一种图片风险检测方法、装置、设备及介质
技术领域
本申请涉及计算机技术领域,尤其涉及一种图片风险检测方法、装置、设备及介质。
背景技术
互联网内容安全领域,图片风险检测一直都是至关重要的一个方面。目前主流的图片检测方案都是基于各种图片检测算法,每次检测图片时,将图片下载下来进行算法计算,然后得出风险结论。但是这种方案有一个共同的缺点就是耗时过长,一般在几百ms以上。如果对图片进行同步检测,在一些实时用户交互场景体验会很差,只能使用异步系统检测+人工审核的方式。这种异步方式对于很多有问题的图片增加了曝光时间,对于明确不需要检测的图片还会进行检测,浪费系统资源,另外,上述图片检测方案的检测准确率也较低。
基于以上内容,需要更有效和更高效的图片风险检测方案。
发明内容
本说明书实施例提供了一种图片风险检测方法、装置、设备及介质,用以解决如何更有效和更高效地进行图片风险检测的技术问题。
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供一种图片风险检测方法,包括:
对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配;
若是,则根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,根据所述可匹配对象确定所述待检测图片的风险检测结果;
若否,则将所述待检测图片的图片特征加入图片特征库,并对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
本说明书实施例提供一种图片风险检测装置,包括匹配模块、风险检测结果确定模块以及存库模块;
匹配模块,用于对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配;
若是,则所述匹配模块根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,所述风险检测结果确定模块根据所述可匹配对象确定所述待检测图片的风险检测结果;
若否,则所述存库模块将所述待检测图片的图片特征加入图片特征库,所述风险检测结果确定模块对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
本说明书实施例提供一种图片风险检测设备,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:
对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配;
若是,则根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,根据所述可匹配对象确定所述待检测图片的风险检测结果;
若否,则将所述待检测图片的图片特征加入图片特征库,并对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
本说明书实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如下的步骤:
对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配;
若是,则根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,根据所述可匹配对象确定所述待检测图片的风险检测结果;
若否,则将所述待检测图片的图片特征加入图片特征库,并对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
充分利用了已有图片风险检测结果并对已有图片风险检测结果不断进行扩容或更新,并将图片特征作为匹配内容,可以快速确定与待检测图片相匹配的图片,并根据匹配出的图片快速得到待检测图片的风险检测结果,有效降低图片风险检测耗时,提高图片风险检测准确率和检测效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对本说明书实施例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说明书中记载的一些实施例,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。
图1是本说明书第一个实施例提供的一种实际应用场景下的图片风险检测系统的示意图。
图2是本说明书第二个实施例提供的一种图片风险检测方法的流程示意图。
图3是本说明书第二个实施例提供的图片风险检测流程图。
图4是本说明书第三个实施例提供的图片特征匹配示意图。
图5是本说明书第三个实施例提供的图片风险检测示意图。
图6是本说明书第三个实施例提供的特征-指纹映射表示意图。
图7是本说明书第三个实施例提供的特征-指纹字典表示意图。
图8是本说明书第五个实施例提供的一种图片风险检测装置的结构示意图。
图9是本说明书第五个实施例提供的另一种图片风险检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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所有其他实施例,都应当属于本申请保护的范围。
现有技术中,用户在互联网上发布图片时,需要将图片下载下来进行算法计算,然后得出风险结论。如图1所示,在本说明书的第一个实施例中,用户在互联网上发布图片后,通过图片风险检测系统11确定待检测图片的图片特征,并确定待检测图片的图片特征是否与图片特征库中的已有的图片特征匹配。若是,则根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,根据所述可匹配对象确定所述待检测图片的风险检测结果;若否,则将所述待检测图片的图片特征加入图片特征库,并对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。本实施例充分利用了已有图片风险检测结果并对已有图片风险检测结果不断进行扩容或更新,并将图片特征作为匹配内容,可以快速确定与待检测图片相匹配的图片,并根据匹配出的图片快速得到待检测图片的风险检测结果,有效降低图片风险检测耗时,提高图片风险检测准确率和检测效率。
从程序角度而言,上述流程的执行主体可以为计算机或者服务器或者相应的图片风险检测系统等。另外,也可以由第三方应用客户端协助所述执行主体执行上述流程。
图2是本说明书第二个实施例提供的一种图片风险检测方法的流程示意图,图3是本说明书第二个实施例提供的图片风险检测流程图。结合图2和图3,本说明书第二个实施例提供的一种图片风险检测方法包括:
S101:对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配。
在本实施例中,图片的传播可以包括用户在互联网上发布、下载图片以及图片在不同网络服务器或者互联网存储介质中的迁移等,任何在网络中进行传播的图片都可以作为待检测图片。相应的,也可以指定某些图片作为待检测图片,例如在指定平台上指定时间段用户发布的图片,不同场景下的图片指定规则可能不同。当然,待检测图片也不一定局限于正在网络中进行传播的图片,也可以将某些没有传播行为的图片作为待检测图片。总之,在本实施例中,可以主要关注图片是否要进行风险检测,而不论图片的来源或者状态。
对于任一张待检测图片,不妨记为待检测图片A,可以确定待检测图片A的图片特征。本实施例中,图片特征可以是图片本身存在的特征或根据计算出的图片的特征值。具体的,图片特征的类型可以包括图片路径特征和/或图片MD5值和/或图片hash值(哈希值)。其中图片路径特征可以是图片的http(超文本传输协议)地址或图片所在的网络存储的存储ID;每个图片都可以计算出其MD5值,MD5值相同的图片则为一样的图片;hash值可以是深度学习出的精确一致hash值,同一图片进行简单的压缩、尺寸变化等,该值是不变的,比MD5值稳定性好一些。显然的,在实际场景下,上述图片特征都有实际值,即特征值,这一点不再反复强调。可以看出,若两张图片的一种或多种图片特征相同,则可以确定为相同或相似的图片。
在本实施例中,在确定待检测图片A的图片特征是否与图片特征库中的已有图片特征匹配时,可以将待检测图片A的图片路径特征与已有的图片路径特征匹配(其中http地址或存储ID可以分别匹配),将待检测图片A的MD5值与已有的MD5值匹配,将待检测图片A的hash值与已有的hash值匹配。当然,若有其他类型的图片特征也可以进行匹配。通过图片特征匹配,可以确定图片特征匹配结果,即是否有一种或多种已有图片特征与待检测图片的图片特征匹配。
S102:若是,则根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,根据所述可匹配对象确定所述待检测图片的风险检测结果;若否,则将所述待检测图片的图片特征加入图片特征库,并对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
仍沿用上例,如果待检测图片A的图片特征匹配结果不为空(即上述的“若是”),即待检测图片A的上述各种图片特征中至少有一种与已有的图片特征相同,说明之前已经有相同或相似的图片确定过图片特征以及做过风险检测(可以是同步和/或异步风险检测)。可以将与待检测图片A的图片特征相匹配的图片特征对应的图片作为待检测图片A的可匹配对象,即根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,并可以将可匹配对象的风险检测结果作为待检测图片A的风险检测结果。
如果匹配为空(即上述的“若否”),即待检测图片A的各种类型的图片特征都不与已有的图片特征相同,则可以将待检测图片A的图片特征加入图片特征库。也就是说,当要对待检测图片A之后的图片进行风险检测时,待检测图片A的图片特征就可以包含在前述的“已有图片特征”里了。
如果匹配结果为空,则对待检测图片A进行同步和/或异步风险检测,例如可以采用现有的图片检测算法,从而获得待检测图片A的风险检测结果。需要说明的是,不同的图片检测算法对风险的评价方式可能不同,因而待检测图片A的风险检测结果根据具体采用图片检测算法而定。
考虑可能出现的一种初始情况,即一开始图片特征库为空的情况,这种情况下,对于一个待检测图片,该待检测图片的图片特征的匹配结果为空,但是将该待检测图片的图片特征加入图片特征库后,图片特征库就不为空了。或者一开始就可以将某些图片特征放入图片特征库中,从而防止出现图片特征库为空的情况。
可以看出,图片特征匹配库是可以逐渐扩容的,并且其中的图片特征对应的图片都是有风险检测结果的,因为加入图片特征库的图片特征对应的图片都会经过同步和/或异步风险检测。需要说明的是,这里的有风险检测结果并不是确定图片绝对有风险或者绝对无风险或者绝对高风险或者绝对低风险。如前述,在不同的风险检测方法下,对于风险的评价方式可能不同,可能在一种风险检测方法下,某张图片可能有较高风险,而在另一种风险检测方法下,该张图片可能风险相对较低。
进一步,在将待检测图片A的图片特征与已有图片特征进行匹配时,可以确定各类型图片特征的匹配优先级,根据优先级高低确定匹配顺序,优先级高的图片特征先进行匹配,优先级低的图片特征后进行匹配。在确定图片特征的匹配优先级时,可以按照各种类型的图片特征的获取难度和/或覆盖范围(覆盖率)。例如,若图片特征有图片路径特征、图片MD5值、图片hash值三种,对于图片特征的获取难度来说,图片路径特征>MD5值>hash值。另外hash值一样的图片,路径特征和MD5值不一定一样;MD5值一样的图片,hash值是一样的,但路径特征不一定一样;路径特征一样的图片,MD5值和hash值是一样的,因此可以确定三种图片特征的匹配优先级由高到低分别为图片路径特征、MD5值、hash值,即图片路径特征匹配优先级>MD5值匹配优先级>hash值匹配优先级。当然,也可以根据其他标准来确定各种图片特征的匹配优先级。在按匹配优先级依次对各类型图片特征进行匹配的情况下,若匹配优先级高的图片特征的匹配结果不为空,则可以不进行匹配优先级低的图片特征的匹配,或者只要有一种图片特征的匹配结果不为空,则可以不进行匹配优先级在该种图片特征之后的图片特征的匹配。
本实施例充分利用了已有图片风险检测结果并对已有图片风险检测结果不断进行扩容或更新,并将图片特征作为待检测图片的匹配内容,可以快速确定与待检测图片相匹配的图片,并根据匹配出的图片快速得到待检测图片的风险检测结果,有效降低图片风险检测耗时,提高图片风险检测准确率和检测效率。经统计,本实施例中匹配结果不为空的待检测图片的风险检测耗时在10ms以下,检测准确率在99%以上,检测效率大幅度提升,用户体验增强,有效降低了风险图片暴露在外或传播的情况的发生,尤其适用于大规模的图片风险检测,适合工程化使用。
图4是本说明书第三个实施例提供的图片特征匹配示意图,图4着重图片风险特征与图片指纹;图5是本说明书第三个实施例提供的图片风险检测示意图,图5相比图4还涉及了图片的同步和/或异步风险检测。本说明书的第三个实施方式是在第二个实施方式的基础上,对于任一图片,若该图片的图片特征加入了图片特征库,则生成该图片的图片指纹。图片指纹是用于标示一张图片的ID,和图片存储介质无关,只和图片内容本身有关,相同内容的图片的图片指纹应该是一样的。在本实施例中,图片指纹可以是随机的字符串。在生成图片的图片指纹后,可以建立图片的图片指纹与图片的图片特征之间的映射,即对于一张图片来说,其图片指纹与其图片特征以及特征值是相对应的,或者说其各类型图片特征和特征值都映射到其图片指纹。另外,一张图片的存库时间、过期时间、风险检测结果、在哪些场景下生效等数据也都可以与其图片指纹对应(不排除还有其他数据)。可以看出,一张图片的图片指纹对应了该图片的若干种数据,图片指纹就可以代表该图片,因而前述的可匹配对象可以是图片指纹。一张图片的各类型图片特征以及特征值、存库时间、过期时间、风险检测结果、在哪些场景下生效等数据都对应到该图片的图片指纹,也相当于在这些数据之间通过指纹建立了对应关系。对于一个图片指纹来说,其所对应的上面这些数据可以称作图片指纹详情。
可以看出,在建立了图片指纹后,可以通过图片指纹来维护图片的上述各种数据,例如可以新建某种数据与图片指纹的映射;当某种数据发生变动时,可以修改或重建其与图片指纹的映射。相对于上述各种数据之间一一建立对应关系的情况下,某种数据发生变动,需要修改或重建该种数据与其他各种数据的映射,各种数据统一对应到图片指纹这种方式更加便捷,处理效率更高。
图片特征库中的图片特征都可以建立与对应的图片指纹的映射,从而可以形成特征-指纹映射表,并且可以是rowkey到hbase的映射表,即将特征-指纹映射关系写入hbase。图6为本实施例中特征-指纹映射表示意图,图6中上方矩形框内表示图片指纹,下方矩形框内表示图片指纹详情。如前述,这里的图片指纹详情包括图片指纹对应的各项图片特征、特征值、(在映射表中的)创建时间、过期时间以及风险检测结果等,本实施例中有三种图片特征。图7为本实施例中特征-指纹映射字典表示意图,图7中的“key”是根据图片特征类型和特征值计算出来的,“value”代表图片指纹。
需要说明的是,图片指纹可以代表图片,图片的风险检测结果可以看做图片指纹的风险检测结果。由于加入图片特征库的图片都有风险检测结果,因而特征-指纹映射表中的图片指纹都有风险检测结果。
仍沿用上例,对于待检测图片A,将其图片特征与已有的图片特征匹配,若匹配结果不为空,说明之前已经有相同或相似的图片做过风险检测,根据匹配到的已有图片特征,通过上述的映射关系可以快速找到对应的图片指纹,不妨记为图片指纹B,则可以直接返回图片指纹B的图片指纹详情。可以用图片指纹B的图片指纹详情中的部分或全部内容来代表待检测图片A的相应内容。
由于图片指纹B已经有风险检测结果,例如有风险或者无风险,因而就可以根据图片指纹B的风险检测结果确定待检测图片A的风险检测结果,例如若图片指纹B有风险则确定待检测图片A也有风险,若图片指纹B无风险则确定待检测图片A也无风险。
对于待检测图片A,若其匹配结果为空,则生成待检测图片A的图片指纹,如上建立待检测图片A的各项数据与待检测图片A的图片指纹的对应,并加入上述的特征-指纹映射表。
对于经过同步和/或异步风险检测的图片来说,根据风险检测结果可以形成图片指纹的黑名单和白名单,即将有风险的图片指纹加入黑名单中,将没有风险的图片指纹加入白名单中。这样,若能够找到与待检测图片A匹配的上述图片指纹B,则返回的图片指纹B的图片指纹详情中还可以包括图片指纹B所在的名单类型,例如黑名单或者白名单。
本说明书的第四个实施例中,可以根据风险检测结果对待检测图片进行管控。例如,若待检测图片的风险检测结果为有风险,则可以对图片采取管控措施。仍沿用上例,若待检测图片A的风险检测结果为有风险或风险较高或者待检测图片A的可匹配对象位于黑名单中,则可以直接对待检测图片A进行拦截,例如拦截用户的上传、下载行为、拦截待检测图片A在不同存储介质之间的迁移以及直接将图片A删除等。若待检测图片A的风险检测结果为无风险或风险较低或者待检测图片A的可匹配对象位于白名单中,则待检测图片A可以进行传播。
需要说明的是,在对图片进行了同步和/或异步风险检测后,可能对图片是否有风险不太容易界定。例如某些图片风险检测算法会利用分值来评价图片的风险,得分达到和/或高于某阈值的图片为有风险,得分达到和/或低于另一阈值的图片为无风险。若上述两阈值不同,而图片得分在两阈值之间,则不太容易界定图片是否有风险。可以对风险不确定的图片再进行人工审核,然后根据人工审核结果可以自动将图片归为有风险或无风险或者自动将图片或图片指纹加入黑名单或者白名单。黑名单和白名单都是可以维护的,里面的元素可以增减。
在实际情况下,一般每天都有大量的图片需要检测,甚至对于相同或相似或同一张图片来说,其每天可能发生多次传播行为,例如被用户多次上传或者下载,因而每天的图片检测量极大。通过上面的实施例可以看出,对于任一图片,若其图片特征加入了图片特征库,则不管后续有多少图片会进行风险检测,该图片在图片特征库中的图片特征以及该图片的图片指纹都不需要变动,该图片的图片特征与图片指纹的映射关系都不需要变动,可以直接使用,即不需要后续每次有图片需要进行风险检测时都重新确定该图片的图片特征、图片指纹以及图片特征与图片指纹的映射关系,因而可以有效提高图片风险检测效率。
基于同样的思路,如图8所示,本说明书第五个实施例提供了一种图片风险检测装置,包括匹配模块201、风险检测结果确定模块202以及存库模块203;
匹配模块201,用于对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配;
若是,则所述匹配模块201根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,所述风险检测结果确定模块202根据所述可匹配对象确定所述待检测图片的风险检测结果;
若否,则所述存库模块203将所述待检测图片的图片特征加入图片特征库,所述风险检测结果确定模块202对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
可选的,所述图片特征的类型包括图片路径特征和/或MD5值和/或hash值。
可选的,所述图片路径特征包括图片http地址或图片存储ID。
可选的,所述图片特征的匹配优先级由高到低分别为图片路径特征、MD5值、hash值。
可选的,确定所述待检测图片的图片特征是否与已有图片特征匹配包括:
确定所述待检测图片是否至少有一种类型的图片特征与已有图片特征匹配。
可选的,与所述待检测图片的图片特征相匹配的图片特征对应的图片为所述待检测图片的可匹配对象。
可选的,对任一图片,若该图片的图片特征加入了图片特征库,则所述存库模块203生成该图片的图片指纹,并建立该图片的图片指纹与该图片的图片特征的映射。
可选的,根据相匹配的已有图片特征确定所述待检测图片的可匹配对象包括:
确定与所述待检测图片的图片特征匹配的图片特征对应的图片指纹;
将所述图片指纹对应的图片作为所述待检测图片的可匹配对象。
可选的,根据所述待检测图片的可匹配对象确定所述待检测图片的风险检测结果包括:
将所述可匹配对象的风险检测结果作为所述待检测图片的风险检测结果。
可选的,如图9所示,所述装置还包括:
管控模块204,用于根据风险检测结果对所述待检测图片进行管控。
可选的,所述管控包括拦截所述待检测图片的传播。
基于同样的思路,本说明书第六个实施例提供了一种图片风险检测设备,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:
对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配;
若是,则根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,根据所述可匹配对象确定所述待检测图片的风险检测结果;
若否,则将所述待检测图片的图片特征加入图片特征库,并对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
基于同样的思路,本说明书第七个实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现如下的步骤:
对任意或指定的待检测图片,确定所述待检测图片的图片特征是否与图片特征库中的已有图片特征匹配;
若是,则根据相匹配的已有图片特征确定所述待检测图片的可匹配对象,根据所述可匹配对象确定所述待检测图片的风险检测结果;
若否,则将所述待检测图片的图片特征加入图片特征库,并对所述待检测图片进行同步和/或异步风险检测,确定所述待检测图片的风险检测结果。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、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。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
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,在实施本说明书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。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书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说明书,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。