CN111417129A

CN111417129A - 多频多模网络的配置方法及设备

Info

Publication number: CN111417129A
Application number: CN201910010603.2A
Authority: CN
Inventors: 邱亚星; 王希栋; 王凤君; 边森
Original assignee: China Mobile Communications Group Co Ltd; China Mobile Communications Ltd Research Institute
Current assignee: China Mobile Communications Group Co Ltd; China Mobile Communications Ltd Research Institute
Priority date: 2019-01-07
Filing date: 2019-01-07
Publication date: 2020-07-14
Anticipated expiration: 2039-01-07
Also published as: CN111417129B

Abstract

本发明的实施例提供一种多频多模网络的配置方法及设备，其中方法包括：对多频多模网络的扇区进行特征聚类处理，得到处理结果；根据所述处理结果，对网络配置参数与网络性能参数的关系模型进行训练，得到训练后的关系模型；将所述多频多模网络的实时网络配置参数以及网络性能参数，输入所述训练后的关系模型，输出优化网络性能参数对应的网络配置参数；根据所述网络配置参数，对所述多频多模网络进行配置。本发明的方案可以提高参数配置的质量和效率。

Description

多频多模网络的配置方法及设备

技术领域

本发明涉及通信技术领域，特别是指一种多频多模网络的配置方法及设备。

背景技术

TDD(时分复用)+FDD(频分复用)融合组网解决容量、深度覆盖、竞争三重网络挑战，当前FDD1800M终端渗透率为60％-70％，900M为10-20％，基于目标网考虑TF“协同”及“演进”关系，TF深度融合，提升网络竞争力，多频多模网络结构如图1所示，如：扇区A下有D1D2D3FDD1800F1F2FDD9007个频点。

负载均衡问题是多频多模网络所要解决的重大问题。针对多频多模网络结构，通常一个扇区配置一套参数，用来做负载均衡。

目前的技术方案以网优工程师的经验为准绳，针对多频多模网络的具体频点组成对资源配置、频点配置以及边界电平等相关参数进行配置，策略举例如下(参数表格旨在说明参数配置形式，数值并不具实际意义)：

边界电平说明：容量层边界电平-D/FDD1800(D)表示D和FDD1800边界D的电平值；

容量层边界电平-D/FDD1800(FDD1800)表示D和FDD1800边界FDD1800的电平值。

现有的技术方案对多频多模网络不同的场景均采用一套通用的参数配置，当网络负载出现问题时，再依据经验进行参数调整，耗费大量人力。由于不同场景下的参数配置与网络质量的相关性十分复杂，仅依靠人工经验很难做到精细化的参数配置，并且人工经验没有依据大数据甚至仅仅参考碎片化的小数据来进行经验总结，难以挖掘数据之间的隐藏关系以及利用这些关系提高网优工作的质量和效率，目前的技术自动化和精细化程度不高。

发明内容

本发明提供了一种多频多模网络的配置方法及设备，可以提高参数配置的质量和效率，提高网优工作的质量和效率。

为解决上述技术问题，本发明的实施例提供如下方案：

一种多频多模网络的配置方法，包括：

对多频多模网络的扇区进行特征聚类处理，得到处理结果；

根据所述处理结果，对网络配置参数与网络性能参数的关系模型进行训练，得到训练后的关系模型；

将所述多频多模网络的实时网络配置参数以及网络性能参数，输入所述训练后的关系模型，输出优化网络性能参数对应的网络配置参数；

根据所述网络配置参数，对所述多频多模网络进行配置。

其中，对多频多模网络的扇区进行特征聚类处理，得到处理结果，包括：

获取所述多频多模网络中扇区用于聚类的可用数据；

根据所述可用数据，对所述多频多模网络的扇区进行特征聚类处理，得到至少一个扇区类簇。

其中，获取所述多频多模网络中扇区用于聚类的可用数据，包括：

获取所述多频多模网络的一预设时间段内的预设数量扇区的历史数据；

对所述历史数据进行处理，得到用于模型训练的可用数据，所述可用数据包括：所述多频多模网络的各扇区的测量报告数据。

其中，根据所述可用数据，对所述多频多模网络的扇区进行特征聚类处理，得到至少一个扇区类簇，包括：

从所述多频多模网络的N个扇区中，选取K个扇区分别作为K个扇区类簇的初始聚类中心点扇区，一个扇区类簇中包括至少一个扇区，且具有一个初始聚类中心点扇区；N和K均为正整数且N≤K；

根据各扇区的测量报告数据，计算各扇区分别到K个聚类中心点扇区的距离；

将各扇区归到离它距离最近的聚类中心所在的扇区类簇中，得到K个扇区类簇。

其中，所述N个扇区的测量报告数据矩阵为：

其中，一个扇区的测量报告数据有D个属性，一个扇区的测量报告数据由该扇区包括的各个频点的测量报告数据累加得到，x_ij表示第i个扇区的第j个属性,i为{1，2，…，N}，j为{1，2，…，D}。

其中，根据各扇区的测量报告数据，计算各扇区分别到K个聚类中心点扇区的距离，包括：

采用欧氏距离公式：

计算扇区m到扇区k的距离；

其中，dist(x_m,x_k)表示第m个扇区到一个聚类中心点扇区k的距离，x_m,d为第m个扇区的第d个属性，x_k,d表示聚类中心点扇区k的第d个属性。

其中，将各扇区归到离它距离最近的聚类中心所在的扇区类簇中，得到K个扇区类簇后，还包括：

通过以下公式

对所述K个扇区类簇中的每一个扇区类簇的聚类中心点扇区进行更新；

其中，Center_k表示第k个扇区类簇的中心点扇区，Center_k是一个含有D个属性的向量，表示为Center_k＝(Center_k,1,Center_k,2,...,Center_k,D)；C_k表示第k个类簇，|C_k|表示第k个扇区类簇中扇区对象的个数，求和是指扇区类簇C_k中所有扇区数据在对应列属性上的和。

其中，根据所述处理结果，对网络配置参数与网络性能参数的关系模型进行训练，得到训练后的关系模型，包括：

至少一个扇区类簇中各扇区的用于模型训练的可用数据为网络配置参数以及网络性能参数：

其中，x_mn表示第m个频点的第n个参数；

各扇区的网络性能参数Y为：

其中，y_mk表示第m个频点的第k个数据；

将所述X中的数据按照行序转换为列矩阵：

将所述Y中的数据按照行序转换为列矩阵：

将转换后的列矩阵输入关系模型Y＝f(X)；

根据使代价函数

达到最小的原则，得到所述关系模型的权重和偏置参数；

'

其中，y_i是Y的样本数据，而y_i是y_i的预测值，l为Y中样本数据的个数。

其中，多频多模网络的配置方法，还包括：对于一条新的数据(X,Y),如果训练数据与预测数据的MSE值大于一预设阈值T，则用新的数据(X,Y)更新所述关系模型。

其中，将所述实时网络配置参数以及所述网络性能参数，输入所述训练后的关系模型，输出优化网络性能参数对应的网络配置参数，包括：

将所述实时网络配置参数以及所述网络性能参数，输入所述关系模型，以所述实时网络配置参数为起点，搜索其周围多个配置参数和性能参数构成的数据点；

对多个数据点进行遍历，得到所述网络性能参数大于一预设值的一组网络性能参数；

输出所述一组网络性能参数对应的网络配置参数。

其中，对多个数据点进行遍历，得到所述网络性能参数大于一预设值的一组网络性能参数，包括：

当前数据点开始，将当前数据点和周围的邻居数据点的值进行比较，如果当前数据点大，那么返回当前数据点；否则，用邻居数据点替换当前数据点，直到所述数据点遍历完毕，得到所述网络性能参数大于一预设值的一组网络性能参数。

本发明的实施例还提供一种多频多模网络的配置设备，包括：

处理器，用于对多频多模网络的扇区进行特征聚类处理，得到处理结果；根据所述处理结果，对网络配置参数与网络性能参数的关系模型进行训练，得到训练后的关系模型；将所述多频多模网络的实时网络配置参数以及网络性能参数，输入所述训练后的关系模型，输出优化网络性能参数对应的网络配置参数；根据所述网络配置参数，对所述多频多模网络进行配置。

其中，所述处理器对多频多模网络的扇区进行特征聚类处理，得到处理结果时，具体用于：

获取所述多频多模网络中扇区用于聚类的可用数据；

其中，所述处理器获取所述多频多模网络中扇区用于聚类的可用数据时，具体用于：获取所述多频多模网络的一预设时间段内的预设数量扇区的历史数据；对所述历史数据进行处理，得到用于模型训练的可用数据，所述可用数据包括：所述多频多模网络的各扇区的测量报告数据。

其中，所述处理器根据所述可用数据，对所述多频多模网络的扇区进行特征聚类处理，得到至少一个扇区类簇时，具体用于：从所述多频多模网络的N个扇区中，选取K个扇区分别作为K个扇区类簇的初始聚类中心点扇区，一个扇区类簇中包括至少一个扇区，且具有一个初始聚类中心点扇区；N和K均为正整数且N≤K；根据各扇区的测量报告数据，计算各扇区分别到K个聚类中心点扇区的距离；将各扇区归到离它距离最近的聚类中心所在的扇区类簇中，得到K个扇区类簇。

其中，所述处理器将所述实时网络配置参数以及所述网络性能参数，输入所述关系模型，输出所述多频多模网络的优化网络性能参数对应的网络配置参数时，具体用于：将所述实时网络配置参数以及所述网络性能参数，输入所述关系模型，以所述实时网络配置参数为起点，搜索其周围多个配置参数和性能参数构成的数据点；对多个数据点进行遍历，得到所述网络性能参数大于一预设值的一组网络性能参数；输出所述一组网络性能参数对应的网络配置参数。

本发明的实施例还提供一种多频多模网络的配置设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。

本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机运行时，使得计算机执行如上所述的方法。

本发明的上述方案至少包括以下有益效果：

本发明的上述方案，对多频多模网络的扇区进行特征聚类处理，得到处理结果；根据所述处理结果，对网络配置参数与网络性能参数的关系模型进行训练，得到训练后的关系模型；将所述多频多模网络的实时网络配置参数以及网络性能参数，输入所述训练后的关系模型，输出优化网络性能参数对应的网络配置参数；根据所述网络配置参数，对所述多频多模网络进行配置。从而可以针对扇区聚类后不同的场景进行个性化的关系模型学习，最后输出个性化的参数配置建议。有利于提高参数配置的质量和效率，做到精细化参数配置。

附图说明

图1为多频多模网络结构示意图；

图2为本发明的实施例还提供一种多频多模网络的配置方法流程示意图；

图3为聚类效果示意图；

图4为全连接神经网络结构示意图；

图5为优化配置输出流程图；

图6为多频多模网络输出网络配置参数的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

如图2所示，本发明的实施例还提供一种多频多模网络的配置方法，包括：

步骤11，对多频多模网络的扇区进行特征聚类处理，得到处理结果；

步骤12，根据所述处理结果，对网络配置参数与网络性能参数的关系模型进行训练，得到训练后的关系模型；

步骤13，将所述多频多模网络的实时网络配置参数以及网络性能参数，输入所述训练后的关系模型，输出优化网络性能参数对应的网络配置参数；

步骤14，根据所述网络配置参数，对所述多频多模网络进行配置。

该实施例基于扇区特征聚类，得到网络配置参数与网络性能参数的关系模型，并利用网络的实时网络配置参数以及实时网络性能参数输出个性化的参数配置建议。有利于提高参数配置的质量和效率，做到精细化参数配置。

本发明的一具体实施例中，上述步骤11，具体可以包括：

步骤111，获取所述多频多模网络中扇区用于聚类的可用数据；

具体的，可以获取所述多频多模网络的一预设时间段内的预设数量扇区的历史数据；历史数据包括公参数据、MR(测量报告)数据、网络配置参数以及网络性能参数等数据。

对所述历史数据进行处理，得到用于模型训练的可用数据，所述可用数据包括：所述多频多模网络的各扇区的测量报告数据。具体的，可以基于大数据平台的存储资源和计算资源完成数据的ETL(Extract-Transform-Load)处理(清洗、过滤、格式化等)，得到可用数据。

步骤112，根据所述可用数据，对所述多频多模网络的扇区进行特征聚类处理，得到至少一个扇区类簇。

本发明的一具体实施例中，上述步骤112可以包括：

步骤1121，从所述多频多模网络的N个扇区中，选取K个扇区分别作为K个扇区类簇的初始聚类中心点扇区，一个扇区类簇中包括至少一个扇区，且具有一个初始聚类中心点扇区；N和K均为正整数且N≤K；

步骤1122，根据各扇区的测量报告数据，计算各扇区分别到K个聚类中心点扇区的距离；

步骤1123，将各扇区归到离它距离最近的聚类中心所在的扇区类簇中，得到K个扇区类簇。

其中，所述N个扇区的测量报告数据矩阵为：

步骤1122中，具体可以采用欧氏距离公式：

计算各扇区分别到K个聚类中心点的距离；

进一步的，步骤1123后还可以包括：

步骤1124，通过以下公式

对所述K个扇区类簇中的第一个扇区类簇的聚类中心点扇区进行更新；

该实施例中，针对一个选定的多频多模网络结构，如：F1D1D2FDD900四个频点的组网结构，收集此结构的所有扇区的指标数据，对扇区进行聚类划分。

选取可量化的特征属性(场景数据)进行场景划分，场景自动划分采用K-means聚类算法，例如，使用扇区的MR(测量报告)分布数据对扇区的用户分布特征进行分析聚类。

定义扇区数量为N，且每个扇区的MR数据由组成它的4个频点F1D1D2FDD900的MR统计汇总得到，每个扇区的MR数据有D个属性，这里以MR数据的RSRP强度区间分布作为属性。

N个扇区的数据矩阵如下：

其中，x_ij表示i个扇区，第j个属性。

首先随机从数据集中选取K个点作为初始聚类中心，然后计算各个样本到聚类中心点的距离，把样本归到离它最近的那个聚类中心所在的类。采用欧氏距离来计算数据对象间的距离：

每次迭代，对应的扇区类簇中心需要重新计算(更新)：对应扇区类簇中所有数据对象的均值，即为更新后该类簇的类簇中心。定义第k个扇区类簇的类簇中心为Center_k，则扇区类簇中心更新方式如下：

其中，C_k表示第k个类簇，|C_k|表示第k个扇区类簇中数据对象的个数，这里的求和是指扇区类簇C_k中所有元素在每列属性上的和，因此Center_k也是一个含有D个属性的向量，表示为Center_k＝(Center_k,1,Center_k,2,...,Center_k,D)。不断地迭代来重新划分扇区类簇，并更新扇区类簇中心，设定迭代次数T，当到达第T次迭代，则终止迭代，此时所得类簇即为最终聚类结果，如图3所示，扇区类簇如A、B和C。

本发明的一具体实施例中，上述步骤12具体可以包括：

其中，x_mn表示第m个频点的第n个参数；

各扇区的网络性能参数Y为：

其中，y_mk表示第m个频点的第k个数据；

将所述X中的数据按照行序转换为列矩阵：

将所述Y中的数据按照行序转换为列矩阵：

将转换后的列矩阵输入关系模型Y＝f(X)；

根据使代价函数

达到最小的原则，得到所述关系模型的权重和偏置参数；

其中，y_i是Y的样本数据，而y′_i是y_i的预测值，l为Y中样本数据的个数。

该实施例中，基于上述聚类的场景，挖掘各个场景下的网络配置参数对网络性能参数的影响关系，具体挖掘各个场景网络配置参数及对应的网络性能参数之间的关系。

定义所选扇区包含m个频点，网络配置参数X包括整个扇区的整套参数配置，包括其所包含的各个频点的资源配置参数、频点配置参数和边界电平配置参数等，包含m个频点，每个频点有n个参数，矩阵大小为(m,n)，可表示为：

其中，x_mn表示第m个频点的第n个参数。如：F1D1D2FDD900的组网结构，包含4个频点，每个频点有12个参数配置数据，则X矩阵大小为(4,12)。

网络性能参数Y为扇区负载均衡的判定指标数据，包括：扇区所包含每个频点的RRC最大连接用户数、上行PRB利用率和下行PRB利用率等参数，包括m个频点，每个频点有k个参数，矩阵大小为(m,k)，可表示为：

其中，y_mk表示第m个频点的第k个负载均衡的指标数据。如：F1D1D2FDD900的组网结构，包含4个频点，每个频点有3个指标数据(RRC最大连接用户数、上行PRB利用率和下行PRB利用率)，则Y矩阵大小为(4,3)。网络性能参数与网络配置参数的关系，建模为多变量回归问题：

Y＝f(X)

使用全连接神经网络算法(DNN)模型学习回归问题的内在关系，使用训练数据训练神经网络模型(如图4所示)。输入为X,将X中的数据一行一行的转换为列矩阵，作为神经网络的输入，同理转换Y矩阵为列矩阵作为神经网络的输出。

神经网络中使用RELU函数作为激活函数，回归问题的输出Y含有多个变量，因此依据此问题设计代价函数为：

其中y_i是样本数据，而y′_i是神经网络计算的预测值。

即各个变量的均方误差(MSE,mean squared error)的平均值作为损失函数，通过关系模型，调整权重和偏置使得网络的代价函数达到最小。

进一步的，本发明的上述实施例中，多频多模网络的配置方法，还可以包括：对于一条新的数据(X,Y),如果训练数据与预测数据的MSE值大于一预设阈值T，则用新的数据(X,Y)更新所述关系模型。

这里采用在线学习方式，在线学习相当于把模型的学习过程延伸到使用过程中，每来一条或一批新数据，就再修正一次模型。为适应这种需求，模型学习方法就必须以增量方式构造，当训练样本总数非常大的时候，在线学习算法对于有限内存的利用、管理来说非常有效，是大数据时代的一种优秀的机器学习算法。这里均方误差的阈值为T,对于一条新的数据(X,Y),如果正确数据与预测数据的MSE大于T，则用新的数据更新模型，否则不进行模型的更新。

在线学习是对离线训练的优化、调整，是否采用在线学习取决于离线训练模型的效果，在线学习能够使模型更适应现网的实际情况，同时丰富了离线训练的样本集合。

本发明的一具体实施例中，上述步骤13，具体可以包括：

步骤131，将所述多频多模网络的实时网络配置参数以及所述网络性能参数，输入所述关系模型，以所述实时网络配置参数为起点，搜索其周围多个配置参数和性能参数构成的数据点；

步骤132，对多个数据点进行遍历，得到所述网络性能参数大于一预设值的一组网络性能参数；具体的，从当前数据点开始，将当前数据点和周围的邻居数据点的值进行比较，如果当前数据点大，那么返回当前数据点；否则，用邻居数据点替换当前数据点，直到所述数据点遍历完毕，得到所述网络性能参数大于一预设值的一组网络性能参数；

步骤133，输出所述一组网络性能参数对应的网络配置参数。

该实施例中，基于上述的模型，结合实时的网络配置参数及对应的网络性能参数数据(X,Y)，使用优化搜索算法在得出的关系模型中搜索出使网络性能参数达到最优的参数配置X,利用优化算法提升优化方案的搜索效率，通过目标模型函数预测调整效果。

具体的，如图5所示，可以采用爬山法算法进行局部最优解的搜索，目标值为正确数据与预测数据的MSE，以MSE最大为最优解。然后根据训练得到的模型函数进行调整效果预测，将策略得出的参数配置部署到现网中并测试策略性能。

爬山法算法的具体原理是：从当前的节点开始，和周围的邻居节点的值进行比较。如果当前节点是最大的，那么返回当前节点，作为最大值(既山峰最高点)；反之就用最高的邻居节点来，替换当前节点，从而实现向山峰的高处攀爬的目的。

如图6所示，本发明的上述实施例，通过原始数据预处理、小区特征聚类、静态模型训练、动态模型优化、优化配置输出，得到相应的参数配置建议。利用机器学习技术可以大大提高参数配置的质量和效率，做到精细化参数配置。

其中，原始数据预处理包括：MR数据的获取、预处理以及特征提取与选择；小区特征聚类包括：选择小区特征数据、聚类分析、对小区进行分类，得到多个扇区类簇；静态模型训练包括：获取每个扇区类簇中各扇区的用于模型训练的数据，进行静态模型训练，得到该扇区类簇的网络配置参数；并进一步的，进行动态模型优化，获取网络的动态训练数据，优化关系模型；优化配置输出包括：在已训练的关系模型中，搜索目标函数最优的网络配置参数并输出。

从而实现了针对多频多模的特定网络场景，选取关键数据指标(如各扇区的各频点的MR数据)对场景进行划分，然后利用机器学习技术挖掘出不同场景下的网络配置参数与网络性能参数之间的隐含关系，并对不同场景进行个性化的机器学习模型训练，依据训练得到的模型给出相应的参数配置建议。利用机器学习技术可以大大提高参数配置的质量和效率，做到精细化参数配置。

本发明针对某一特定多频多模网络结构，对各频点组成的扇区首先进行个性化的场景划分(使用聚类算法)，然后，依据所划分的场景，收集获取网络历史配置参数和性能指标参数数据用于训练静态机器学习算法模型。再从网络中实时获取配置参数和性能指标参数数据对已得到的模型进行改进与优化提升。最后，针对训练好的模型，采用优化算法，输出最佳的参数配置建议(参数值的配置)。

所述处理器对多频多模网络的扇区进行特征聚类处理，得到处理结果时，具体用于：获取所述多频多模网络中扇区用于聚类的可用数据；

所述处理器根据所述可用数据，对所述多频多模网络进行小区特征聚类处理，得到至少一个扇区类簇，具体包括：

所述N个扇区的测量报告数据矩阵为：

采用欧氏距离公式：

计算各扇区分别到K个聚类中心点的距离；

通过以下公式

其中，根据所述至少一个扇区类簇中各扇区的用于模型训练的可用数据，进行模型训练，得到所述至少一个扇区类簇分别对应的关系模型，包括：

其中，x_mn表示第m个频点的第n个参数；

各扇区的网络性能参数Y为：

其中，y_mk表示第m个频点的第k个数据；

将所述X中的数据一行一行转换为列矩阵：

将所述Y中的数据一行一行转换为列矩阵：

将转换后的列矩阵输入关系模型Y＝f(X)；

根据使代价函数

达到最小的原则，得到所述关系模型的权重和偏置参数；

其中，多频多模网络的配置方法，还包括：

对于一条新的数据(X,Y),如果训练数据与预测数据的MSE值大于一预设阈值T，则用新的数据(X,Y)更新所述关系模型。

所述处理器将所述实时网络配置参数以及所述网络性能参数，输入所述训练后的关系模型，输出所述多频多模网络的优化网络性能参数对应的网络配置参数时，具体用于：将所述实时网络配置参数以及所述网络性能参数，输入所述关系模型，以所述实时网络配置参数为起点，搜索其周围多个配置参数和性能参数构成的数据点；对多个数据点进行遍历，得到所述网络性能参数大于一预设值的一组网络性能参数；输出所述一组网络性能参数对应的网络配置参数。

对多个数据点进行遍历，得到所述网络性能参数大于一预设值的一组网络性能参数，包括：

需要说明的是，上述方法实施例中的所有实现方式均适用于该设备的实施例中，也能达到相同的技术效果。

本发明的实施例还提供一种多频多模网络的配置设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法，上述方法实施例中的所有实现方式均适用该设备的实施例中，也能达到相同的技术效果。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。

因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。