一种安卓rootkit快速检测识别方法发明专利

专利名称：一种安卓rootkit快速检测识别方法

专利类型：发明专利

专利申请号：CN202210760364.4

专利申请（专利权）人：广西华曜网络科技有限责任公司
权利人地址：广西壮族自治区南宁市那洪大道7号南宁研祥智谷C17-101栋

专利发明（设计）人：高雁,潘苏强

专利摘要：本发明涉及rootkit检测的技术领域，揭露了一种安卓rootkit快速检测识别方法，包括：构建安卓rootkit检测指标体系，检测得到安卓程序运行的安卓rootkit检测指标数据；构建安卓rootkit检测图神经网络模型；对所构建的安卓rootkit检测图神经网络模型进行结构优化；利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，形成最终的安卓rootkit检测图神经网络模型，将检测到的安卓rootkit检测指标数据输入到模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit。本发明所述方法通过计算隐变量概率判断安卓程序是否为rootkit，实现快速的rootkit检测识别，并对模型结构进行优化，增强模型结构的合理性，采用多层梯度下降算法提高模型参数优化的收敛性。

主权利要求：
1.一种安卓rootkit快速检测识别方法，其特征在于，所述方法包括：S1：构建安卓rootkit检测指标体系，采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据；
S2：构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，通过计算隐变量概率判断安卓程序是否为rootkit；
S3：对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型；
S4：利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，形成最终的安卓rootkit检测图神经网络模型，将S1步骤检测到的安卓rootkit检测指标数据输入到模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，否则不是，其中所述多层梯度下降算法流程，包括：利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，得到参数优化后的安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型中的待优化参数为安卓rootkit诊断节点中用于卷积计算处理的卷积参数，卷积参数包括卷积核的尺寸以及步长；
所述多层梯度下降算法的流程为：
S41：设置多层梯度下降算法的当前迭代次数为c，c的初始值为0，最大迭代次数为C，并初始化卷积参数以及梯度迭代参数；
S42：将训练数据data作为模型参数优化的训练数据，并构建多层梯度下降算法中A1层的目标函数：其中：
为第c次迭代时安卓rootkit检测图神经网络模型的卷积参数；
为将data中第k组训练数据输入到基于参数 的安卓rootkit检测图神经网络模型中，模型输出的安卓程序为rootkit的概率， 表示第k组训练数据的真实检测结果，， 表示该安卓程序不为rootkit， 表示该安卓程序为rootkit；
S43：计算第c次算法迭代时，A1层进行基于梯度校正法的参数更新公式为：其中：
为梯度校正法的梯度参数更新公式， , 为第c+1次
算法迭代的梯度参数；
A1层进行非梯度校正法的参数更新公式为：
其中：
为0 1之间的随机数；
~
S44：计算连续使用梯度校正法更新梯度参数的次数，若次数超过5次，则在A2层进行第c+1次算法迭代，则A2层的参数更新公式为：其中：
R表示限制算子；
S45：令 ；判断c是否满足大于等于C，若满足，则将当前迭代完成的参数作为优化后的模型参数，得到最终的安卓rootkit检测图神经网络模型，若不满足，则返回步骤S43。
2.如权利要求1所述的一种安卓rootkit快速检测识别方法，其特征在于，所述S1步骤中构建安卓rootkit检测指标体系，包括：所构建安卓rootkit检测指标体系包括：
其中：
表示安卓程序的IP端口检测指标；
表示安卓程序的进程检测指标；
表示安卓程序的文件检测指标；
表示安卓程序中系统调用表检测指标。
3.如权利要求2所述的一种安卓rootkit快速检测识别方法，其特征在于，所述S1步骤中采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据，包括：将安卓程序安装在沙箱环境中，并运行安卓程序，在安卓程序的运行过程中采集运行环境信息作为安卓程序运行数据N；
所述安卓程序运行数据N包括系统调用表，IP端口信息，系统文件记录信息，用户级进程列表以及内核级进程列表，并基于安卓rootkit检测指标体系对所采集的安卓程序运行数据进行检测处理，得到安卓程序运行的安卓rootkit检测指标数据，所述安卓rootkit检测指标数据的获取流程为：S11：将安卓运行数据N中系统调用表地址与无rootkit的对照系统中系统调用表地址进行对比，若两者不一致，表示系统调用表被篡改，设置 ；若两者一致，则判断系统调用表中表项起始地址是否在系统内核空间中，若在，则说明系统调用表未被篡改，设置，若不在，说明系统调用表的表项地址被篡改，设置 ，其中 表示系统调用表检测指标， 表示安卓运行数据N中的系统调用表检测指标；
S12：将内核级进程列表与用户级进程列表做差值，差值结果即为隐藏进程，将隐藏进程的编号ID作为安卓运行数据N的进程检测指标 ，其中 为安卓运行数据N中第1个隐藏进程的编号ID， 表示安卓运行数据N中隐藏进程的数目；
S13：计算安卓运行数据N的IP端口检测指标 ，计算公式为：其中：
为安卓运行数据N中IP端口所对应页面的大小；
为安卓运行数据N中IP端口的承载域名数量；
为安卓运行数据N中IP端口的开放数量；
S14：对安卓运行数据N中的系统文件进行完成度校验，将校验不通过的系统文件编号集合作为安卓运行数据N的文件检测指标 ，其中 表示安卓运行数据N中的第1个完整度校验未通过的系统文件编号， 为安卓运行数据N中完整度校验未通过的系统文件数量；所述完整度校验方式为遍历文件地址空间的校验方式；
S15：记录所检测到的安卓rootkit检测指标数据 。
4.如权利要求1所述的一种安卓rootkit快速检测识别方法，其特征在于，所述S2步骤中构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，包括：构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量；
所述安卓rootkit检测图神经网络模型包括若干节点，节点类型包括IP端口检测指标节点、系统文件节点、系统进程节点、系统调用表节点以及安卓rootkit诊断节点，节点通过边进行连接，构成连接节点；
其中IP端口检测指标节点的输入为安卓rootkit检测指标数据中的IP端口检测指标；
将系统中的所有系统文件构建为系统文件节点，系统文件节点名即为系统文件编号，每个系统文件节点具有两个离散状态 ，若系统文件节点状态为0，表示该文件通过了文件完整度校验，若系统文件节点状态为1，表示安卓rootkit检测指标数据中的文件检测指标存在该文件，即该文件未通过文件完整度校验；
将系统中的所有进程构建为系统进程节点，系统进程节点名即为系统进程编号，每个系统进程节点具有两个离散状态 ，若安卓rootkit检测指标数据中的进程检测指标表示该系统进程为隐藏进程，则将该系统进程节点设置为1，否则设置为0；系统调用表节点的输入为系统调用表检测指标；
安卓rootkit诊断节点的输入为所连接节点的值，并将所连接节点的值构成邻接矩阵，邻接矩阵中元素的位置为安卓rootkit诊断节点所连接节点，元素的值为安卓rootkit诊断节点所连接节点的值，对邻接矩阵进行卷积处理，将卷积结果输入到softmax函数中，softmax函数的输出结果即为安卓运行数据所对应安卓程序为rootkit的概率。
5.如权利要求4所述的一种安卓rootkit快速检测识别方法，其特征在于，所述S3步骤中对所构建的安卓rootkit检测图神经网络模型进行结构优化，包括：利用启发式算法对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型，所述结构优化流程为：S31：获取训练数据data，其中所述训练数据data包括若干组存在rootkit以及不存在rootkit的安卓rootkit检测指标数据，系统文件，系统进程；
S32：将训练数据中的系统文件编号、系统进程编号分别作为安卓rootkit检测图神经网络模型中的系统文件节点以及系统进程节点，并初始化安卓rootkit诊断节点、IP端口检测指标节点以及系统调用表节点，其中系统文件节点的数目为 ，系统进程节点的数目为 ；
S33：随机初始化K组安卓rootkit检测图神经网络模型的模型结构，其中所述模型结构为图结构，将图结构用邻接矩阵的形式表示，若两节点基于边进行连接，则将邻接矩阵中表示两节点位置的元素设置为1；
S34：设置结构优化算法的最大迭代次数为Max，当前迭代次数为t，t的初始值为0；
S35：构建安卓rootkit检测图神经网络模型结构的评分函数：其中：
为第k组安卓rootkit检测图神经网络模型结构在第t次迭代的模型结构，为该模型结构的评分结果；
为安卓rootkit检测图神经网络模型结构 中节点 和节点 的概率分布，其中节点 和节点 相互连接构成边， 表示节点 和节点 所构成边的信息；
S36：计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为本次迭代的最佳结构 ；
S37：对于第t次迭代中任意模型结构 ，若 ，则采用下式进行模型结构迭代：
其中：
表示对模型结构 进行随机加减边操作；
若 ，则采用下式对模型结构 进行迭代：
其中：
表示将 中信息最大且 没有的边添加到模型结构 中；
表示删去 中 中没有且信息最小的边；
S38：令 ；判断t是否满足大于等于Max，若满足，则计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为最终模型结构，并构建得到结构优化后的安卓rootkit检测图神经网络模型，若不满足，则返回步骤S36。
6.如权利要求1所述的一种安卓rootkit快速检测识别方法，其特征在于，所述S4步骤中将S1步骤检测到的安卓rootkit检测指标数据输入到最终模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，包括：将S1步骤检测到的安卓rootkit检测指标数据 输入到最终的安卓rootkit检测图神经网络模型中，模型输出结果即为该安卓程序为rootkit的概率 ，若概率 超过指定阈值 则表示该安卓程序是rootkit，否则该安卓程序不是rootkit，将指定阈值 设置为0.7。 说明书 : 一种安卓rootkit快速检测识别方法技术领域[0001] 本发明涉及rootkit检测的技术领域，尤其涉及一种安卓rootkit快速检测识别方法。背景技术[0002] 随着智能手机的普及，尤其是安卓手机，安卓手机安全成为人们关注的重点。[0003] Rootkit作为一种典型的木马威胁，其可以在系统留下后门，可以隐藏文件、网络连接和进程等关键信息，清除入侵痕迹，收集系统的隐私数据信息并定期向远程控制主机发送数据包，使得系统管理员很难发现其入侵行为。现有的rootkit检测技术大多针对主机，但安卓手机rootkit检测相关研究较少，且目前安卓手机上的安防软件无法对rootkit进行检测，使得安卓手机存在巨大安全隐患。针对该问题，本专利提出一种安卓rootkit快速检测识别方法。发明内容[0004] 有鉴于此，本发明提供一种安卓rootkit快速检测识别方法，目的在于(1)构建多层次的安卓rootkit检测指标体系，分别包括安卓程序运行环境的文件指标、IP端口指标、系统指标以及进程指标，并构建安卓rootkit检测图神经网络模型，以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，通过计算隐变量概率判断安卓程序是否为rootkit，实现快速的rootkit检测识别；(2)实现安卓rootkit检测图神经网络模型结构的优化，增强模型结构的合理性，提高模型参数的学习速度，并利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，在某些条件下采用模糊解代替梯度求解结果，从而将模糊解作为梯度求解方向，有利于提高模型参数优化的收敛性，提高模型参数的求解速度。[0005] 实现上述目的，本发明提供的一种安卓rootkit快速检测识别方法，包括以下步骤：[0006] S1：构建安卓rootkit检测指标体系，采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据；[0007] S2：构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，通过计算隐变量概率判断安卓程序是否为rootkit；[0008] S3：对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型；[0009] S4：利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，形成最终的安卓rootkit检测图神经网络模型，将S1步骤检测到的安卓rootkit检测指标数据输入到模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，否则不是。[0010] 作为本发明的进一步改进方法：[0011] 可选地，所述S1步骤中采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据，包括：[0012] 将安卓程序安装在沙箱环境中，并运行安卓程序，在安卓程序的运行过程中采集运行环境信息作为安卓程序运行数据N，在本发明实施例中，所述沙箱环境的系统为安卓手机系统；[0013] 所述安卓程序运行数据N包括系统调用表，IP端口信息，系统文件记录信息，用户级进程列表以及内核级进程列表，并基于安卓rootkit检测指标体系对所采集的安卓程序运行数据进行检测处理，得到安卓程序运行的安卓rootkit检测指标数据，所述安卓rootkit检测指标数据的获取流程为：[0014] S11：将安卓运行数据N中系统调用表地址与无rootkit的对照系统中系统调用表地址进行对比，若两者不一致，表示系统调用表被篡改，设置Nsys＝1；若两者一致，则判断系统调用表中表项起始地址是否在系统内核空间中，若在，则说明系统调用表未被篡改，设置Nsys＝0，若不在，说明系统调用表的表项地址被篡改，设置Nsys＝3，其中sys表示系统调用表检测指标，Nsys表示安卓运行数据N中的系统调用表检测指标；[0015] S12：将内核级进程列表与用户级进程列表做差值，差值结果即为隐藏进程，将隐藏进程的编号ID作为安卓运行数据N的进程检测指标 其中PN，1为安卓运行数据N中第1个隐藏进程的编号ID，Nm表示安卓运行数据N中隐藏进程的数目；[0016] S13：计算安卓运行数据N的IP端口检测指标 所述计算公式为：[0017][0018] 其中：[0019] 为安卓运行数据N中IP端口所对应页面的大小；[0020] 为安卓运行数据N中IP端口的承载域名数量；[0021] 为安卓运行数据N中IP端口的开放数量；[0022] S14：对安卓运行数据N中的系统文件进行完成度校验，将校验不通过的系统文件编号集合作为安卓运行数据N的文件检测指标 其中fN，1表示安卓运行数据N中的第1个完整度校验未通过的系统文件编号，Nf为安卓运行数据N中完整度校验未通过的系统文件数量；所述完整度校验方式为遍历文件地址空间的校验方式；[0023] S15：记录所检测到的安卓rootkit检测指标数据[0024] 可选地，所述S2步骤中构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，包括：[0025] 构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量；[0026] 所述安卓rootkit检测图神经网络模型包括若干节点，节点类型包括IP端口检测指标节点、系统文件节点、系统进程节点、系统调用表节点以及安卓rootkit诊断节点，节点通过边进行连接，构成连接节点；[0027] 其中IP端口检测指标节点的输入为安卓rootkit检测指标数据中的IP端口检测指标；将系统中的所有系统文件构建为系统文件节点，系统文件节点名即为系统文件编号，每个系统文件节点具有两个离散状态0/1，若系统文件节点状态为0，表示该文件通过了文件完整度校验，若系统文件节点状态为1，表示安卓rootkit检测指标数据中的文件检测指标存在该文件，即该文件未通过文件完整度校验；[0028] 将系统中的所有进程构建为系统进程节点，系统进程节点名即为系统进程编号，每个系统进程节点具有两个离散状态0/1，若安卓rootkit检测指标数据中的进程检测指标表示该系统进程为隐藏进程，则将该系统进程节点设置为1，否则设置为0；系统调用表节点的输入为系统调用表检测指标；[0029] 安卓rootkit诊断节点的输入为所连接节点的值，并将所连接节点的值构成邻接矩阵，邻接矩阵中元素的位置为安卓rootkit诊断节点所连接节点，元素的值为安卓rootkit诊断节点所连接节点的值，对邻接矩阵进行卷积处理，将卷积结果输入到softmax函数中，softmax函数的输出结果即为安卓运行数据所对应安卓程序为rootkit的概率。[0030] 可选地，所述S3步骤中对所构建的安卓rootkit检测图神经网络模型进行结构优化，包括：[0031] 利用启发式算法对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型，所述结构优化流程为：[0032] S31：获取训练数据data，其中所述训练数据data包括若干组存在rootkit以及不存在rootkit的安卓rootkit检测指标数据，系统文件，系统进程，在本发明实施例中，存在rootkit的数据组数为不存在rootkit的数据组数的两倍；[0033] S32：将训练数据中的系统文件编号、系统进程编号分别作为安卓rootkit检测图神经网络模型中的系统文件节点以及系统进程节点，并初始化安卓rootkit诊断节点、IP端口检测指标节点以及系统调用表节点，其中系统文件节点的数目为Numf，系统进程节点的数目为Nump；[0034] S33：随机初始化K组安卓rootkit检测图神经网络模型的模型结构，其中所述模型结构为图结构，将图结构用邻接矩阵的形式表示，若两节点基于边进行连接，则将邻接矩阵中表示两节点位置的元素设置为1；[0035] S34：设置结构优化算法的最大迭代次数为Max，当前迭代次数为t，t的初始值为0；[0036] S35：构建安卓rootkit检测图神经网络模型结构的评分函数：[0037][0038] 其中：[0039] 为第k组安卓rootkit检测图神经网络模型结构在第t次迭代的模型结构，为该模型结构的评分结果；[0040] 为安卓rootkit检测图神经网络模型结构 中节点i和节点j的概率分布，其中节点i和节点j相互连接构成边， 表示节点i和节点j所构成边的信息；[0041] S36：计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为本次迭代的最佳结构[0042] S37：对于第t次迭代中任意模型结构 若 则采用下式进行模型结构迭代：[0043][0044] 其中：[0045] 表示对模型结构 进行随机加减边操作；[0046] 若 则采用下式对模型结构 进行迭代：[0047][0048] 其中：[0049] 表示将 中信息最大且 没有的边添加到模型结构 中；[0050] 表示删去 中 中没有且信息最小的边；[0051] S38：令t＝+1；判断t是否满足大于等于Max，若满足，则计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为最终模型结构，并构建得到结构优化后的安卓rootkit检测图神经网络模型，若不满足，则返回步骤S36。[0052] 可选地，所述S4步骤中利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，形成最终的安卓rootkit检测图神经网络模型，包括：[0053] 利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，得到参数优化后的安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型中的待优化参数为安卓rootkit诊断节点中用于卷积计算处理的卷积参数，卷积参数包括卷积核的尺寸以及步长；[0054] 所述多层梯度下降算法的流程为：[0055] S41：设置多层梯度下降算法的当前迭代次数为c，c的初始值为0，最大迭代次数为cC，并初始化卷积参数θ以及梯度迭代参数；[0056] S42：将训练数据data作为模型参数优化的训练数据，并构建多层梯度下降算法中A1层的目标函数：[0057][0058] 其中：[0059] θc为第c次迭代时安卓rootkit检测图神经网络模型的卷积参数；[0060] 为将data中第k组训练数据输入到基于参数θc的安卓rootkit检测图神经网络模型中，模型输出的安卓程序为rootkit的概率，yk表示第k组训练数据的真实检测结果，yk＝{0，1}，yk＝0表示该安卓程序不为rootkit，yk＝1表示该安卓程序为rootkit；[0061] S43：计算第c次算法迭代时，A1层中梯度参数采用梯度校正法更新的概率为Fc(θ)，A1层进行基于梯度校正法的参数更新公式为：[0062][0063][0064][0065] 其中：[0066] 为梯度校正法的梯度参数更新公式，αc+1，βc+1为第c+1次算法迭代的梯度参数；[0067] A1层进行非梯度校正法的参数更新公式为：[0068][0069][0070][0071] 其中：[0072] α0为0，β0为1，ε为0～1之间的随机数；[0073] S44：计算连续使用梯度校正法更新梯度参数的次数，若次数超过5次，则在A2层进行第c+1次算法迭代，则A2层的参数更新公式为：[0074] θc+1＝Rθc[0075] 其中：[0076] R表示限制算子；[0077] S45：令c＝c+1；判断c是否满足大于等于C，若满足，则将当前迭代完成的参数作为优化后的模型参数，得到最终的安卓rootkit检测图神经网络模型，若不满足，则返回步骤S43。[0078] 可选地，所述S4步骤中将S1步骤检测到的安卓rootkit检测指标数据输入到最终模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，包括：[0079] 将S1步骤检测到的安卓rootkit检测指标数据 输入到最终的安卓rootkit检测图神经网络模型中，模型输出结果即为该安卓程序为rootkit的概率P(N)，若概率P(N)超过指定阈值 则表示该安卓程序是rootkit，否则该安卓程序不是rootkit，将指定阈值 设置为0.7。[0080] 为了解决上述问题，本发明还提供一种安卓rootkit快速检测识别装置，其特征在于，所述装置包括：[0081] 数据采集装置，用于采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据；[0082] 模型构建装置，用于构建安卓rootkit检测图神经网络模型，将检测到的安卓rootkit检测指标数据输入到模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，否则不是；[0083] 模型优化装置，用于对所构建的安卓rootkit检测图神经网络模型进行结构优化，利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化。[0084] 为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：[0085] 存储器，存储至少一个指令；及[0086] 处理器，执行所述存储器中存储的指令以实现上述所述的安卓rootkit快速检测识别方法。[0087] 为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的安卓rootkit快速检测识别方法。[0088] 相对于现有技术，本发明提出一种安卓rootkit快速检测识别方法，该技术具有以下优势：[0089] 首先，本方案提出一种安卓rootkit检测图神经网络模型以及对应的模型结构优化策略，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量；所述安卓rootkit检测图神经网络模型包括若干节点，节点类型包括IP端口检测指标节点、系统文件节点、系统进程节点、系统调用表节点以及安卓rootkit诊断节点，节点通过边进行连接，构成连接节点；安卓rootkit诊断节点的输入为所连接节点的值，并将所连接节点的值构成邻接矩阵，邻接矩阵中元素的位置为安卓rootkit诊断节点所连接节点，元素的值为安卓rootkit诊断节点所连接节点的值，对邻接矩阵进行卷积处理，将卷积结果输入到softmax函数中，softmax函数的输出结果即为安卓运行数据所对应安卓程序为rootkit的概率。利用启发式算法对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型，所述结构优化流程为：获取训练数据data，其中所述训练数据data包括若干组存在rootkit以及不存在rootkit的安卓rootkit检测指标数据，系统文件，系统进程；将训练数据中的系统文件编号、系统进程编号分别作为安卓rootkit检测图神经网络模型中的系统文件节点以及系统进程节点，并初始化安卓rootkit诊断节点、IP端口检测指标节点以及系统调用表节点，其中系统文件节点的数目为Numf，系统进程节点的数目为Nump；随机初始化K组安卓rootkit检测图神经网络模型的模型结构，其中所述模型结构为图结构，将图结构用邻接矩阵的形式表示，若两节点基于边进行连接，则将邻接矩阵中表示两节点位置的元素设置为1；设置结构优化算法的最大迭代次数为Max，当前迭代次数为t，t的初始值为0；构建安卓rootkit检测图神经网络模型结构的评分函数：[0090][0091] 其中： 为第k组安卓rootkit检测图神经网络模型结构在第t次迭代的模型结构，为该模型结构的评分结果； 为安卓rootkit检测图神经网络模型结构 中节点i和节点j的概率分布，其中节点i和节点j相互连接构成边， 表示节点i和节点j所构成边的信息；计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为本次迭代的最佳结构 对于第t次迭代中任意模型结构 若 则采用下式进行模型结构迭代：[0092][0093] 其 中： 表 示对 模 型结 构 进 行随 机 加减 边 操作 ；若则采用下式对模型结构 进行迭代：[0094][0095] 其中： 表示将 中信息最大且 没有的边添加到模型结构 中；表示删去 中 中没有且信息最小的边；令t＝t+1；判断t是否满足大于等于Max，若满足，则计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为最终模型结构，并构建得到结构优化后的安卓rootkit检测图神经网络模型，若不满足，则返回模型结构迭代部分。相较于传统方案，本方案通过构建多层次的安卓rootkit检测指标体系，并构建安卓rootkit检测图神经网络模型，以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，通过计算隐变量概率判断安卓程序是否为rootkit，实现快速的rootkit检测识别，同时本方案实现安卓rootkit检测图神经网络模型结构的优化，增强模型结构的合理性，以提高模型参数的学习速度。[0096] 同时，本方案提出一种模型参数优化方法，通过利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，得到参数优化后的安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型中的待优化参数为安卓rootkit诊断节点中用于卷积计算处理的卷积参数，卷积参数包括卷积核的尺寸以及步长；所述多层梯度下降算法的流程为：设置多层梯度下降算法的当前迭代次数为c，c的初始值为0，最大迭c代次数为C，并初始化卷积参数θ以及梯度迭代参数；将训练数据data作为模型参数优化的训练数据，并构建多层梯度下降算法中A1层的目标函数：[0097]c[0098] 其中：θ为第c次迭代时安卓rootkit检测图神经网络模型的卷积参数； 为将cdata中第k组训练数据输入到基于参数θ的安卓rootkit检测图神经网络模型中，模型输出的安卓程序为rootkit的概率，yk表示第k组训练数据的真实检测结果，yk＝{0，1}，yk＝0表示该安卓程序不为rootkit，yk＝1表示该安卓程序为rootkit；计算第c次算法迭代时，A1层c中梯度参数采用梯度校正法更新的概率为F(θ)，A1层进行基于梯度校正法的参数更新公式为：[0099][0100][0101][0102] 其中： 为梯度校正法的梯度参数更新公式，αc+1，βc+1为第c+1次算法迭代的梯度参数；A1层进行非梯度校正法的参数更新公式为：[0103][0104][0105][0106] 其中：α0为0，β0为1，ε为0～1之间的随机数；计算连续使用梯度校正法更新梯度参数的次数，若次数超过5次，则在A2层进行第c+1次算法迭代，则A2层的参数更新公式为：[0107] θc+1＝Rθc[0108] 其中：R表示限制算子；令c＝c+1；判断c是否满足大于等于C，若满足，则将当前迭代完成的参数作为优化后的模型参数，得到最终的安卓rootkit检测图神经网络模型。通过将检测到的安卓rootkit检测指标数据 输入到最终的安卓rootkit检测图神经网络模型中，模型输出结果即为该安卓程序为rootkit的概率P(N)，若概率P(N)超过指定阈值 则表示该安卓程序是rootkit，否则该安卓程序不是rootkit，将指定阈值设置为0.7。本方案通过利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，在某些条件下采用A2层的模糊解代替A1层的梯度求解结果，从而将模糊解作为梯度求解方向，有利于提高模型参数优化的收敛性，提高模型参数的求解速度。附图说明[0109] 图1为本发明一实施例提供的一种安卓rootkit快速检测识别方法的流程示意图；[0110] 图2为本发明一实施例提供的安卓rootkit快速检测识别装置的功能模块图；[0111] 图3为本发明一实施例提供的实现安卓rootkit快速检测识别方法的电子设备的结构示意图。[0112] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式[0113] 应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0114] 本申请实施例提供一种安卓rootkit快速检测识别方法。所述安卓rootkit快速检测识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述安卓rootkit快速检测识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。[0115] 实施例1：[0116] S1：构建安卓rootkit检测指标体系，采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据。[0117] 所述S1步骤中采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据，包括：[0118] 将安卓程序安装在沙箱环境中，并运行安卓程序，在安卓程序的运行过程中采集运行环境信息作为安卓程序运行数据N，在本发明实施例中，所述沙箱环境的系统为安卓手机系统；[0119] 所述安卓程序运行数据N包括系统调用表，IP端口信息，系统文件记录信息，用户级进程列表以及内核级进程列表，并基于安卓rootkit检测指标体系对所采集的安卓程序运行数据进行检测处理，得到安卓程序运行的安卓rootkit检测指标数据，所述安卓rootkit检测指标数据的获取流程为：[0120] S11：将安卓运行数据N中系统调用表地址与无rootkit的对照系统中系统调用表地址进行对比，若两者不一致，表示系统调用表被篡改，设置Nsys＝1；若两者一致，则判断系统调用表中表项起始地址是否在系统内核空间中，若在，则说明系统调用表未被篡改，设置Nsys＝0，若不在，说明系统调用表的表项地址被篡改，设置Nsys＝3，其中sys表示系统调用表检测指标，Nsys表示安卓运行数据N中的系统调用表检测指标；[0121] S12：将内核级进程列表与用户级进程列表做差值，差值结果即为隐藏进程，将隐藏进程的编号ID作为安卓运行数据N的进程检测指标 其中pN，1为安卓运行数据N中第1个隐藏进程的编号ID，Nm表示安卓运行数据N中隐藏进程的数目；[0122] S13：计算安卓运行数据N的IP端口检测指标 所述计算公式为：[0123][0124] 其中：[0125] 为安卓运行数据N中IP端口所对应页面的大小；[0126] 为安卓运行数据N中IP端口的承载域名数量；[0127] 为安卓运行数据N中IP端口的开放数量；[0128] S14：对安卓运行数据N中的系统文件进行完成度校验，将校验不通过的系统文件编号集合作为安卓运行数据N的文件检测指标 其中fN，1表示安卓运行数据N中的第1个完整度校验未通过的系统文件编号，Nf为安卓运行数据N中完整度校验未通过的系统文件数量；所述完整度校验方式为遍历文件地址空间的校验方式；[0129] S15：记录所检测到的安卓rootkit检测指标数据[0130] S2：构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，通过计算隐变量概率判断安卓程序是否为rootkit。[0131] 所述S2步骤中构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量，包括：[0132] 构建安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型以安卓rootkit检测指标数据为观测变量，以安卓rootkit诊断概率为隐变量；[0133] 所述安卓rootkit检测图神经网络模型包括若干节点，节点类型包括IP端口检测指标节点、系统文件节点、系统进程节点、系统调用表节点以及安卓rootkit诊断节点，节点通过边进行连接，构成连接节点；[0134] 其中IP端口检测指标节点的输入为安卓rootkit检测指标数据中的IP端口检测指标；将系统中的所有系统文件构建为系统文件节点，系统文件节点名即为系统文件编号，每个系统文件节点具有两个离散状态0/1，若系统文件节点状态为0，表示该文件通过了文件完整度校验，若系统文件节点状态为1，表示安卓rootkit检测指标数据中的文件检测指标存在该文件，即该文件未通过文件完整度校验；[0135] 将系统中的所有进程构建为系统进程节点，系统进程节点名即为系统进程编号，每个系统进程节点具有两个离散状态0/1，若安卓rootkit检测指标数据中的进程检测指标表示该系统进程为隐藏进程，则将该系统进程节点设置为1，否则设置为0；系统调用表节点的输入为系统调用表检测指标；[0136] 安卓rootkit诊断节点的输入为所连接节点的值，并将所连接节点的值构成邻接矩阵，邻接矩阵中元素的位置为安卓rootkit诊断节点所连接节点，元素的值为安卓rootkit诊断节点所连接节点的值，对邻接矩阵进行卷积处理，将卷积结果输入到softmax函数中，softmax函数的输出结果即为安卓运行数据所对应安卓程序为rootkit的概率。[0137] S3：对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型。[0138] 所述S3步骤中对所构建的安卓rootkit检测图神经网络模型进行结构优化，包括：[0139] 利用启发式算法对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型，所述结构优化流程为：[0140] S31：获取训练数据data，其中所述训练数据data包括若干组存在rootkit以及不存在rootkit的安卓rootkit检测指标数据，系统文件，系统进程，在本发明实施例中，存在rootkit的数据组数为不存在rootkit的数据组数的两倍；[0141] S32：将训练数据中的系统文件编号、系统进程编号分别作为安卓rootkit检测图神经网络模型中的系统文件节点以及系统进程节点，并初始化安卓rootkit诊断节点、IP端口检测指标节点以及系统调用表节点，其中系统文件节点的数目为Numf，系统进程节点的数目为Nump；[0142] S33：随机初始化K组安卓rootkit检测图神经网络模型的模型结构，其中所述模型结构为图结构，将图结构用邻接矩阵的形式表示，若两节点基于边进行连接，则将邻接矩阵中表示两节点位置的元素设置为1；[0143] S34：设置结构优化算法的最大迭代次数为Max，当前迭代次数为t，t的初始值为0；[0144] S35：构建安卓rootkit检测图神经网络模型结构的评分函数：[0145][0146] 其中：[0147] 为第k组安卓rootkit检测图神经网络模型结构在第t次迭代的模型结构，为该模型结构的评分结果；[0148] 为安卓rootkit检测图神经网络模型结构 中节点i和节点j的概率分布，其中节点i和节点j相互连接构成边， 表示节点i和节点j所构成边的信息；[0149] S36：计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为本次迭代的最佳结构[0150] S37：对于第t次迭代中任意模型结构 若 则采用下式进行模型结构迭代：[0151][0152] 其中：[0153] 表示对模型结构 进行随机加减边操作；[0154] 若 则采用下式对模型结构 进行迭代：[0155][0156] 其中：[0157] 表示将 中信息最大且 没有的边添加到模型结构 中；[0158] 表示删去 中 中没有且信息最小的边；[0159] S38：令t＝t+1；判断t是否满足大于等于Max，若满足，则计算当前第t次迭代中，所有安卓rootkit检测图神经网络模型结构的评分结果，将评分最高的模型结构作为最终模型结构，并构建得到结构优化后的安卓rootkit检测图神经网络模型，若不满足，则返回步骤S36。[0160] S4：利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，形成最终的安卓rootkit检测图神经网络模型，将S1步骤检测到的安卓rootkit检测指标数据输入到模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，否则不是。[0161] 所述S4步骤中利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，形成最终的安卓rootkit检测图神经网络模型，包括：[0162] 利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，得到参数优化后的安卓rootkit检测图神经网络模型，所述安卓rootkit检测图神经网络模型中的待优化参数为安卓rootkit诊断节点中用于卷积计算处理的卷积参数，卷积参数包括卷积核的尺寸以及步长；[0163] 所述多层梯度下降算法的流程为：[0164] S41：设置多层梯度下降算法的当前迭代次数为c，c的初始值为0，最大迭代次数为cC，并初始化卷积参数θ以及梯度迭代参数；[0165] S42：将训练数据data作为模型参数优化的训练数据，并构建多层梯度下降算法中A1层的目标函数：[0166][0167] 其中：[0168] θc为第c次迭代时安卓rootkit检测图神经网络模型的卷积参数；[0169] 为将data中第k组训练数据输入到基于参数θc的安卓rootkit检测图神经网络模型中，模型输出的安卓程序为rootkit的概率，yk表示第k组训练数据的真实检测结果，yk＝{0，1}，yk＝0表示该安卓程序不为rootkit，yk＝1表示该安卓程序为rootkit；[0170] S43：计算第c次算法迭代时，A1层中梯度参数采用梯度校正法更新的概率为Fc(θ)，A1层进行基于梯度校正法的参数更新公式为：[0171][0172][0173][0174] 其中：[0175] 为梯度校正法的梯度参数更新公式，αc+1，βc+1为第c+1次算法迭代的梯度参数；[0176] A1层进行非梯度校正法的参数更新公式为：[0177][0178][0179][0180] 其中：[0181] α0为0，β0为1，ε为0～1之间的随机数；[0182] S44：计算连续使用梯度校正法更新梯度参数的次数，若次数超过5次，则在A2层进行第c+1次算法迭代，则A2层的参数更新公式为：[0183] θc+1＝Rθc[0184] 其中：[0185] R表示限制算子；[0186] S45：令c＝c+1；判断c是否满足大于等于C，若满足，则将当前迭代完成的参数作为优化后的模型参数，得到最终的安卓rootkit检测图神经网络模型，若不满足，则返回步骤S43。[0187] 所述S4步骤中将S1步骤检测到的安卓rootkit检测指标数据输入到最终模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，包括：[0188] 将S1步骤检测到的安卓rootkit检测指标数据 输入到最终的安卓rootkit检测图神经网络模型中，模型输出结果即为该安卓程序为rootkit的概率P(N)，若概率P(N)超过指定阈值 则表示该安卓程序是rootkit，否则该安卓程序不是rootkit，将指定阈值 设置为0.7。[0189] 实施例2：[0190] 如图2所示，是本发明一实施例提供的安卓rootkit快速检测识别装置的功能模块图，其可以实现实施例1中的安卓rootkit快速检测识别方法。[0191] 本发明所述安卓rootkit快速检测识别装置100可以安装于电子设备中。根据实现的功能，所述安卓rootkit快速检测识别装置可以包括数据采集装置101、模型构建装置102及模型优化装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。[0192] 数据采集装置101，用于采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据；[0193] 模型构建装置102，用于构建安卓rootkit检测图神经网络模型，将检测到的安卓rootkit检测指标数据输入到模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，否则不是；[0194] 模型优化装置103，用于对所构建的安卓rootkit检测图神经网络模型进行结构优化，利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化。[0195] 详细地，本发明实施例中所述安卓rootkit快速检测识别装置100中的所述各模块在使用时采用与上述的图1中所述的安卓rootkit快速检测识别方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。[0196] 实施例3：[0197] 如图3所示，是本发明一实施例提供的实现安卓rootkit快速检测识别方法的电子设备的结构示意图。[0198] 所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如安卓rootkit快速检测识别程序12。[0199] 其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(FlashCard)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如安卓rootkit快速检测识别程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。[0200] 所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessingunit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(安卓rootkit快速检测识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。[0201] 所述总线可以是外设部件互连标准(peripheralcomponentinterconnect，简称PCI)总线或扩展工业标准结构(extendedindustrystandardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。[0202] 图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。[0203] 例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi‑Fi模块等，在此不再赘述。[0204] 进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI‑FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。[0205] 可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight‑EmittingDiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。[0206] 应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。[0207] 所述电子设备1中的所述存储器11存储的安卓rootkit快速检测识别程序12是多个指令的组合，在所述处理器10中运行时，可以实现：[0208] 构建安卓rootkit检测指标体系，采集安卓程序运行数据，并基于安卓rootkit检测指标体系检测得到安卓程序运行的安卓rootkit检测指标数据；[0209] 构建安卓rootkit检测图神经网络模型；[0210] 对所构建的安卓rootkit检测图神经网络模型进行结构优化，得到结构优化后的安卓rootkit检测图神经网络模型；[0211] 利用多层梯度下降算法对优化后的安卓rootkit检测图神经网络模型进行参数优化，形成最终的安卓rootkit检测图神经网络模型，将检测到的安卓rootkit检测指标数据输入到模型中，模型输出结果即为该安卓程序为rootkit的概率，若概率超过指定阈值则安卓程序是rootkit，否则不是。[0212] 具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。[0213] 需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。[0214] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。[0215] 以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

专利地区：广西

专利申请日期：2022-06-29

专利公开日期：2024-11-22

专利公告号：CN115098856B