发明内容
本申请的第一个方面公开了一种基于大数据和区块链的支付数据处理方法,包括:
获取待处理的在线业务数据;对所述在线业务数据中各个支付业务数据依次进行业务行为分析,得到与每个支付业务数据对应的业务标签集,其中,所述业务标签集中包括所述支付业务数据的至少两个业务标签;
根据所述业务标签集对所述在线业务数据中的全部支付业务数据进行聚类,得到第一支付业务数据列表,其中,所述第一支付业务数据列表中记录有所述在线业务数据中包含的多个支付环境分别对应的支付业务数据序列,每个支付业务数据序列中的首个支付业务数据为所述支付环境的关键支付业务数据;
依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度;在所述数据校验结果的关联度达到设定条件的情况下,将所述关键支付业务数据所在第一支付环境中的支付业务数据序列,合并到所述参考支付业务数据所在第二支付环境中的支付业务数据序列中,以将所述第一支付业务数据列表更新为第二支付业务数据列表;
按照所述第二支付业务数据列表对所述在线业务数据进行支付业务数据分析;根据所述在线业务数据对应的数据分析结果,确定与所述在线业务数据对应的至少两个区块链支付设备的设备安全性。
优选地,所述对所述在线业务数据中各个支付业务数据依次进行业务行为分析,得到与每个支付业务数据对应的业务标签集包括:
依次将所述在线业务数据中的每个支付业务数据作为当前支付业务数据,以执行以下业务行为分析操作,直至遍历所述在线业务数据中的全部支付业务数据:将所述当前支付业务数据中各个支付业务节点数据映射至目标业务行为特征集中,以得到所述各个支付业务节点数据在所述目标业务行为特征集内各个节点类型数据的标签描述值,其中,所述目标业务行为特征集包括至少两个节点类型数据;根据所述各个支付业务节点数据的所述节点类型数据的标签描述值,确定与所述当前支付业务数据匹配的所述业务标签集。
优选地,所述根据所述各个支付业务节点数据的所述节点类型数据的标签描述值,确定与所述当前支付业务数据匹配的所述业务标签集包括:
获取所述各个支付业务节点数据的第x个节点类型数据的标签描述值所对应的实时标签,得到所述当前支付业务数据的第x个业务标签,其中,所述x为大于等于1,小于等于i的整数,所述i为所述目标业务行为特征集中所述节点类型数据的数量,所述i为正整数。
优选地,所述根据所述业务标签集对所述在线业务数据中的全部支付业务数据进行聚类,得到第一支付业务数据列表包括:
获取所述业务标签集中各个业务标签的关联业务标签,将所述业务标签的关联业务标签作为与所述支付业务数据匹配的目标业务标签;
依次比对相邻两个支付业务数据各自对应的目标业务标签,得到比对结果;
根据所述比对结果对全部支付业务数据进行聚类,得到所述第一支付业务数据列表;
其中,依次比对相邻两个支付业务数据各自对应的目标业务标签,得到比对结果包括:
获取第y+1个支付业务数据的目标业务标签与第y个支付业务数据的目标业务标签的业务类别互斥度,其中,所述y为大于等于1,小于等于j-1的整数,所述j为所述在线业务数据中支付业务数据的数量;
比对所述业务类别互斥度与相似度阈值,得到所述比对结果;
所述根据所述比对结果对全部支付业务数据进行聚类,得到所述第一支付业务数据列表包括:在所述比对结果指示所述业务类别互斥度小于所述相似度阈值的情况下,确定所述第y+1个支付业务数据与所述第y个支付业务数据为同一个支付环境,则将所述第y+1个支付业务数据添加到所述第y个支付业务数据所在的支付业务数据序列中;
在所述比对结果指示所述业务类别互斥度大于等于所述相似度阈值的情况下,确定所述第y+1个支付业务数据与所述第y个支付业务数据并非同一个支付环境,则为所述第y+1个支付业务数据创建新的支付业务数据序列。
优选地,所述依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度包括:
获取所述关键支付业务数据的关键支付业务处理记录和所述参考支付业务数据的参考支付业务处理记录;
获取所述关键支付业务处理记录与所述参考支付业务处理记录之间的处理记录重复率,其中,所述数据校验结果的关联度包括所述处理记录重复率;
获取所述关键支付业务数据和所述参考支付业务数据中的有效业务数据;
获取所述有效业务数据在所述关键支付业务数据中的第一业务优先级和所述有效业务数据在所述参考支付业务数据中的第二业务优先级,其中,所述数据校验结果的关联度包括所述第一业务优先级和所述第二业务优先级;
其中,所述获取所述关键支付业务数据的关键支付业务处理记录和所述参考支付业务数据的参考支付业务处理记录包括:
对所述关键支付业务数据和所述参考支付业务数据分别进行业务数据筛分,得到候选关键支付业务数据和候选参考支付业务数据;
将所述候选关键支付业务数据输入预先训练完成的业务记录提取模型,以得到所述关键支付业务处理记录,并将所述候选参考支付业务数据输入所述预先训练完成的业务记录提取模型,以得到所述参考支付业务处理记录,其中,所述预先训练完成的业务记录提取模型为利用多组样本业务数据对及对应的业务标签进行深度学习后所得到的用于生成业务记录的支付业务处理记录的神经网络,所述多组样本业务数据对中的每组样本业务数据对包括样本业务事件中第一样本支付环境中的第一个样本业务数据和第二样本支付环境的最后一个样本业务数据,所述第二样本支付环境与所述第一样本支付环境相邻且位于所述第一样本支付环境之前,所述业务标签包括所述第一个样本业务数据的支付环境标签及所述最后一个样本业务数据的支付环境标签;
其中,在所述获取待处理的在线业务数据之前,还包括:
获取多个所述样本业务事件,并提取每个所述样本业务事件中的所述多组样本业务数据对;
将每组样本业务数据对作为当前组样本业务数据对,执行以下操作,直至达到所述预先训练完成的业务记录提取模型的预设指标条件:
将所述当前组样本业务数据对中的所述第一样本支付环境中的第一个样本业务数据输入第一目标业务记录提取模型中,以得到第一支付业务处理记录,并将所述当前组样本业务数据对中的所述第二样本支付环境中的最后一个样本业务数据输入第二目标业务记录提取模型中,以得到第二支付业务处理记录,其中,所述预先训练完成的业务记录提取模型训练时使用两个相对应的训练网络拓扑,所述两个相对应的训练网络拓扑包括所述第一目标业务记录提取模型和所述第二目标业务记录提取模型,且所述第一目标业务记录提取模型和所述第二目标业务记录提取模型共享训练样本和训练权重值;
获取所述第一支付业务处理记录及所述第二支付业务处理记录之间的处理记录重复率,将所述第一支付业务处理记录及所述第二支付业务处理记录之间的处理记录重复率作为业务配对率;
将所述业务配对率及所述业务标签输入业务记录评价函数,以计算得到当前业务评价值;获取所述当前业务评价值及所述当前业务评价值的上一个业务评价值的业务评价值差值;
在所述业务评价值差值指示所述两个相对应的训练网络拓扑达到所述预设指标条件的情况下,则将当前完成训练的所述第一目标业务记录提取模型或所述第二目标业务记录提取模型作为所述预先训练完成的业务记录提取模型。
优选地,所述获取所述关键支付业务数据和所述参考支付业务数据中的有效业务数据包括:
将所述关键支付业务数据转换为关键支付业务数据特征集,并将所述参考支付业务数据转换为参考支付业务数据特征集;
采用特征维度不变的特征提取模型,从所述关键支付业务数据特征集中提取关键业务特征集,并从所述参考支付业务数据特征集中提取参考业务特征集;
比对所述关键业务特征集和所述参考业务特征集,以获取所述有效业务数据;
其中,在所述依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度之后,还包括:
在所述处理记录重复率大于设定重复率阈值的情况下,确定所述数据校验结果的关联度达到所述设定条件;在所述处理记录重复率小于等于所述设定重复率阈值,所述第一业务优先级大于第一优先级阈值且所述第二业务优先级大于第二优先级阈值的情况下,确定所述数据校验结果的关联度达到所述设定条件;
在所述处理记录重复率小于等于所述设定重复率阈值,且所述第一业务优先级小于等于所述第一优先级阈值的情况下,确定所述数据校验结果的关联度并未达到所述设定条件,保留所述关键支付业务数据所在所述第一支付环境中的支付业务数据序列;
在所述处理记录重复率小于等于所述设定重复率阈值,且所述第二业务优先级小于等于所述第二优先级阈值的情况下,确定所述数据校验结果的关联度并未达到所述设定条件,保留所述关键支付业务数据所在所述第一支付环境中的支付业务数据序列。
优选地,按照所述第二支付业务数据列表对所述在线业务数据进行支付业务数据分析,包括:
基于所述第二支付业务数据列表的多个业务数据关联关系,获取在线业务数据中的至少一个支付业务数据对应的至少一个支付行为评价数据;所述至少一个支付行为评价数据描述了所述在线业务数据中的至少一个支付业务数据各自的支付行为特征;
依据所述至少一个支付行为评价数据,从所述在线业务数据中的至少一个支付业务数据中为所述多个业务数据关联关系中的每个业务数据关联关系,分别确定出支付行为评价指标和支付行为风险率;所述支付行为风险率表征所述支付行为评价指标为所述每个业务数据关联关系所对应的支付安全评价指标的置信度;
根据所述支付行为风险率,从所述每个业务数据关联关系对应的所述支付行为评价指标中挑选出候选评价指标;
获取所述候选评价指标的评价指标维度和评价指标时效特征,并基于所述评价指标时效特征、所述评价指标维度以及与所述候选评价指标对应的候选支付行为评价数据,确定出所述候选评价指标的评价指标使用率;所述评价指标使用率表征所述候选评价指标被选用的概率;
依据所述评价指标使用率,确定所述候选评价指标是否为已选用的评价指标,得到评价指标选用结果;
基于所述评价指标选用结果,对所述在线业务数据中的每个支付业务数据进行分析,得到所述在线业务数据对应的数据分析结果;
其中,所述每个业务数据关联关系具有业务数据关联路径和业务数据关联对象;所述依据所述至少一个支付行为评价数据,从所述在线业务数据中的至少一个支付业务数据中为所述多个业务数据关联关系中的每个业务数据关联关系,分别确定出支付行为评价指标和支付行为风险率,包括:
从所述至少一个支付行为评价数据中,解析出所述在线业务数据中的至少一个支付业务数据对应的支付业务对象和支付业务持续时长;
根据所述每个业务数据关联关系的所述业务数据关联路径、所述每个业务数据关联关系的所述业务数据关联对象、所述在线业务数据中的至少一个支付业务数据的所述支付业务对象和所述在线业务数据中的至少一个支付业务数据的所述支付业务持续时长,计算出所述每个业务数据关联关系和所述在线业务数据中的至少一个支付业务数据的至少一个业务数据匹配度;
从所述至少一个业务数据匹配度中,挑选出最大的业务数据匹配度;
将所述在线业务数据中的至少一个支付业务数据中,与所述最大的业务数据匹配度对应的业务数据指标,作为所述每个业务数据关联关系的所述支付行为评价指标,并将所述最大的业务数据匹配度作为所述每个业务数据关联关系的所述支付行为风险率;
其中,所述根据所述支付行为风险率,从所述每个业务数据关联关系对应的所述支付行为评价指标中挑选出候选评价指标,包括:
从所述每个业务数据关联关系中,挑选出与当前支付行为评价指标相对应的一个或多个当前业务数据关联关系;所述一个或多个当前业务数据关联关系为匹配到所述当前支付行为评价指标的业务数据关联关系,所述当前支付行为评价指标为所述每个业务数据关联关系对应的支付行为评价指标中的任意业务数据指标;
将所述一个或多个当前业务数据关联关系所对应的一个或多个当前支付行为风险率,分别与预设好的风险率阈值进行比较,得到一个或多个比较结果;所述一个或多个比较结果表征所述一个或多个当前支付行为风险率是否小于所述预设好的风险率阈值;
当所述一个或多个比较结果表征所述一个或多个当前支付行为风险率均小于所述预设好的风险率阈值时,将所述当前支付行为评价指标,作为所述候选评价指标;
其中,所述基于所述评价指标时效特征、所述评价指标维度以及与所述候选评价指标对应的候选支付行为评价数据,确定出所述候选评价指标的评价指标使用率,包括:利用所述评价指标时效特征构造出第一指标使用权重;利用所述评价指标维度和所述候选支付行为评价数据,构造出第二指标使用权重;根据所述第一指标使用权重和所述第二指标使用权重,计算出所述评价指标使用率。
优选地,根据所述在线业务数据对应的数据分析结果,确定与所述在线业务数据对应的至少两个区块链支付设备的设备安全性,包括:
根据所述数据分析结果中的多个设备安全分析指标,确定所述至少两个区块链支付设备的设备安全性。
本申请的第二个方面公开了一种云服务器,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行第一方面所述的方法。
本申请的第三个方面公开了一种计算机可读信号介质,其上存储有计算机程序,所述计算机程序在运行是实现第一方面的方法。
相较于现有技术,本发明实施例提供的基于大数据和区块链的支付数据处理方法及云服务器具有以下技术效果:能够对获取到的在线业务数据中的各个支付业务数据进行业务行为分析从而确定出业务标签集,然后通过业务标签集对支付业务数据进行聚类、数据校验结果的关联度的确定以及支付业务数据序列的合并,以实现支付业务数据列表的更新。这样可以根据更新之后的第二支付业务数据列表确定区块链支付设备的设备安全性。如此,通过利用业务标签集对支付业务数据进行聚类、数据校验等数据挖掘和分析,能够摒弃现有的忽略支付业务数据的安全性校验思路,从而基于支付业务数据层面对区块链支付设备进行全面、准确地设备安全性校验,使得设备安全性更加贴近于用户的实际支付业务情况。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本发明。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本发明的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本发明的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本发明的一些实施例所示的一种示例性基于大数据和区块链的支付数据处理系统300的框图,基于大数据和区块链的支付数据处理系统300可以包括云服务器100和区块链支付设备200。
在一些实施例中,如图2所示,云服务器100可以包括处理引擎110、网络模块120和存储器130,处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如,在一些实施例中,处理引擎110可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎110可以包括中央处理单元(Central ProcessingUnit,CPU)、专用集成电路(Application-Specific Integrated Circuit,ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer,RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中,网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网络(Wireless Local Area Network,WLAN)、城域网(Metropolitan Area Network,MAN)、公用电话交换网(Public Telephone SwitchedNetwork,PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication,NFC)网络等或上述举例的任意组合。在一些实施例中,网络模块120可以包括至少一个网络接入点。例如,网路120可以包括有线或无线网路接入点,如基站和/或网路接入点。
存储器130可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器130用于存储程序,所述处理引擎110在接收到执行指令后,执行所述程序。
可以理解,图2所示的结构仅为示意,云服务器100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本发明的一些实施例所示的一种示例性基于大数据和区块链的支付数据处理方法和/或过程的流程图,基于大数据和区块链的支付数据处理方法应用于图1中的云服务器,具体可以包括以下步骤S11-步骤S14所描述的内容。
步骤S11,获取待处理的在线业务数据;对所述在线业务数据中各个支付业务数据依次进行业务行为分析,得到与每个支付业务数据对应的业务标签集。
例如,在线业务数据中的支付业务数据可以是不同区块链支付设备之间进行支付业务互动时的数据,该在线业务数据可以通过云服务器预先配置的线程进行获取,该线程为现有技术,因此在此不作说明。所述业务标签集中包括所述支付业务数据的至少两个业务标签。业务行为分析用于确定支付业务数据对应的业务标签集。业务标签用于对不同的支付业务数据进行区分。
步骤S12,根据所述业务标签集对所述在线业务数据中的全部支付业务数据进行聚类,得到第一支付业务数据列表。
例如,所述第一支付业务数据列表中记录有所述在线业务数据中包含的多个支付环境分别对应的支付业务数据序列,每个支付业务数据序列中的首个支付业务数据为所述支付环境的关键支付业务数据。支付环境可以时不同的支付网络环境,例如数据网络环境,蓝牙网络环境和无线网络环境等,在此不作限定。关键支付业务数据是与支付环境的匹配度最高的支付业务数据,关键支付业务数据的数据挖掘价值是相对较大的。聚类方式可以是多维特征聚类。
步骤S13,依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度;在所述数据校验结果的关联度达到设定条件的情况下,将所述关键支付业务数据所在第一支付环境中的支付业务数据序列,合并到所述参考支付业务数据所在第二支付环境中的支付业务数据序列中,以将所述第一支付业务数据列表更新为第二支付业务数据列表。
例如,数据校验结果可以是针对不同的支付业务数据进行业务行为连续性的校验结果,关联度用于表征不同数据校验结果之间在时间先后顺序上的匹配程度。
步骤S14,按照所述第二支付业务数据列表对所述在线业务数据进行支付业务数据分析;根据所述在线业务数据对应的数据分析结果,确定与所述在线业务数据对应的至少两个区块链支付设备的设备安全性。
例如,支付业务数据分析可以是对在线业务数据对应的支付行为的风险率和/或支付安全性进行分析,区块链支付设备可以是经过认证的智能终端。设备安全性用于表征区块链支付设备在运行和交互过程中的信息数据安全性,可以体现在数据防盗取、信息防篡改等安全性方面。
应当理解的是,在实施上述步骤S11-步骤S14所描述的内容时,能够对获取到的在线业务数据中的各个支付业务数据进行业务行为分析从而确定出业务标签集,然后通过业务标签集对支付业务数据进行聚类、数据校验结果的关联度的确定以及支付业务数据序列的合并,以实现支付业务数据列表的更新。这样可以根据更新之后的第二支付业务数据列表确定区块链支付设备的设备安全性。如此,通过利用业务标签集对支付业务数据进行聚类、数据校验等数据挖掘和分析,能够摒弃现有的忽略支付业务数据的安全性校验思路,从而基于支付业务数据层面对区块链支付设备进行全面、准确地设备安全性校验,使得设备安全性更加贴近于用户的实际支付业务情况。
接下来将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
在一些示例中,步骤S11所描述的对所述在线业务数据中各个支付业务数据依次进行业务行为分析,得到与每个支付业务数据对应的业务标签集,进一步可以包括以下步骤S111-步骤S113所描述的内容。
步骤S111,依次将所述在线业务数据中的每个支付业务数据作为当前支付业务数据,以执行以下业务行为分析操作,直至遍历所述在线业务数据中的全部支付业务数据。
步骤S112,将所述当前支付业务数据中各个支付业务节点数据映射至目标业务行为特征集中,以得到所述各个支付业务节点数据在所述目标业务行为特征集内各个节点类型数据的标签描述值。
例如,所述目标业务行为特征集包括至少两个节点类型数据,目标业务行为特征集是预先根据历史支付业务数据生成的。支付业务节点数据用于表征支付业务的一连串行为节点对应的数据,例如下单、信息确认、付款金额确认等。标签描述值用于区分不同的节点类型数据。
步骤S113,根据所述各个支付业务节点数据的所述节点类型数据的标签描述值,确定与所述当前支付业务数据匹配的所述业务标签集。
可以理解,通过应用上述步骤S111-步骤S113,能够对当前支付业务数据的一连串的行为节点进行分析,从而确定不同的节点类型数据的标签描述值,这样可以确保确定出的业务标签集与当前支付业务数据在业务流程上的匹配性。
进一步地,步骤S113所描述的根据所述各个支付业务节点数据的所述节点类型数据的标签描述值,确定与所述当前支付业务数据匹配的所述业务标签集包括:获取所述各个支付业务节点数据的第x个节点类型数据的标签描述值所对应的实时标签,得到所述当前支付业务数据的第x个业务标签。例如,所述x为大于等于1,小于等于i的整数,所述i为所述目标业务行为特征集中所述节点类型数据的数量,所述i为正整数。如此,通过对实时标签进行获取,能够确保业务标签集的时效性。
在一些示例中,为了在数据聚类时确保第一支付业务数据列表中的支付业务数据不会出现缺失,步骤S12所描述的根据所述业务标签集对所述在线业务数据中的全部支付业务数据进行聚类,得到第一支付业务数据列表,可以通过以下步骤S121-步骤S123所描述的内容实现。
步骤S121,获取所述业务标签集中各个业务标签的关联业务标签,将所述业务标签的关联业务标签作为与所述支付业务数据匹配的目标业务标签。
步骤S122,依次比对相邻两个支付业务数据各自对应的目标业务标签,得到比对结果。
步骤S123,根据所述比对结果对全部支付业务数据进行聚类,得到所述第一支付业务数据列表。
可以理解,通过应用上述步骤S121-步骤S123所描述的内容,能够对相邻两个支付业务数据各自对应的目标业务标签进行依次对比,从而根据多个比对结果实现对全部支付业务数据的多维特征聚类,避免在聚类过程中某些支付业务数据在特征聚类层面的缺失,进而在数据聚类时确保第一支付业务数据列表中的支付业务数据不会出现缺失。
更进一步地,步骤S122所描述的依次比对相邻两个支付业务数据各自对应的目标业务标签,得到比对结果可以包括以下步骤S1221和步骤S1222。
步骤S1221,获取第y+1个支付业务数据的目标业务标签与第y个支付业务数据的目标业务标签的业务类别互斥度,其中,所述y为大于等于1,小于等于j-1的整数,所述j为所述在线业务数据中支付业务数据的数量。
步骤S1222,比对所述业务类别互斥度与相似度阈值,得到所述比对结果。
例如,业务类别互斥度用于表征不同的目标业务标签在业务类别层面上的差异程度,业务类别互斥度越高,差异程度越大。
更进一步地,步骤S123所描述的根据所述比对结果对全部支付业务数据进行聚类,得到所述第一支付业务数据列表包括以下步骤S1231和步骤S1232。
步骤S1231,在所述比对结果指示所述业务类别互斥度小于所述相似度阈值的情况下,确定所述第y+1个支付业务数据与所述第y个支付业务数据为同一个支付环境,则将所述第y+1个支付业务数据添加到所述第y个支付业务数据所在的支付业务数据序列中。
步骤S1232,在所述比对结果指示所述业务类别互斥度大于等于所述相似度阈值的情况下,确定所述第y+1个支付业务数据与所述第y个支付业务数据并非同一个支付环境,则为所述第y+1个支付业务数据创建新的支付业务数据序列。
可以理解,基于上述步骤S1231和步骤S1232,能够在进行支付业务数据序列分组时充分考虑不同的业务类别,从而确保每个支付业务数据序列之间在全局层面的关联性和局部层面的非关联性。
在一些示例中,步骤S13所描述的依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度,可以包括以下步骤S1311-步骤S1314。
步骤S1311,获取所述关键支付业务数据的关键支付业务处理记录和所述参考支付业务数据的参考支付业务处理记录。
步骤S1312,获取所述关键支付业务处理记录与所述参考支付业务处理记录之间的处理记录重复率,其中,所述数据校验结果的关联度包括所述处理记录重复率。
步骤S1313,获取所述关键支付业务数据和所述参考支付业务数据中的有效业务数据。
步骤S1314,获取所述有效业务数据在所述关键支付业务数据中的第一业务优先级和所述有效业务数据在所述参考支付业务数据中的第二业务优先级,其中,所述数据校验结果的关联度包括所述第一业务优先级和所述第二业务优先级。
如此设计,能够基于上述步骤S1311-步骤S1314实现对付业务处理记录的获取和分析,从而针对有效业务数据在不同支付业务数据中的业务优先级确定数据校验结果的关联度,这样能够确保数据校验结果的关联度的准确性。
进一步地,在步骤S1311中,获取所述关键支付业务数据的关键支付业务处理记录和所述参考支付业务数据的参考支付业务处理记录,可以包括以下步骤S13111-步骤S13112。
步骤S13111,对所述关键支付业务数据和所述参考支付业务数据分别进行业务数据筛分,得到候选关键支付业务数据和候选参考支付业务数据。
步骤S13112,将所述候选关键支付业务数据输入预先训练完成的业务记录提取模型,以得到所述关键支付业务处理记录,并将所述候选参考支付业务数据输入所述预先训练完成的业务记录提取模型,以得到所述参考支付业务处理记录。
例如,所述预先训练完成的业务记录提取模型为利用多组样本业务数据对及对应的业务标签进行深度学习后所得到的用于生成业务记录的支付业务处理记录的神经网络,所述多组样本业务数据对中的每组样本业务数据对包括样本业务事件中第一样本支付环境中的第一个样本业务数据和第二样本支付环境的最后一个样本业务数据,所述第二样本支付环境与所述第一样本支付环境相邻且位于所述第一样本支付环境之前,所述业务标签包括所述第一个样本业务数据的支付环境标签及所述最后一个样本业务数据的支付环境标签。
在另外的一些示例中,在步骤S11所描述的获取待处理的在线业务数据的步骤之前,还可以包括以下步骤S21-步骤S26所描述的内容。
步骤S21,获取多个所述样本业务事件,并提取每个所述样本业务事件中的所述多组样本业务数据对。
步骤S22,将每组样本业务数据对作为当前组样本业务数据对,执行以下操作,直至达到所述预先训练完成的业务记录提取模型的预设指标条件。
步骤S23,将所述当前组样本业务数据对中的所述第一样本支付环境中的第一个样本业务数据输入第一目标业务记录提取模型中,以得到第一支付业务处理记录,并将所述当前组样本业务数据对中的所述第二样本支付环境中的最后一个样本业务数据输入第二目标业务记录提取模型中,以得到第二支付业务处理记录,其中,所述预先训练完成的业务记录提取模型训练时使用两个相对应的训练网络拓扑,所述两个相对应的训练网络拓扑包括所述第一目标业务记录提取模型和所述第二目标业务记录提取模型,且所述第一目标业务记录提取模型和所述第二目标业务记录提取模型共享训练样本和训练权重值。
步骤S24,获取所述第一支付业务处理记录及所述第二支付业务处理记录之间的处理记录重复率,将所述第一支付业务处理记录及所述第二支付业务处理记录之间的处理记录重复率作为业务配对率。
步骤S25,将所述业务配对率及所述业务标签输入业务记录评价函数,以计算得到当前业务评价值;获取所述当前业务评价值及所述当前业务评价值的上一个业务评价值的业务评价值差值。
步骤S26,在所述业务评价值差值指示所述两个相对应的训练网络拓扑达到所述预设指标条件的情况下,则将当前完成训练的所述第一目标业务记录提取模型或所述第二目标业务记录提取模型作为所述预先训练完成的业务记录提取模型。
可以理解,通过上述步骤S21-步骤S26,能够预先对业务记录提取模型进行确定,从而确保后续在使用业务记录提取模型进行支付业务处理记录的获取时避免因模型训练不到位而导致支付业务处理记录出现偏差。
进一步地,步骤S1313所描述的获取所述关键支付业务数据和所述参考支付业务数据中的有效业务数据,可以包括以下步骤S13131-步骤S13133。
步骤S13131,将所述关键支付业务数据转换为关键支付业务数据特征集,并将所述参考支付业务数据转换为参考支付业务数据特征集。
步骤S13132,采用特征维度不变的特征提取模型,从所述关键支付业务数据特征集中提取关键业务特征集,并从所述参考支付业务数据特征集中提取参考业务特征集。
步骤S13133,比对所述关键业务特征集和所述参考业务特征集,以获取所述有效业务数据。
可以理解的是,在步骤S13所描述的依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度的内容之后之后,还可以包括以下步骤S31-步骤S33所描述的内容。
步骤S31,在所述处理记录重复率大于设定重复率阈值的情况下,确定所述数据校验结果的关联度达到所述设定条件;在所述处理记录重复率小于等于所述设定重复率阈值,所述第一业务优先级大于第一优先级阈值且所述第二业务优先级大于第二优先级阈值的情况下,确定所述数据校验结果的关联度达到所述设定条件。
步骤S32,在所述处理记录重复率小于等于所述设定重复率阈值,且所述第一业务优先级小于等于所述第一优先级阈值的情况下,确定所述数据校验结果的关联度并未达到所述设定条件,保留所述关键支付业务数据所在所述第一支付环境中的支付业务数据序列。
步骤S33,在所述处理记录重复率小于等于所述设定重复率阈值,且所述第二业务优先级小于等于所述第二优先级阈值的情况下,确定所述数据校验结果的关联度并未达到所述设定条件,保留所述关键支付业务数据所在所述第一支付环境中的支付业务数据序列。
可以理解,基于上述步骤S31-步骤S33,能够基于处理记录重复率与设定重复率阈值的比对关系确定数据校验结果的关联度是否达到设定条件,从而确保后续进设备安全性校验的全局可信度。
在一些实施例中,步骤S14所描述的按照所述第二支付业务数据列表对所述在线业务数据进行支付业务数据分析,可以通过以下步骤S141-步骤S146所描述的内容实现。
步骤S141,基于所述第二支付业务数据列表的多个业务数据关联关系,获取在线业务数据中的至少一个支付业务数据对应的至少一个支付行为评价数据;所述至少一个支付行为评价数据描述了所述在线业务数据中的至少一个支付业务数据各自的支付行为特征。
步骤S142,依据所述至少一个支付行为评价数据,从所述在线业务数据中的至少一个支付业务数据中为所述多个业务数据关联关系中的每个业务数据关联关系,分别确定出支付行为评价指标和支付行为风险率;所述支付行为风险率表征所述支付行为评价指标为所述每个业务数据关联关系所对应的支付安全评价指标的置信度。
步骤S143,根据所述支付行为风险率,从所述每个业务数据关联关系对应的所述支付行为评价指标中挑选出候选评价指标。
步骤S144,获取所述候选评价指标的评价指标维度和评价指标时效特征,并基于所述评价指标时效特征、所述评价指标维度以及与所述候选评价指标对应的候选支付行为评价数据,确定出所述候选评价指标的评价指标使用率;所述评价指标使用率表征所述候选评价指标被选用的概率。
步骤S145,依据所述评价指标使用率,确定所述候选评价指标是否为已选用的评价指标,得到评价指标选用结果。
步骤S146,基于所述评价指标选用结果,对所述在线业务数据中的每个支付业务数据进行分析,得到所述在线业务数据对应的数据分析结果。
在实际应用时,通过实施上述步骤S141-步骤S146,能够对支付行为评价数据进行分析,从而确定出支付行为评价指标和支付行为风险率,这样可以基于确定出的评价指标使用率确定出评价指标选用结果,最后基于评价指标选用结果,对在线业务数据中的每个支付业务数据进行分析,得到在线业务数据对应的数据分析结果。这样能够根据不同的业务情况选取不同的评价指标进行数据分析,从而灵活可靠地确定出数据分析结果。
在实际实施时,所述每个业务数据关联关系具有业务数据关联路径和业务数据关联对象。基于此,步骤S142所描述的依据所述至少一个支付行为评价数据,从所述在线业务数据中的至少一个支付业务数据中为所述多个业务数据关联关系中的每个业务数据关联关系,分别确定出支付行为评价指标和支付行为风险率,可以包括以下步骤S1421-步骤S1424。
步骤S1421,从所述至少一个支付行为评价数据中,解析出所述在线业务数据中的至少一个支付业务数据对应的支付业务对象和支付业务持续时长。
步骤S1422,根据所述每个业务数据关联关系的所述业务数据关联路径、所述每个业务数据关联关系的所述业务数据关联对象、所述在线业务数据中的至少一个支付业务数据的所述支付业务对象和所述在线业务数据中的至少一个支付业务数据的所述支付业务持续时长,计算出所述每个业务数据关联关系和所述在线业务数据中的至少一个支付业务数据的至少一个业务数据匹配度。
步骤S1423,从所述至少一个业务数据匹配度中,挑选出最大的业务数据匹配度。
步骤S1424,将所述在线业务数据中的至少一个支付业务数据中,与所述最大的业务数据匹配度对应的业务数据指标,作为所述每个业务数据关联关系的所述支付行为评价指标,并将所述最大的业务数据匹配度作为所述每个业务数据关联关系的所述支付行为风险率。
可以理解,通过实施上述步骤S1421-步骤S1424,能够考虑支付业务数据对应的支付业务对象和支付业务持续时长,从而基于业务数据匹配度确定支付行为风险率,以确保支付行为风险率与实际的业务行为的高相关性。
进一步地,步骤S143所描述的根据所述支付行为风险率,从所述每个业务数据关联关系对应的所述支付行为评价指标中挑选出候选评价指标,可以包括以下步骤S1431-步骤S1433所描述的内容。
步骤S1431,从所述每个业务数据关联关系中,挑选出与当前支付行为评价指标相对应的一个或多个当前业务数据关联关系;所述一个或多个当前业务数据关联关系为匹配到所述当前支付行为评价指标的业务数据关联关系,所述当前支付行为评价指标为所述每个业务数据关联关系对应的支付行为评价指标中的任意业务数据指标。
步骤S1432,将所述一个或多个当前业务数据关联关系所对应的一个或多个当前支付行为风险率,分别与预设好的风险率阈值进行比较,得到一个或多个比较结果;所述一个或多个比较结果表征所述一个或多个当前支付行为风险率是否小于所述预设好的风险率阈值。
步骤S1433,当所述一个或多个比较结果表征所述一个或多个当前支付行为风险率均小于所述预设好的风险率阈值时,将所述当前支付行为评价指标,作为所述候选评价指标。
进一步地,在步骤S144中,基于所述评价指标时效特征、所述评价指标维度以及与所述候选评价指标对应的候选支付行为评价数据,确定出所述候选评价指标的评价指标使用率,包括:利用所述评价指标时效特征构造出第一指标使用权重;利用所述评价指标维度和所述候选支付行为评价数据,构造出第二指标使用权重;根据所述第一指标使用权重和所述第二指标使用权重,计算出所述评价指标使用率。
在一个可能的实施例中,步骤S14所描述的根据所述在线业务数据对应的数据分析结果,确定与所述在线业务数据对应的至少两个区块链支付设备的设备安全性,可以包括步骤S140:根据所述数据分析结果中的多个设备安全分析指标,确定所述至少两个区块链支付设备的设备安全性。
在一种可替换的实施例中,步骤S140所描述的根据所述数据分析结果中的多个设备安全分析指标,确定所述至少两个区块链支付设备的设备安全性,进一步可以包括以下步骤S1401-步骤S1405所描述的内容。
步骤S401,基于所述数据分析结果中的多个设备安全分析指标,响应于第一区块链支付设备对在线业务数据中的目标支付业务数据的业务数据操作,在所述第一区块链支付设备中获取离线支付业务的支付验证数据,其中,在所述第一区块链支付设备上参与所述离线支付业务的对手方区块链支付设备为第一对手方区块链支付设备。
步骤S1402,在参与所述离线支付业务的对手方区块链支付设备包括多个对手方区块链支付设备、且所述离线支付业务被设置为所述多个对手方区块链支付设备共同完成的关联支付业务的情况下,响应于所述离线支付业务的发起指令,在所述第一区块链支付设备上获取所述离线支付业务的关联支付业务的业务分配数据,其中,所述多个对手方区块链支付设备包括所述第一对手方区块链支付设备,所述多个对手方区块链支付设备为多个第二区块链支付设备遍历所述在线业务数据中的目标支付业务数据所触发的参与所述离线支付业务的对手方区块链支付设备。
步骤S1403,在所述离线支付业务完成时,获取第一关联支付业务处理结果,其中,所述第一关联支付业务处理结果为所述多个对手方区块链支付设备共同执行所述离线支付业务所得到的结果。
步骤S1404,在所述第一关联支付业务处理结果表示所述多个对手方区块链支付设备共同完成所述离线支付业务的第一关联支付业务请求的情况下,在所述第一区块链支付设备上获取为所述第一对手方区块链支付设备分配的第一设备身份校验数据,其中,所述多个对手方区块链支付设备被设置为响应于所述第一关联支付业务处理结果获取与所述离线支付业务对应的设备身份校验数据。
步骤S1405,通过所述第一设备身份校验数据,判定所述第一区块链支付设备及其对应的第二区块链支付设备是否为安全设备。
可以理解,通过执行上述步骤S1401-步骤S1405所描述的内容,能够对不同区块链支付设备的离线支付业务进行分析,从而考虑不同区块链支付设备及其对手方区块链支付设备的设备身份校验数据,这样能够基于设备身份校验数据这一相同的评判维度来确定不同区块链支付设备的安全性,从而确保在验证区块链支付设备的安全性时考虑不同支付模式对安全性验证指标的影响,进而保证安全验证的可信度。
更进一步地,步骤S1405所描述的通过所述第一设备身份校验数据,判定所述第一区块链支付设备及其对应的第二区块链支付设备是否为安全设备,可以包括以下步骤S1405a-步骤S1405c所描述的内容。
步骤S1405a,确定所述第一身份校验数据中的多个校验秘钥以及每个校验秘钥对应的校验随机数;其中,所述校验秘钥和所述校验随机数用于进行循环冗余校验。
步骤S1405b,基于每个校验秘钥及其对应的校验随机数分别对所述第一区块链支付设备以及所述第二区块链支付设备进行校验计算,得到所述第一区块链支付设备对应的多个第一循环冗余校验结果以及所述第二区块链支付设备对应的多个第二循环冗余校验结果。
步骤S1405c,在所述第一循环冗余校验结果中表征所述第一区块链支付设备通过校验的第一目标校验结果的数量达到第一预定数量以及在所述第二循环冗余校验结果中表征所述第二区块链支付设备通过校验的第二目标校验结果的数量达到第二预定数量的前提下,若所述第一目标校验结果与所述第二目标校验结果之间的结果配对标识的数量达到第三预定数量,则判定所述第一区块链支付设备及其对应的第二区块链支付设备为安全设备;否则,判定所述第一区块链支付设备及其对应的第二区块链支付设备为非安全设备。
如此设计,能够基于循环冗余校验实现对不同区块链支付设备的安全性校验,从而确保安全性校验的可靠性和准确性。
图4是根据本发明的一些实施例所示的一种示例性基于大数据和区块链的支付数据处理装置140的框图,所述基于大数据和区块链的支付数据处理装置140可以包括以下功能模块。
数据分析模块141,用于获取待处理的在线业务数据;对所述在线业务数据中各个支付业务数据依次进行业务行为分析,得到与每个支付业务数据对应的业务标签集,其中,所述业务标签集中包括所述支付业务数据的至少两个业务标签。
数据聚类模块142,用于根据所述业务标签集对所述在线业务数据中的全部支付业务数据进行聚类,得到第一支付业务数据列表,其中,所述第一支付业务数据列表中记录有所述在线业务数据中包含的多个支付环境分别对应的支付业务数据序列,每个支付业务数据序列中的首个支付业务数据为所述支付环境的关键支付业务数据。
数据合并模块143,用于依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度;在所述数据校验结果的关联度达到设定条件的情况下,将所述关键支付业务数据所在第一支付环境中的支付业务数据序列,合并到所述参考支付业务数据所在第二支付环境中的支付业务数据序列中,以将所述第一支付业务数据列表更新为第二支付业务数据列表。
设备分析模块144,用于按照所述第二支付业务数据列表对所述在线业务数据进行支付业务数据分析;根据所述在线业务数据对应的数据分析结果,确定与所述在线业务数据对应的至少两个区块链支付设备的设备安全性。
可以理解,关于上述装置实施例的描述请参阅对图3所示的方法实施例的描述。
基于上述同样的发明构思,还提供了一种系统实施例,关于该系统实施例的描述如下。
A1.一种基于大数据和区块链的支付数据处理系统,包括互相之间通信的云服务器和区块链支付设备;其中,所述云服务器用于:
获取待处理的在线业务数据;对所述在线业务数据中各个支付业务数据依次进行业务行为分析,得到与每个支付业务数据对应的业务标签集,其中,所述业务标签集中包括所述支付业务数据的至少两个业务标签;
根据所述业务标签集对所述在线业务数据中的全部支付业务数据进行聚类,得到第一支付业务数据列表,其中,所述第一支付业务数据列表中记录有所述在线业务数据中包含的多个支付环境分别对应的支付业务数据序列,每个支付业务数据序列中的首个支付业务数据为所述支付环境的关键支付业务数据;
依次获取每个所述关键支付业务数据和位于所述关键支付业务数据之前的参考支付业务数据之间的数据校验结果的关联度;在所述数据校验结果的关联度达到设定条件的情况下,将所述关键支付业务数据所在第一支付环境中的支付业务数据序列,合并到所述参考支付业务数据所在第二支付环境中的支付业务数据序列中,以将所述第一支付业务数据列表更新为第二支付业务数据列表;
按照所述第二支付业务数据列表对所述在线业务数据进行支付业务数据分析;根据所述在线业务数据对应的数据分析结果,确定与所述在线业务数据对应的至少两个区块链支付设备的设备安全性。
可以理解,关于上述系统实施例的描述请参阅对图3所示的方法实施例的描述。
需要理解的是,针对上述内容没有进行名词解释的技术术语,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义,例如针对一些值、系数、权重等术语,本领域技术人员可以根据前后的逻辑关系进行推导和确定,这些数值的取值范围可以根据实际情况进行选取,例如0~1,又例如1~10,再例如50~100,在此均不作限定,本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定。对于一些未作解释的技术特征术语,本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导,从而清楚、完整地实施上述技术方案。因此上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外,本领域普通技术人员可以理解的是,本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外,本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python等,或类似的常规程序编程语言,如"C"编程语言,Visual Basic,Fortran2003,Perl,COBOL 2002,PHP,ABAP,动态编程语言如Python,Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网络(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件装置实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。