CN115086054A

CN115086054A - 基于自注意力生成对抗网络的恶意域名检测方法和装置

Info

Publication number: CN115086054A
Application number: CN202210717496.9A
Authority: CN
Inventors: 杨润峰; 曲武; 高燊
Original assignee: Jinjing Yunhua Shenyang Technology Co ltd; Beijing Jinjingyunhua Technology Co ltd
Current assignee: Jinjing Yunhua Shenyang Technology Co ltd; Beijing Jinjingyunhua Technology Co ltd
Priority date: 2022-06-23
Filing date: 2022-06-23
Publication date: 2022-09-20
Anticipated expiration: 2042-06-23
Also published as: CN115086054B

Abstract

本发明的实施例提供了基于自注意力生成对抗网络的恶意域名检测方法和装置。所述方法包括获取真实域名数据；创建生成对抗网络，初始化生成器模型、判别器模型以及参数，创建随机噪声数据；以真实域名数据和随机噪声数据训练生成器模型，得到生成域名样本和生成域名样本类别标签；训练判别器模型，得到自注意力生成对抗网络模型；将待检测的域名样本输入自注意力生成对抗网络模型，输出检测结果。以此方式，可以减少深度神经网络易受对抗性攻击的风险，并提高恶意域名检测的准确率。

Description

基于自注意力生成对抗网络的恶意域名检测方法和装置

技术领域

本发明一般涉及恶意域名检测领域，并且更具体地，涉及基于自注意力生成对抗网络的恶意域名检测方法和装置。

背景技术

域名系统（Domain Name System, DNS）是用于将域名和IP地址相互映射的一个分布式数据库。近年来，DNS各部分常常受到广泛的攻击。其中，恶意域名是很大一部分安全隐患，它通常是指具有恶意链接的网址，利用浏览器的漏洞在网站内植入木马、病毒、恶意程序等，通过伪装网站的服务内容来诱导用户访问，用户一旦访问，可能会导致计算机被恶意代码感染，从而对个人隐私和财产安全造成一定的威胁。因此，需要对恶意域名进行检测来避免上述威胁。

常见的恶意域名检测方法包括：

一、基于机器学习的恶意域名检测方法。基于机器学习的恶意域名检测方法主要以人工特征提取为基础，建立特征工程方式进行检测。

二、基于深度学习的恶意域名检测方法。基于深度学习的恶意域名检测方法主要集中在循环神经网络和卷积神经网络两个神经网络上，可以解决手工提取特征的问题，在准确性方面优于基于机器学习的方法。

尽管上述恶意域名检测方法已经取得了不错的成果，但是仍存在很多缺陷，包括：

一、针对基于机器学习的恶意域名检测方法，人工构建特征费时费力，设计的特征很容易被绕过。其次，设计人工特征需要随着域名生成算法的更新而更新。最后，恶意域名检测的误报率高，检测低随机性的域名准确率较低。

二、针对基于深度学习的恶意域名检测方法，尽管深度神经网络（如CNN、RNN、LSTM、GRU等）在处理复杂任务方面十分优秀，但是最近的研究表明，它容易受到对抗性网络的攻击，对输入添加微小的扰动，就会导致模型预测错误的结果。

发明内容

根据本发明的实施例，提供了一种基于自注意力生成对抗网络的恶意域名检测方案。本方案通过构建自注意力生成对抗网络模型，减少深度神经网络易受对抗性攻击的风险，并提高恶意域名检测的准确率。

在本发明的第一方面，提供了一种基于自注意力生成对抗网络的恶意域名检测方法。该方法包括：

获取真实域名样本，对所述真实域名样本按照字符编码规则进行转换，得到真实域名数据；

创建生成对抗网络，初始化所述生成对抗网络中的生成器模型、判别器模型以及参数，并且创建随机噪声数据；

以所述真实域名数据和所述随机噪声数据对所述生成器模型进行训练，并对所述生成器模型的输出结果按照字符编码规则进行转换，得到生成域名样本和生成域名样本类别标签；

以所述生成域名样本和所述真实域名样本对所述判别器模型进行训练，当训练完毕时，若所述判别器模型的输出结果达到预设阈值，则得到自注意力生成对抗网络模型；否则，返回重新对所述生成器模型进行训练；

将待检测的域名样本输入所述自注意力生成对抗网络模型，输出检测结果。

进一步地，所述以所述真实域名数据和所述随机噪声数据对所述生成器模型进行训练，包括：

对所述真实域名数据和所述随机噪声数据进行预处理，得到二级域名对应的域名字符；

将所述二级域名对应的域名字符转换为字符嵌入向量；

将所述字符嵌入向量输入所述生成器模型的LSTM层，得到第一LSTM特征向量；

对所述二级域名对应的域名字符、字符嵌入向量和第一LSTM特征向量进行特征拼接，得到拼接特征向量；

将所述拼接特征向量输入自注意力层，输出自注意力特征向量；

将所述自注意力特征向量输入全连接层，进行向量内积，输出生成域名数据。

进一步地，所述对所述真实域名数据和所述随机噪声数据进行预处理，包括：

删除所述真实域名数据和所述随机噪声数据中域名数据的顶级域名和/或多级域名。

进一步地，所述将所述拼接特征向量输入自注意力层，输出自注意力特征向量，包括：

将所述拼接特征向量和预处理后的随机噪声数据进行结合，得到模拟真实样本产生的数据；

将所述模拟真实样本产生的数据通过1*1卷积转换成第一状态空间和第二状态空间；

将所述第一状态空间进行转置后，与所述第二状态空间进行内积，得到关联矩阵；

对所述关联矩阵逐行通过Softmax函数进行归一化，得到自注意力特征向量。

进一步地，所述以所述生成域名样本和所述真实域名样本对所述判别器模型进行训练，包括：

向所述判别器模型的LSTM层输入所述生成域名样本、生成域名样本类别标签、真实域名样本、真实域名样本类别标签，输出第二LSTM特征向量；

将所述第二LSTM特征向量输入所述判别器模型的全连接层，进行向量内积，得到所述判别器模型的输出结果。

进一步地，所述判别器模型的目标函数为：

其中，

为目标函数优化值，

为期望；

为所述判别器模型将真实域名样本判定为真实数据的概率，其中

为真实域名样本；

为所述判别器模型将生成域名样本判定为虚假数据的概率，其中

为生成域名样本。

进一步地，还包括：

通过蒸馏网络算法对所述自注意力生成对抗网络模型中的判别器模型进行训练，得到训练后的自注意力生成对抗网络模型，并输出预测标签。

进一步地，所述通过蒸馏网络算法对所述自注意力生成对抗网络模型中的判别器模型进行训练，包括：

在设定的温度参数下，向所述判别器模型的LSTM层输入真实域名样本和真实域名样本类别标签，输出第三LSTM特征向量；

将所述第三LSTM特征向量输入所述判别器模型的全连接层，输出全连接层特征向量；

将全连接层特征向量通过Softmax函数进行归一化，得到预测软标签；

在与所述温度参数下，将所述预测软标签和真实域名样本输入到蒸馏网络，对所述蒸馏网络进行训练，输出预测标签；所述蒸馏网络与所述判别器模型的结构相同。

在本发明的第二方面，提供了一种基于自注意力生成对抗网络的恶意域名检测装置。该装置包括：

获取模块，用于获取真实域名样本，对所述真实域名样本按照字符编码规则进行转换，得到真实域名数据；

初始化模块，用于创建生成对抗网络，初始化所述生成对抗网络中的生成器模型、判别器模型以及参数，并且创建随机噪声数据；

第一训练模块，用于以所述真实域名数据和所述随机噪声数据对所述生成器模型进行训练，并对所述生成器模型的输出结果按照字符编码规则进行转换，得到生成域名样本和生成域名样本类别标签；

第二训练模块，用于以所述生成域名样本和所述真实域名样本对所述判别器模型进行训练，当训练完毕时，若所述判别器模型的输出结果达到预设阈值，则得到自注意力生成对抗网络模型；否则，返回重新对所述生成器模型进行训练；

检测模块，用于将待检测的域名样本输入所述自注意力生成对抗网络模型，输出检测结果。

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。

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

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：

图1示出了根据本发明的实施例的基于自注意力生成对抗网络的恶意域名检测方法的流程图；

图2示出了根据本发明的实施例的对生成器模型训练的流程图；

图3示出了根据本发明的实施例的生成器模型训练过程中，通过自注意力层输出自注意力特征向量的流程图；

图4示出了根据本发明的实施例的对判别器模型训练的流程图；

图5示出了根据本发明的实施例的生成器模型的结构示意图；

图6示出了根据本发明的实施例的判别器模型的结构示意图；

图7示出了根据本发明的实施例的通过蒸馏网络算法对所述自注意力生成对抗网络模型中的判别器模型进行训练的流程图；

图8示出了根据本发明的实施例的蒸馏网络算法流程示意图；

图9示出了根据本发明的实施例的基于自注意力生成对抗网络的恶意域名检测装置的方框图；

图10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；

其中，1000为电子设备、1001为CPU、1002为ROM、1003为RAM、1004为总线、1005为I/O接口、1006为输入单元、1007为输出单元、1008为存储单元、1009为通信单元。

具体实施方式

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。

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。

本发明中，解决了传统机器学习中恶意域名检测的人工构建特征费时费力，设计特征容易被跳过的问题。通过生成对抗样本、判别对抗样本、防御对抗样本和自注意力机制优化深度神经网络，有效地完成了恶意域名的检测任务，减少深度神经网络易受对抗性攻击的风险，并提高恶意域名检测的准确率。

图1示出了本发明实施例的基于自注意力生成对抗网络的恶意域名检测方法的流程图。

该方法包括：

S101、获取真实域名样本，对所述真实域名样本按照字符编码规则进行转换，得到真实域名数据。

作为本发明的一种实施例，真实域名样本通常是由多个层级域名构成，其结构为“多级域名.二级域名.顶级域名”，例如www.baidu.com。域名特征主要体现在二级域名。

所述字符编码规则可以使用ASCII码表将域名字符转换为特征像素，包括：

其中

表示域名经过转换后的目标像素，C表示二级域名字符通过ASCII码映射后的值，top和bottom分别表示定义域上界和下界，输出结果会被归一化到[0,1]区间内。

例如，以Alexa中的“google.com”举例，进行格式调整只保留二级域名“google”，经过字符编码规则转换后为[0.5238 0.7143 0.7143 0.5238 0.6429 0.4762]。

S102、创建生成对抗网络，初始化所述生成对抗网络中的生成器模型、判别器模型以及参数，并且创建随机噪声数据。

所述生成对抗网络包括生成器模型和判别器模型，创建生成对抗网络，并对生成器模型和判别器模型进行初始化。生成所述生成对抗网络的参数，创建一部分随机噪声数据，完成整个网络模型的初始化工作。

在本实施例中，所述生成器模型的结构如图5所示，包括顺次连接的数据输入层、嵌入层和LSTM层；这三个层的输出数据进行特征拼接；生成器模型还包括顺次连接的自注意力层、全连接层，最后是数据输出层。其中自注意力层的输入为拼接后的特征向量。

在本实施例中，所述判别器模型的结构如图6所示，包括顺次连接的数据输入层、LSTM层、全连接层和数据输出层。

S103、以所述真实域名数据和所述随机噪声数据对所述生成器模型进行训练，并对所述生成器模型的输出结果按照字符编码规则进行转换，得到生成域名样本和生成域名样本类别标签。

作为本发明的一种实施例，如图2所示，所述以所述真实域名数据和所述随机噪声数据对所述生成器模型进行训练，包括：

S201、对所述真实域名数据和所述随机噪声数据进行预处理，得到二级域名对应的域名字符。

在本实施例中，对所述真实域名数据和所述随机噪声数据进行预处理，包括：删除所述真实域名数据和所述随机噪声数据中域名数据的顶级域名和/或多级域名。具体的，如果所述真实域名数据和所述随机噪声数据中仅有顶级域名或多级域名，则删除所述顶级域名或多级域名；如果所述真实域名数据和所述随机噪声数据中既存在顶级域名又存在多级域名，则将顶级域名和多级域名都删除。

通过上述预处理过程，能够剔除掉不能体现特征的顶级域名和多级域名，仅保留能够体现域名特征二级域名，减少数据量。

S202、将所述二级域名对应的域名字符转换为字符嵌入向量。

S203、将所述字符嵌入向量输入所述生成器模型的LSTM层，得到第一LSTM特征向量。

LSTM是Long Short-Term Memory的缩写，表示长短期记忆网络。

S204、对所述二级域名对应的域名字符、字符嵌入向量和第一LSTM特征向量进行特征拼接，得到拼接特征向量。

在本实施例中，特征拼接是通过对三个输入向量进行内积操作，由三个向量拼接成一个向量，从而得到拼接特征向量。

S205、将所述拼接特征向量输入自注意力层，输出自注意力特征向量。

作为本发明的一种实施例，如图3所示，所述将所述拼接特征向量输入自注意力层，输出自注意力特征向量，包括：

S301、将所述拼接特征向量和预处理后的随机噪声数据进行结合，得到模拟真实样本产生的数据。

S302、将所述模拟真实样本产生的数据通过1*1卷积转换成第一状态空间f(x)和第二状态空间g(x)。

S303、将所述第一状态空间进行转置后，与所述第二状态空间进行内积，得到关联矩阵；具体计算如下：

其中，

为i和j位置的关联矩阵，用于表示第i个位置是否应该与第j个位置形成关联；

为第一状态空间的转置；

表示第二状态空间。

S304、对所述关联矩阵逐行通过Softmax函数进行归一化，得到自注意力特征向量。通过Softmax函数进行归一化，如下：

其中，

为卷积层的输出；

为一个较大的参数，

用于缩放点积，设置一个较大的值

去减少梯度效应，避免落入Softmax函数的饱和区。

所述自注意力特征向量，表示为：

其中，

表示自注意力特征向量的分量。

S206、将所述自注意力特征向量输入全连接层，进行向量内积，输出生成域名数据。

本发明中的生成器模块对输入特征进行了三层拼接，对原始数据层、嵌入层和LSTM层分别进行了拼接，而不是仅由一个隐藏状态，可以有效的防止模型的梯度消失问题。

进一步地，对所述生成器模型的输出结果，即输出生成域名数据，按照字符编码规则进行转换，得到生成域名样本和生成域名样本类别标签。所述生成域名样本类别标签是生成域名样本的是真实域名样本的固有属性。

其中，所述字符编码规则跟上文相同，但转换过程为逆过程，即由特征像素转换为域名字符。例如，以Alexa中的“google.com”举例，转换后将特征像素[0.5238 0.71430.7143 0.5238 0.6429 0.4762]转换为二级域名“google”。

S104、以所述生成域名样本和所述真实域名样本对所述判别器模型进行训练，当训练完毕时，若所述判别器模型的输出结果达到预设阈值，则得到自注意力生成对抗网络模型；否则，返回重新对所述生成器模型进行训练。

作为本发明的一种实施例，如图4所示，以所述生成域名样本和所述真实域名样本对所述判别器模型进行训练，包括：

S401、向所述判别器模型的LSTM层输入所述生成域名样本、生成域名样本类别标签、真实域名样本、真实域名样本类别标签，输出第二LSTM特征向量。

S402、将所述第二LSTM特征向量输入所述判别器模型的全连接层，进行向量内积，得到所述判别器模型的输出结果。

作为本发明的一种实施例，所述判别器模型的目标函数为：

其中，

为目标函数优化值，

为期望；

为真实域名样本；

为生成域名样本。

本实施例中的判别器模块接收了外部真实数据和生成数据对应的类别标签，可见，本实施例会在一定程度上增加训练样本的数量，并对判别样本所属类别所产生的分类误差进行训练和优化，从而使模型整体的检测水平得到很大的提升。

S105、将待检测的域名样本输入所述自注意力生成对抗网络模型，输出检测结果。

在一些实施例中，在训练得到自注意力生成对抗网络模型后，对样本进行防御，本实施例采用的是修改训练网络，使用蒸馏网络的方法。对抗样本是在原始样本上扰动产生的，所以修复对抗样本可以抵抗对抗性攻击。神经网络易受对抗样本攻击，如在域名上做某一扰动，可能会导致神经网络模型错误的将其分类为合法域名，通过样本防御，会有助于神经网络模型的检测。域名在字符级别的增加、删除、修改产生了对抗性攻击，为了应对这类攻击，我们采用网络蒸馏的防御方法，即修改模型训练网络。具体的，如图8所示，通过蒸馏网络算法对所述自注意力生成对抗网络模型中的判别器模型进行训练，得到训练后的自注意力生成对抗网络模型，并输出预测标签。

在本实施例中，如图7所示，所述通过蒸馏网络算法对所述自注意力生成对抗网络模型中的判别器模型进行训练，包括：

S701、在设定的温度参数T下，向所述判别器模型的LSTM层输入真实域名样本和真实域名样本类别标签，输出第三LSTM特征向量。

S702、将所述第三LSTM特征向量输入所述判别器模型的全连接层，输出全连接层特征向量。

S703、将全连接层特征向量通过Softmax函数进行归一化，得到预测软标签F(X)。实现对初始网络的训练。

Softmax函数是模型的最后一层，使其也包含一个温度参数T，具体的：

其中，X是输入向量，N是表示类别标签的数量，

表示类别i对应的输出分量，T是温度参数，表示蒸馏方法中的温度。

S704、在所述温度参数T下，将所述预测软标签F(X)和真实域名样本输入到蒸馏网络，所述蒸馏网络与所述判别器模型的结构相同。对所述蒸馏网络进行训练，输出预测标签F。

通过上述防御蒸馏的方法进行防御，保证了易受对抗性攻击的风险。

根据本发明的实施例，结合了自注意力机制，对生成器网络结构进行了优化，降低了恶意域名检测的漏报率的问题，并提高了随机性域名检测的准确率问题。

与标准的RNN结构相比，本发明的实施例在生成器模块中将数据输入、嵌入层和LSTM层进行了拼接，并引入了自注意力机制，因此模型的权重更新可以更轻松地反向传播，有效的解决了标准RNN仅由一个隐藏状态组成所带来的序列开始处的信息很少能在后续阶段中保留和严重的梯度消失问题。

与传统判别网络的输出不同，本发明中的判别器模块不仅可以反向传播在样本来源上的判别误差，同时还可以对在判别样本所属类别过程中产生的分类误差进行训练和优化，进一步提升了恶意域名检测的有效性。

与现有技术相比，本发明提出的方案中结合自注意力机制和生成对抗网络解决了传统的LSTM恶意域名检测方法中需要人工标注、费时费力、域名算法需要更新等问题。

本发明结合了对抗样本的生成、判别以及防御，可以有效的预防深度神经网络易受对抗性攻击的影响。

此外，本发明结合自注意力机制以及生成对抗网络的方法，学习恶意域名的数据特征，并可以有效的提高域名检测的准确率。

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。

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。

如图9所示，装置900包括：

获取模块910，用于获取真实域名样本，对所述真实域名样本按照字符编码规则进行转换，得到真实域名数据；

初始化模块920，用于创建生成对抗网络，初始化所述生成对抗网络中的生成器模型、判别器模型以及参数，并且创建随机噪声数据；

第一训练模块930，用于以所述真实域名数据和所述随机噪声数据对所述生成器模型进行训练，并对所述生成器模型的输出结果按照字符编码规则进行转换，得到生成域名样本和生成域名样本类别标签；

第二训练模块940，用于以所述生成域名样本和所述真实域名样本对所述判别器模型进行训练，当训练完毕时，若所述判别器模型的输出结果达到预设阈值，则得到自注意力生成对抗网络模型；否则，返回重新对所述生成器模型进行训练；

检测模块950，用于将待检测的域名样本输入所述自注意力生成对抗网络模型，输出检测结果。

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。

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。

根据本发明的实施例，本发明还提供了一种电子设备。

图10示出了可以用来实施本发明的实施例的电子设备1000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。

设备1000包括计算单元1001，其可以根据存储在只读存储器（ROM）1002中的计算机程序或者从存储单元1008加载到随机访问存储器（RAM）1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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。

计算单元1001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1001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1001执行上文所描述的各个方法和处理，例如方法S101~S105。例如，在一些实施例中，方法S101~S105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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法S101~S105的一个或多个步骤。备选地，在其他实施例中，计算单元1001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~S105。

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。

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。

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。

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。

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。

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。

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。

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。