基于贝叶斯惩罚特征选择的SQL注入攻击检测方法

摘要

本发明的实施例提供了一种基于贝叶斯惩罚特征选择的SQL注入攻击检测方法。所述方法包括获取SQL注入攻击样本数据，并进行预处理；将预处理后的SQL注入攻击样本数据进行特征提取，得到特征流；通过改进的贝叶斯算法对所述特征流中的特征进行分类，得到潜在子集和激活子集；利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，得到SQL注入攻击数据。以此方式，可以高效的筛选出就具有稀疏性的数据中筛选出有用特征，并且在特征空间发生变化时，及时根据最新的特征空间进行建模，从而更能适应当今的大数据以及在线流特征数据的情况。

权利要求

1.一种基于贝叶斯惩罚特征选择的SQL注入攻击检测方法，其特征在于，包括：获取SQL注入攻击样本数据，并进行预处理；

将预处理后的SQL注入攻击样本数据进行特征提取，得到特征流；

通过改进的贝叶斯算法对所述特征流中的特征进行分类，得到潜在子集和激活子集；

利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，得到SQL注入攻击数据；

所述通过改进的贝叶斯算法对所述特征流中的特征进行分类，包括：初始化潜在子集和激活子集；

从所述特征流中依次获取特征，判断所述特征与响应变量是否相关，若不相关，则将所述特征丢弃；

若所述特征与响应变量相关，则对所述特征进行梯度测试，并判断所述特征是否通过所述梯度测试，若通过，则将该特征加入所述潜在子集中；否则将该特征剔除。

2.根据权利要求1所述的方法，其特征在于，所述预处理，包括：对所述SQL注入攻击样本数据进行噪声去除、缺失值处理、编码转换、相同数据去重中的一种或多种操作，得到一次预处理结果；

从所述一次预处理结果中提取关键字段，并对所述关键字段进行泛化处理，得到二次预处理结果；

将所述二次预处理结果的文本数据进行分词处理，得到预处理后的SQL注入攻击样本数据。

3.根据权利要求1所述的方法，其特征在于，所述特征提取，包括：通过预训练语言模型对预处理后的SQL注入攻击样本数据进行特征编码，提取语义信息，得到特征流。

4.根据权利要求1所述的方法，其特征在于，还包括：当所述潜在子集中的特征个数增加时，遍历所述潜在子集中的所有特征进行梯度测试，将通过梯度测试的特征加入所述激活子集中，将未通过梯度测试的特征剔除；以及遍历当前激活子集中的所有特征进行梯度测试，将通过梯度测试的特征留在激活子集中，将未能通过梯度测试的特征剔除；直至所述激活子集中的所有特征均为通过梯度测试的特征，遍历特征流中的下一特征；若遍历完所述特征流中的全部特征，则分类结束。

5.根据权利要求1或4所述的方法，其特征在于，所述梯度测试，包括：其中，  为第j个特征  的系数，其中  表示序列数；  为损失函数；  为伪正则化参数，通过  进行更新，  为关键特征的个数，其中将系数值是非零的特征作为关键特征。

6.根据权利要求1所述的方法，其特征在于，所述判断所述特征与响应变量是否相关，包括：计算特征  与响应变量  的相关性  ，若相关性  满足 ，  为预设值，则所述特征与响应变量不相关；若相关性  满足 ，则所述特征与响应变量相关。

7.根据权利要求1所述的方法，其特征在于，所述利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，包括：通过Pearson相关系数算法计算所述激活子集中每个特征的皮尔森相关系数  ，将 的特征作为具有相关性的特征，从所述激活子集中剔除。

8.一种基于贝叶斯惩罚特征选择的SQL注入攻击检测装置，其特征在于，包括：预处理模块，用于获取SQL注入攻击样本数据，并进行预处理；

特征提取模块，用于将预处理后的SQL注入攻击样本数据进行特征提取，得到特征流；

分类模块，用于通过改进的贝叶斯算法对所述特征流中的特征进行分类，得到潜在子集和激活子集；所述通过改进的贝叶斯算法对所述特征流中的特征进行分类，包括：初始化潜在子集和激活子集；

从所述特征流中依次获取特征，判断所述特征与响应变量是否相关，若不相关，则将所述特征丢弃；

若所述特征与响应变量相关，则对所述特征进行梯度测试，并判断所述特征是否通过所述梯度测试，若通过，则将该特征加入所述潜在子集中；否则将该特征剔除；

剔除模块，用于利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，得到SQL注入攻击数据。

9.一种电子设备，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；其特征在于，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权利要求1‑7中任一项所述的方法。

说明书

基于贝叶斯惩罚特征选择的SQL注入攻击检测方法

技术领域

[0001] 本发明一般涉及网络安全领域，并且更具体地，涉及一种基于贝叶斯惩罚特征选择的SQL注入攻击检测方法。

背景技术

[0002] SQL注入攻击是web安全防御所面临的最常见攻击手段。攻击者利用web网站没有细致过滤访问者提交的SQL语句的漏洞，构造特殊的输入参数作为访问请求的一部分，通过绕过服务器防护执行恶意SQL命令的方式，获取web服务器系统信息、拷贝或删除文件、操作数据库、甚至提升权限以进行更多恶意行为。

[0003] 传统的web防护技术可以采用特征检测的方法检测SQL注入，即在特定的访问请求URI识别特定的注入参数，根据存在SQL注入漏洞的web服务器类型和版本的不同，编写成千上万的检测规则，且这些规则只能防御已经发现的web服务器上的SQL注入攻击；同时其检测特征也缺乏普适性，难以防御更为复杂的服务器漏洞SQL注入和0day注入攻击。

发明内容

[0004] 根据本发明的实施例，提供了一种基于贝叶斯惩罚特征选择的SQL注入攻击检测方案。本方案能够在具有稀疏性的数据中有效的筛选出有用特征，同时排除相关性高的特征，实现SQL注入攻击检测。

[0005] 在本发明的第一方面，提供了一种基于贝叶斯惩罚特征选择的SQL注入攻击检测方法。该方法包括：

[0006] 获取SQL注入攻击样本数据，并进行预处理；

[0007] 将预处理后的SQL注入攻击样本数据进行特征提取，得到特征流；

[0008] 通过改进的贝叶斯算法对所述特征流中的特征进行分类，得到潜在子集和激活子集；

[0009] 利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，得到SQL注入攻击数据。

[0010] 进一步地，所述预处理，包括：

[0011] 对所述SQL注入攻击样本数据进行噪声去除、缺失值处理、编码转换、相同数据去重中的一种或多种操作，得到一次预处理结果；

[0012] 从所述一次预处理结果中提取关键字段，并对所述关键字段进行泛化处理，得到二次预处理结果；

[0013] 将所述二次预处理结果的文本数据进行分词处理，得到预处理后的SQL注入攻击样本数据。

[0014] 进一步地，所述特征提取，包括：

[0015] 通过预训练语言模型对预处理后的SQL注入攻击样本数据进行特征编码，提取语义信息，得到特征流。

[0016] 进一步地，所述通过改进的贝叶斯算法对所述特征流中的特征进行分类，包括：

[0017] 初始化潜在子集和激活子集；

[0018] 从所述特征流中依次获取特征，判断所述特征与响应变量是否相关，若不相关，则将所述特征丢弃；

[0019] 若所述特征与响应变量相关，则对所述特征进行梯度测试，并判断所述特征是否通过所述梯度测试，若通过，则将该特征加入所述潜在子集中；否则将该特征剔除。

[0020] 进一步地，所述方法还包括：

[0021] 当所述潜在子集中的特征个数增加时，遍历所述潜在子集中的所有特征进行梯度测试，将通过梯度测试的特征加入所述激活子集中，将未通过梯度测试的特征剔除；以及遍历当前激活子集中的所有特征进行梯度测试，将通过梯度测试的特征留在激活子集中，将未能通过梯度测试的特征剔除；直至所述激活子集中的所有特征均为通过梯度测试的特征，遍历特征流中的下一特征；若遍历完所述特征流中的全部特征，则分类结束。

[0022] 进一步地，所述梯度测试，包括：

[0023]

[0024] 其中，  为第j个特征  的系数，其中  表示序列数；  为损失函数；  为伪正则化参数，通过  进行更新，  为关键特征的个数，其中将系数值是非零的特征作为关键特征。

[0025] 进一步地，所述判断所述特征与响应变量是否相关，包括：

[0026] 计算特征  与响应变量  的相关性  ，若相关性  满足 ，  为预设值，则所述特征与响应变量不相关；若相关性  满足 
，则所述特征与响应变量相关。

[0027] 进一步地，所述利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，包括：

[0028] 通过Pearson相关系数算法计算所述激活子集中每个特征的皮尔森相关系数  ，将  的特征作为具有相关性的特征，从所述激活子集中剔除。

[0029] 在本发明的第二方面，提供了一种基于贝叶斯惩罚特征选择的SQL注入攻击检测装置。该装置包括：

[0030] 预处理模块，用于获取SQL注入攻击样本数据，并进行预处理；

[0031] 特征提取模块，用于将预处理后的SQL注入攻击样本数据进行特征提取，得到特征流；

[0032] 分类模块，用于通过改进的贝叶斯算法对所述特征流中的特征进行分类，得到潜在子集和激活子集；

[0033] 剔除模块，用于利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，得到SQL注入攻击数据。

[0034] 在本发明的第三方面，提供了一种电子设备。该电子设备至少一个处理器；以及与所述至少一个处理器通信连接的存储器；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本发明第一方面的方法。

[0035] 应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

附图说明

[0036] 结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

[0037] 图1示出了根据本发明的实施例的基于贝叶斯惩罚特征选择的SQL注入攻击检测方法的流程图；

[0038] 图2示出了根据本发明的实施例的改进的贝叶斯算法流程图；

[0039] 图3示出了根据本发明的实施例的基于贝叶斯惩罚特征选择的SQL注入攻击检测装置的方框图；

[0040] 图4示出了能够实施本发明的实施例的示例性电子设备的方框图；

[0041] 其中，400为电子设备、401为CPU、402为ROM、403为RAM、404为总线、405为I/O接口、406为输入单元、407为输出单元、408为存储单元、409为通信单元。

具体实施方式

[0042] 为使本发明实施例的目的、技术方案和优点更加清楚，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全部其他实施例，都属于本发明保护的范围。

[0043] 另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

[0044] 图1示出了本发明实施例的基于贝叶斯惩罚特征选择的SQL注入攻击检测方法的流程图。

[0045] 该方法包括：

[0046] S101、获取SQL注入攻击样本数据，并进行预处理。

[0047] 作为本发明的一种实施例，可以利用互联网抓取和分析平台从网络上获取公开的SQL注入攻击样本。

[0048] 具体地，可以收集包含SQL注入和真实查询字符串的开源数据集：例如github上有很多web攻击的数据集包含SQL注入的攻击载荷。还可以通过扫描工具收集：网络上专用SQL注入渗透工具例如括SQLMAP、MOLE，以及其他多功能扫描器例如ZAP、Acunetix等，可疑抓取不同使用场景下的SQL注入攻击的攻击载荷。

[0049] 由于对机器学习算法而言，数据的质量对特征提取及训练模型都非常重要。故需要对原始日志数据及开源项目获取文本数据的预处理。

[0050] 作为本发明的一种实施例，所述预处理，包括：

[0051] 对所述SQL注入攻击样本数据进行噪声去除、缺失值处理、编码转换、相同数据去重中的一种或多种操作，得到一次预处理结果。

[0052] 由于训练过程中使用的数据基本都经过了URL编码（有可能多重编码），因此需进行URL循环解码，且为减少数字和其他噪音对样本数据的影响，从所述一次预处理结果中提取关键字段，例如uri、referrer、user agent和cookie等，并对所述关键字段进行泛化处理，例如，如移除注释、处理链接和将数字替换为0等，得到二次预处理结果。

[0053] 将所述二次预处理结果的文本数据进行分词处理，得到预处理后的SQL注入攻击样本数据。分词是自然语言处理的基础，根据现有的分词处理方法对文本数据进行分词处理即可。

[0054] S102、将预处理后的SQL注入攻击样本数据进行特征提取，得到特征流。

[0055] 所述特征提取，包括：

[0056] 通预训练语言模型对预处理后的SQL注入攻击样本数据进行特征编码，提取语义信息，得到特征流。

[0057] 在本实施例中，所述预训练语言模型可以是Bert或Albert预训练语言模型。

[0058] 通过Bert或Albert预训练语言模型能够对文本进行特征编码，来提取具有上下文语义信息甚至语法结构的特征表达，丰富表征能力，有利于分类模型进行检测识别SQL注入。

[0059] S103、通过改进的贝叶斯算法对所述特征流中的特征进行分类，得到潜在子集和激活子集。

[0060] 改进的贝叶斯算法为：

[0061] 定义1：假设特征  ，给定响应变量  ；如果相关性  ，则特征  与响应变量 不相关。

[0062] 定理1：如果一个特征  与响应变量  不相关，则从惩罚模型中拒绝特征  。

[0063] 对于定理1的证明：如果一个特征  与响应变量  的相关性  ，则。对于每个给定的正则化参数  ，有  。根据KKT条件，可以在预测
模型中得到相应的系数  。因此，可以安全地拒绝特征  。

[0064] 根据定理1可以定义出规则1（R1）：如果特性与响应变量无关，该特性将被拒绝。

[0065] 我们可以使用特征和响应变量之间的相关性  来判断特征与响应变量之间的相关性。在本实施例中，使用  ，（  预设值）来代替  。

[0066] 惩罚模型可以表示为：

[0067]   （1）

[0068]  其中  是损失函数；  ；  的后验分布，惩罚模型的参数可以表示为：

[0069]    （2）

[0070] 模型参数的先验  由拉普拉斯分布给出：

[0071]    （3）

[0072] 其中，  是关键特征的个数，其中将系数值是非零的特征作为关键特征。

[0073] 模型参数的先验分布是通过边缘化  给出的：

[0074]    （4）

[0075] 由于λ是一个尺度参数，对应于log λ上的均匀先验，可得：

[0076]   （5）

[0077]  使用 Gamma 积分，得到：  ；公式（1）可以修改为：

[0078]   （6）

[0079] 对公式(6)中的非零数n进行估计，区分原始和修改后的训练标准，得到：

[0080]   （7）

[0081]  其中，  为伪正则化参数，通过  进行更新；  是关键特征的个数。

[0082] 伪正则化参数  根据以下公式调节：

[0083]

[0084]   为第j个特征  的系数，其中  表示序列数。

[0085] 定义规则2（R2）：如果特征通过梯度测试，则该特征被拒绝。

[0086] 作为本发明的一种实施例，所述通过改进的贝叶斯算法对所述特征流中的特征进行分类，如图2所示，包括：

[0087] S201、初始化潜在子集和激活子集。所述潜在子集用于获取通过梯度测试的特征；所述激活子集用于获取未通过梯度测试的特征。

[0088] 在本实施例中，潜在子集表示为P={}，激活子集表示为A={}。

[0089] S202、从所述特征流中依次获取特征，判断所述特征与响应变量是否相关，若不相关，则将所述特征丢弃。

[0090] 在本实施例中，所述判断所述特征与响应变量是否相关，包括：

[0091] 计算特征  与响应变量  的相关性  ，若相关性  满足 ，  为预设值，则所述特征与响应变量不相关；若相关性  满足 
，则所述特征与响应变量相关。

[0092]  S203、若所述特征与响应变量相关，则对所述特征进行梯度测试，并判断所述特征是否通过所述梯度测试，若通过，则将该特征加入所述潜在子集中；否则将该特征剔除。

[0093] 进一步地，为了使在线特征选择的优化结果与批量学习的优化结果一致，当所述潜在子集中的特征个数增加时，遍历所述潜在子集中的所有特征进行梯度测试，将通过梯度测试的特征加入所述激活子集中，将未通过梯度测试的特征剔除。同时，遍历当前激活子集中的所有特征进行梯度测试，将通过梯度测试的特征留在激活子集中，将未能通过梯度测试的特征剔除；直至所述激活子集中的所有特征均为通过梯度测试的特征，遍历特征流中的下一特征；若遍历完所述特征流中的全部特征，则分类结束。

[0094] 所述梯度测试，包括：

[0095]

[0096] 其中， 为特征  的系数； 为损失函数； 为伪正则化参数，通过 进行更新，  为关键特征的个数，其中将系数值是非零的特
征作为关键特征。

[0097]  S104、利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，得到SQL注入攻击数据。

[0098] 所述Pearson相关系数计算如下：

[0099]

[0100] Pearson相关系数衡量的是线性相关关系。若r=0，只能说x与y之间无线性相关关系，不能说无相关关系。相关系数的绝对值越大，相关性越强：相关系数越接近于1或‑1，相关度越强，相关系数越接近于0，相关度越弱。在本实施例中，将  的特征作为具有相关性的特征。

[0101] 作为本发明的一种实施例，通过Pearson相关系数算法计算所述激活子集A中每个特征的皮尔森相关系数  ，将  的特征作为具有相关性的特征，从所述激活子集A中剔除。将剔除后剩余的激活子集A中的特征作为SQL注入攻击数据。

[0102] 根据本发明的实施例，能高效的筛选出就具有稀疏性的数据中筛选出有用特征，并且在特征空间发生变化时，及时根据最新的特征空间进行建模，从而更能适应当今的大数据以及在线流特征数据的情况。

[0103] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。

[0104] 以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

[0105] 如图3所示，装置300包括：

[0106] 预处理模块310，用于获取SQL注入攻击样本数据，并进行预处理；

[0107] 特征提取模块320，用于将预处理后的SQL注入攻击样本数据进行特征提取，得到特征流；

[0108] 分类模块330，用于通过改进的贝叶斯算法对所述特征流中的特征进行分类，得到潜在子集和激活子集；

[0109] 剔除模块340，用于利用Pearson相关系数算法将所述激活子集中具有相关性的特征剔除，得到SQL注入攻击数据。

[0110] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0111] 本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

[0112] 根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。

[0113] 图4示出了可以用来实施本发明的实施例的电子设备400的示意性框图。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。

[0114] 设备400包括计算单元401，其可以根据存储在只读存储器（ROM）402中的计算机程序或者从存储单元408加载到随机访问存储器（RAM）403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。

[0115] 设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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。

[0116] 计算单元401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。计算单元401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计算单元、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。计算单元401执行上文所描述的各个方法和处理，例如方法S101 S104。例如，在一些实施例中，方法S101 S104可被实现为计算机软件程序，~ ~其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的方法S101 S104的一个~
或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法S101 S104。
~

[0117] 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。

[0118] 用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

[0119] 在本发明的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。

[0120] 为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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。

[0121] 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）和互联网。

[0122] 计算机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，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

[0123] 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。

[0124] 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。