的筛查模型。8.在一些实施例中，在筛选不出待人工标记的数据之后，所述中心处理模块将所述目标数据集合中的第一数据子集和第二数据子集的并集作为所述数据筛查系统的筛查结果；其中，所述第一数据子集为历次人工标记的数据，所述第二数据子集为所述第一数据子集在所述目标数据集合中的补集。9.在一些实施例中，所述模型服务模块、所述中心处理模块、所述自动化建模模块分别采用pod实现。10.在一些实施例中，所述模型服务模块包括至少两个模型服务子模块，各模型服务子模块分别用于部署不同的筛查模型；每个模型服务子模块分别采用一个容器镜像实现。11.在一些实施例中，所述自动化建模模块包括至少两个建模子模块，各建模子模块分别用于自动训练不同的筛查模型；每个建模子模块分别采用一个容器镜像实现。12.在一些实施例中，所述系统还包括：报告生成模块，用于根据所述目标数据集合的最终筛查结果自动生成分析报告。13.在一些实施例中，所述报告生成模块通过以下方法自动生成分析报告：获取目标数据集合的最终筛查结果中的正样本；通过模型解释算法确定数据中各特征对于最终筛查结果的贡献程度；选取贡献程度最大的预定数量个特征；根据所述预定数量个特征的名称和贡献程度的取值，形成样本归因说明，将样本归因说明作为分析报告的一部分。14.在一些实施例中，所述分析报告包括以下至少一者：目标数据集合中的数据总量、正样本的数量、正样本比例、正样本的归因说明、总体模型的精确率及召回率。15.在一些实施例中，所述中心处理模块通过以下方法从所述预测结果中筛选出待人工标记的数据：计算各数据的预测结果的置信度；所述置信度为第一概率与第二概率之间的差值，所述第一概率为数据属于正样本的概率，所述第二概率为数据属于负样本的概率。筛选出置信度大于或等于预定阈值的数据作为待人工标记的数据。16.在一些实施例中，将筛选结果呈现给业务人员，并接收业务人员对数据的标记结果，包括：确定筛选结果中的各数据分别对应的重要度级别；将筛选结果中的各数据分别呈现给对应重要度级别所匹配的业务人员；接收各业务人员对数据的标记结果。17.在一些实施例中，所述系统还包括：模糊匹配模块，用于获取全量业务数据，并从所述全量业务数据中确定与预定筛选规则所匹配的数据；输出匹配结果；所述匹配结果作为所述目标数据集合。18.本说明书第二方面提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现第一方面任一项所述的系统。19.本说明书第三方面提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现第一方面任一项所述的系统。20.本说明书第四方面提供一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述方法的步骤。21.本说明书所提供的数据模型筛查系统，使得业务专家在没有算法工程师深度协助的情况下，在一个系统中独立完成数据标注、模型训练和模型部署的一体化操作，降低了沟通协调成本、模型开发和部署的周期。中心处理模块通过模型服务模块上所部署的筛查模型进行数据的预筛查，根据筛查模型的输出结果进一步筛选需要待人工标记的数据，而不是将所有数据交由人工进行标记，大大减少了人工标记的数据量、能够降低数据标记出错的概率。22.进一步地，本说明书所提供的数据筛查系统，先根据筛查模型的预测结果筛选待人工标记的数据交由人工进行标记，然后基于人工标记结果训练筛查模型，并重新更新部署筛查模型，然后再次将未经人工标记的数据输入新部署的筛查模型，根据筛查模型的预测结果筛选待人工标记的数据交由人工进行标记……如此循环往复，直至中心处理模块根据预定的筛选规则无法筛选出待人工标记的数据。通过这一循环设计，能够足量筛选出筛选模型容易预测出错的数据交由人工标记，防止由于筛查模型不准确而导致预测结果不可靠；同时基于人工标记数据不断重新训练更新筛查模型，能够提高最终的筛查模型的准确率。因此，本说明书所提供的数据筛查系统能够在保证数据标记结果可靠性的同时尽量减少人工标记数据量。附图说明23.为了更清楚地说明本技术实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施方式，对于本领域普通技术人员来讲，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。24.图1示出了本说明书提供的数据筛查系统的一种结构示意图；25.图2示出了本说明书提供的数据筛查系统所执行的一种数据筛查方法的流程图；26.图3示出了本说明书提供的数据筛查系统所执行的另一种数据筛查方法的流程图；27.图4示出了本说明书提供的数据筛查系统的另一种结构示意图；28.图5示出了本说明书提供的电子设备的结构示意图。具体实施方式29.为了使本技术领域的人员更好地理解本技术中的技术方案，下面将结合本技术实施方式中的附图，对本技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本技术一部分实施方式，而不是全部的实施方式。基于本技术中的实施方式，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方式，都应当属于本技术保护的范围。30.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。31.本说明书提供一种数据筛查系统，该系统可以部署在任一具有数据计算功能的电子设备或服务器集群上。32.如图1所示，该系统包括模型服务模块10、中心处理模块20和自动化建模模块30。33.模型服务模块10用于自动部署训练好的模型。模型服务模块10可以采用tf-serving和seldon等工具实现训练好的筛查模型的自动化部署，并对中心处理模块20开放模型服务调用接口。自动化模型部署工具的使用，使得业务人员在没有算法工程师的深度协助的情况下就可以自行完成模型部署工作。34.中心处理模块20用于接收待筛查的目标数据集合a，并将目标数据集合a输入模型服务模块10上所部署的筛查模型x；接收筛查模型x输出的预测结果b，并从预测结果b中筛选出待人工标记的数据c；将筛选结果c呈现给业务人员，并接收业务人员对数据的标记结果d；采用带有人工标记的数据d调用自动化建模模块30的接口。35.自动化建模模块30用于采用带有人工标记的数据d自动训练筛查模型x。自动化建模模块30例如可以采用tpop和auto-sklearn等自动化建模工具。自动化建模工具的使用，使得业务人员无需算法背景知识实现一键式自动模型训练。36.中心处理模块20还用于在筛查模型x训练结束后，调用自动化建模模块30的接口获取训练好的筛查模型x；并调用模型服务模块10的接口重新部署训练好的筛查模型x。37.图2示出了上述数据筛查系统中各模块所负责的步骤流程图，具体如下。38.s11：中心处理模块20接收待筛查的目标数据集合a。39.s12：中心处理模块20将目标数据集合a输入模型服务模块10上所部署的筛查模型x。40.s21：筛查模型x对目标数据集合a进行处理，并输出预测结果b。41.s13：中心处理模块20根据预定筛选方法从预测结果b中筛选出待人工标记的数据。42.s14：中心处理模块20将筛选结果c呈现给业务人员。43.s15：中心处理模块20接收业务人员对数据的标记结果d。44.s16：中心处理模块20采用带有人工标记的数据d调用自动化建模模块30的接口。45.s31：自动化建模模块30采用带有人工标记的数据d自动训练筛查模型x。46.s17：中心处理模块20获取训练结束的筛查模型x。47.s18：中心处理模块20调用模型服务模块10的接口。48.s41：模型服务模块10自动部署训练好的筛查模型x。49.由此可见，本说明书所提供的数据模型筛查系统，使得业务专家在没有算法工程师深度协助的情况下，在一个系统中独立完成数据标注、模型训练和模型部署的一体化操作，降低了沟通协调成本、模型开发和部署的周期。中心处理模块通过模型服务模块上所部署的筛查模型进行数据的预筛查，根据筛查模型的输出结果进一步筛选需要待人工标记的数据，而不是将所有数据交由人工进行标记，大大减少了人工标记的数据量、能够降低数据标记出错的概率。50.在一些实施例中，如图3所示，在上述步骤s41之后，还包括如下步骤：51.s19：中心处理模块20将目标数据集合a中没有人工标记的数据重新输入筛查模型x。然后跳转至s21继续执行。52.从图3可以看出，本说明书所提供的数据筛查系统，先根据筛查模型的预测结果筛选待人工标记的数据交由人工进行标记，然后基于人工标记结果训练筛查模型，并重新更新部署筛查模型，然后再次将未经人工标记的数据输入新部署的筛查模型，根据筛查模型的预测结果筛选待人工标记的数据交由人工进行标记……如此循环往复，直至中心处理模块20根据预定的筛选规则无法筛选出待人工标记的数据。通过这一循环设计，能够足量筛选出筛选模型容易预测出错的数据交由人工标记，防止由于筛查模型不准确而导致预测结果不可靠；同时基于人工标记数据不断重新训练更新筛查模型，能够提高最终的筛查模型的准确率。因此，本说明书所提供的数据筛查系统能够在保证数据标记结果可靠性的同时尽量减少人工标记数据量。53.在图3所示方法中，若中心处理模块20根据预定筛选方法从筛查模型x的预测结果中筛选不出待人工标记的数据之后，输出该数据筛查系统的最终筛查结果。该最终筛查结果为目标数据集合a中的第一数据子集a1和第二数据子集a2的并集。其中，第一数据子集a1为历次人工标记的数据；第二数据子集a2为第一数据子集a1在目标数据子集a中的补集。也就是说，第一数据子集a1中的数据均带有人工标记，第二数据子集a2中的数据是目标数据子集a中没有经过人工标记的数据，第二数据子集a2中的数据标记是由最后一次训练得到的筛查模型的预测结果。54.在图3所示的方法中，步骤s15中中心处理模块20每次获取到业务人员标记的数据之后，都可以将这些数据放入第一数据子集a1，并重新确定第二数据子集a2，并将第二数据子集a2作为步骤s19中“目标数据集合a中没有人工标记的数据”输入筛查模型x。重新确定的第二数据子集a2的具体方法为：先确定第一数据子集a1在目标数据集合a中的补集，将该补集作为第二数据子集a2。55.在一些实施例中，模型服务模块10、中心处理模块20和自动化建模模块30分别采用pod来实现。56.pod是应用程序的最基本执行单元，pod表示在集群上运行的进程。pod封装了应用程序的容器(或者在某些情况下是多个容器)、存储资源、唯一的网络标识(即ip地址)以及控制容器应该如何运行的选项。pod表示一个部署单元，可能由单个容器或少量紧密耦合并共享资源的容器组成。不同pod内的容器互不影响，同一pod内的松耦合的容器之间也互不影响。docker是pod中最常见的容器。pod里可以运行单个容器，也可以运行多个需要协同工作的容器。例如，pod可能封装了一个应用程序，该应用程序由紧密关联并且需要共享资源的多个共同协作的容器组成。这些共同协作的容器可能形成一个统一的服务单元，即一个容器将文件从存储空间提供给所有容器使用，并设计一个单独的容器来刷新或更新这些文件。pod将这些容器和存储资源包装在一起，成为一个可管理的实体。57.本方案将模型服务模块10、中心处理模块20和自动化建模模块30分别采用pod来实现，使得各模块可以单独进行升级而不影响其他模块的正常运行，从而能够降低系统升级的成本。58.进一步地，在一些实施例中，如图4所示，模型服务模块10可以包括至少两个模型服务子模块，各模型服务子模块分别用于部署不同的筛查模型；每个模型服务子模块分别采用一个容器镜像实现。59.例如，模型服务模块10可以包括四个模型服务子模块，其中每个模型服务子模块分别用于部署一个筛查模型，总共可以部署四个筛查模型，具体地这四个筛查模型可以为支持向量机、随机森林、gbdt和神经网络模型，这四个模型用于分别对上述第二数据子集a2中的数据进行处理，中心处理模块20可以将这四个模型的处理结果进行加权求和，并将求和结果作为筛查模型的最终处理结果。上述四个模型服务子模块是可以采用容器镜像来实现，这样删除、增加或更新模型服务子模块的成本较低。60.在一些实施例中，如图4所示，自动化建模模块30可以包括至少两个建模子模块，各建模子模块分别用于自动训练不同的筛查模型；每个建模子模块分别采用一个容器镜像实现。61.例如，自动化建模模块30可以包括四个建模子模块，其中每个建模子模块分别用于自动训练一个筛查模型，总共可以同时进行四个筛查模型的训练，具体地这四个筛查模型可以为上述支持向量机、随机森林、gbdt和神经网络模型。通过pod来实现自动化建模模块，并采用上容器镜像实现每个筛查模型的训练，可以方便地更改任意一个筛查模型的类型而不影响其他筛查模型的训练；并且能够实现各建模子模块同时训练模型，降低模型训练及数据筛查的时间，提高时效性。62.在本方案中，pod和容器技术实现了数据筛查系统的松耦合设计，使得数据筛查系统的各模块具有跨平台、复用性强、可独立升级等特点。数据筛查系统通常由各个地域单独进行筛查，以银行为例，比如各个银行的分行、海外各个分行等，均采用传统模糊匹配系统的安装部署方式，该方式需要每个地区单独部署，本方案采用容器镜像方式部署可以解决环境依赖问题，不同的分支机构采用同一套镜像即可，易于升级改造和部署，节省大量的人力物力，同时在训练筛查模型时可以灵活添加对应的模型训练镜像，解决训练复杂模型训练时的算力需求，同时可以将模型的训练、部署、人工标注等各个系统隔离开来，方便各自小系统的升级，而不影响其他子系统。63.在一些实施例中，数据筛查系统还包括：报告生成模块，用于根据目标数据集合的最终筛查结果自动生成分析报告。64.进一步地，可以报告生成模块可以通过以下方法自动生成分析报告：先获取目标数据集合的最终筛查结果中的正样本，然后通过模型解释算法确定数据中各特征对于最终筛查结果的贡献程度，再选取贡献程度最大的预定数量个特征，最后根据这预定数量个特征的名称和贡献程度的取值，形成样本归因说明，并将样本归因说明作为分析报告的一部分。65.其中，目标数据集合的最终筛查结果可以是包括第一数据子集a1和第二数据子集a2中的数据。模型解释算法可以采用任意一种模型解释算法，模型解释算法是本领域技术人员都知晓的一种方法，本说明书不再赘述。目标数据集合中的每个数据都包含了多个特征，例如，金融数据中包括有年龄、所属地区、交易时间、交易额等数据特征，上述“数据中各特征”就是指这些数据特征，上述样本归因即是确定各数据特征中哪些数据特征对于最终筛查结果的影响比较大，以及影响程度是多少。66.在一些实施例中，分析报告还可以包括以下至少一者：目标数据集合中的数总据量、正样本的数量、正样本比例、正样本的归因说明、总体模型的精确率及召回率。67.上述分析报告可以是基于数据筛查模型整体的筛查结果确定的，而并非是其中某个筛查模型的输出结果确定的。相应地，上述总体模型包括上述模型服务模块10、中心处理模块20和自动化建模模块30，这些模块可以是执行图2或图3所示的方法。68.在一些实施例中，中心处理模块20通过以下方法从预测结果中筛选出待人工标记的数据：首先计算各数据的预测结果的置信度，然后筛选出置信度大于或等于预定阈值的数据。其中，置信度为第一概率与第二概率之间的差值，第一概率是指数据属于正样本的概率，第二概率是指数据属于负样本的概率。69.筛查模型通常为分类模型，该分类模型会预测数据属于正样本的概率(即第一概率)、数据属于负样本的概率(即第二概率)，通常情况下，只将第一概率和第二概率中的较大概率所对应的类型(例如类型为正样本或负样本)作为结果输出，本方案还可以控制分类模型将上述第一概率和第二概率也一并输出。中心处理模块20可以将第一概率与第二概率的差值作为分类模型所输出的结果的置信度。例如，二分类模型预测一个数据属于风险数据的概率为0.3，属于非风险数据的概率为0.7，则二分类模型的输出结果为非风险数据，该输出结果的置信度为0.7-0.3＝0.4。70.在一些实施例中，可以将待人工标记的数据划分为多个重要度级别，将不同重要度级别的数据分配给不同级别的业务人员去做标记。例如，可以将待人工标记的数据划分为c1、c2、c3三个等级，这三个等级的重要度依次递减，其中，c1级别的数据由经验丰富的专家进行标记，c2级别的数据由一般的专家进行标记，c3级别的数据由一般业务人员进行标记。71.那么，相应地，将筛选结果呈现给业务人员，并接收业务人员对数据的标记结果，包括：确定筛选结果中的各数据分别对应的重要度级别；将筛选结果中的各数据分别呈现给对应重要度级别所匹配的业务人员；接收各业务人员对数据的标记结果。72.通过不同级别重要度级别的设置，使得人工标记工作可以根据数据的重要性或难度交由不同级别的业务人员进行处理，而无需要底层业务人员逐级上报至专家进行处理，从而能够进一步降低沟通成本，缩短数据筛查的周期。73.在一些实施例中，数据筛查系统还包括：模糊匹配模块，用于获取全量业务数据，并从所述全量业务数据中确定与预定筛选规则所匹配的数据；输出匹配结果；所述匹配结果作为所述目标数据集合。预定筛选规则，可以是业务数据中的特征数据与预设条件的对比结果，例如年龄大于或等于30岁，且名字中有“安”字等，其中年龄、名字即为业务数据中的特征数据。74.本方案将全量业务数据先通过模糊匹配进行初步筛选，从而大大降低待筛选的数据量；然后再通过图1所示的模型服务模块10、中心处理模块20和自动化建模模块30执行循环操作以对初步筛选结果进一步筛选，这样能够减少模型所需要处理的数据量、训练模型的数据量，从而提高模型处理及训练的效率，提高对业务数据处理的时效性。75.本发明实施例还提供了一种电子设备，如图5所示，该电子设备可以包括处理器501和存储器502，其中处理器501和存储器502可以通过总线或者其他方式连接，图5中以通过总线连接为例。76.处理器501可以为中央处理器(central processing unit，cpu)。处理器501还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。77.存储器502作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的数据筛查系统中的程序指令/模块(例如，模型服务模块10、中心处理模块20和自动化建模模块30)。处理器501通过运行存储在存储器502中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述数据筛查系统。78.存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器501所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至处理器501。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。79.所述一个或者多个模块存储在所述存储器502中，当被所述处理器501执行时，执行如图1所示实施例中的数据筛查系统。80.上述电子设备具体细节可以对应参阅图1的实施例中对应的相关描述和效果进行理解，此处不再赘述。81.本说明书还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现上述数据筛查系统82.本说明书还提供一种计算机程序产品，包含有计算机程序，所述计算机程序被处理器执行时实现上述数据筛查方法的步骤。83.本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。84.本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。85.上述实施方式阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。86.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。87.通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的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)执行本技术各个实施方式的某些部分的方法。88.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。89.本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。90.虽然通过实施方式描绘了本技术，本领域普通技术人员知道，本技术有许多变形和变化而不脱离本技术的精神，希望所附的权利要求包括这些变形和变化而不脱离本技术的精神。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!