一种基于区块链的火灾识别方法及系统
技术领域
本发明属于火灾识别领域,特别涉及一种基于区块链的火灾识别方法及系统。
背景技术
随着安防视频监控系统在各式领域和各建筑的大量运用,火灾图像识别技术受到了人们的关注与研究,相比于传统的灾检测技术,视觉检测具有检测面积大、响应时间短、信息丰富直观、维护成本低等优点。
基于卷积神经网络的深度学习已经在字符设别、人脸识别等领域得到了成功应用,基于卷积神经网络的火灾识别方法也渐渐得到应用,但是由于深度学习需要大量的数据集,其所用的数据集通常都是谷歌和百度上搜索的大火灾图片,与实际应用场景差异大,图像样本少,图像背景单一,干扰源缺乏多样性,因此,火灾检测的准确率不能满足要求。
发明内容
为了解决现有技术中存在的问题,本发明提供一种基于区块链的火灾识别方法及系统。
第一方面,本发明实施例提供了一种基于区块链的火灾识别方法,所述方法包括如下步骤:
获取标准火灾图像U1,从标准火灾图像中分割出火焰区域图像;
获取区块链的各节点发送的视频图像P0,得到负样本图像集合Um;
将视频图像P0与火焰区域图像拼合形成拼合图像集U2,并与标准火灾图像U1合并得到正样本图像合Un;
构建用于进行火灾识别的卷积神经网络结构,将负样本图像集合Um和正样本图像集合Un构建训练样本和测试样本,得到训练后的卷积神经网络模型;
将卷积神经网络模型存储至所述区块链网络。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
提取标准火灾图像中火焰区域图像的轮廓信息,得到火焰区域图像投影在视频图像P0上的状态信息,根据状态信息生成仿射变换矩阵,并利用仿射变换矩阵将对齐的火焰区域图像对齐视频图像P0进行拼合,得到拼合图像集合U3;
将拼合图像集U2中各图像与标准火灾图像U1中各图像做差处理,获得残差图像集合U4;
将拼合图像集合U3中各图像与标准火灾图像U1中各图像做差处理,获得残差图像集合U5;
通过主成分分析方法对基于相同标准火灾图像的残差图像集合U4的残差图像和残差图像集合U5的残差图像进行融合,将融合后的图像与相同标准火灾图像的插值图像叠加,计算得到图像与更新火灾图像的相离值,将相离值大于阈值的图像组成融合图像集合U6;
将标准火灾图像U1、拼合图像集U2、拼合图像集合U3和融合图像集合U6合并得到正样本图像合Un。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
将视频图像P0第一帧作为初始图像,对相邻两帧图像进行归一化处理;
将同一像素位置的值进行做差运算得到相邻两帧图像像素值的绝对值,并与预设阈值进行比较;
将大于预设阈值的视频图像P0作为待识别图像P1,并输入卷积神经网络模型进行识别;
其中,用公式表示为:
B=|ft+1(x,y)-ft(x,y)| (一)
其中,ft+1表示t+1时刻坐标为(x,y)处的像素值;ft表示t时刻坐标为(x,y)处的像素值;F0表示预设阈值。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
通过卷积神经网络模型识别待识别图像P1是否发生火灾;
若是,则输入待识别图像P1间隔n帧后的视频图像P2进行识别是否发生火灾;
若是,获取待识别图像P1后m帧的视频图像P3,获得更新火灾图像集合U7;
从m个视频图像P3中分别分割出火焰区域图像;
将所述火焰区域图像与视频图像P0拼合,得到拼合图像集合U8;
提取视频图像P3中火焰区域图像的几何轮廓信息,得到火焰区域图像投影在视频图像P0上的状态信息,根据状态信息生成仿射变换矩阵,并利用仿射变换矩阵将对齐的火焰区域图像对齐视频图像P0进行拼合,得到拼合图像集合U9;
将拼合图像集U8中各图像与更新火灾图像集合U7中各图像做差处理,获得残差图像集合U10;
将拼合图像集合U9中各图像与更新火灾图像集合U7中各图像做差处理,获得残差图像集合U11;
将基于相同更新火灾图像的残差图像集合U10的残差图像和残差图像集合U11的残差图像进行融合,将融合后的图像与相同标准火灾图像的插值图像叠加,计算得到图像与更新火灾图像的相离值F,将相离值大于阈值F0的图像组成融合图像集合U12;
将更新火灾图像集合U7、拼合图像集合U8、拼合图像集合U9和融合图像集合U12合并,对卷积神经网络模型进行训练,得到更新的卷积神经网络模型;
将更新的卷积神经网络模型存储至所述区块链网络。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
通过ASM算法提取待分割火焰图像的火焰特征点;
对特征点坐标进行归一化表示,并以特征点重心为坐标系原点,建立归一化坐标系;
将视频图像P0与待分割火焰图像对齐,并基于此归一化坐标系对视频图像P0进行缩放;
采用Adaboost算法对待分割火焰图像中的火焰区域进行检测,并对检测到的火焰区域进行抠取处理,得到火焰区域图像;
基于火焰区域图像与视频图像P0重叠区域计算边缘缝;
通过泊松融合算法并进行拉普拉斯插值对边缘缝实现无缝拼合。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述计算得到图像与更新火灾图像的相离值F,包括:
其中,γ为权重因子,Δx,Δy为平移值,Q为图像平均分割数量,f(xi,yi)表示第i个图像块中心点的像素值,max(f)和min(f)表示图像的数量级范围,归一化为0-1,f1(xk,yk)表示更新火灾图像的第i个图像块的像素值,f2(xk,yk)表示得到图像的第i个图像块的像素值,mi表示第i个图像块的像素个数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述构建用于进行火灾识别的卷积神经网络结构包括:
过滤层、卷积层C1、卷积层C2、卷积层C3、池化层S4、卷积层组M1、卷积层组M2、池化层S5、全连接层F6和输出层;
过滤层:对输入的彩色图像数据过滤后,并将大小统一为252×252×3;
卷积层C1:对输入的彩色图像数据卷积,进行特征提取,卷积核取3×3,步长取2,特征映射图谱数量取64,得到126×126×64的特征图;
卷积层C2:对输入的彩色图像数据卷积,进行特征提取,卷积核取3×3,步长取2,特征映射图谱数量取64,得到63×63×64的特征图;
卷积层C3:对输入的彩色图像数据卷积,进行特征提取,卷积核取3×3,特征映射图谱数量取32,步长取1,得到63×63×32的特征图;
池化层S4:对卷积层C3卷积后的特征图进行降维处理,采用自适应的池化方法进行特征提取,矩形区域取3×3,步长取2,得到31×31×32的特征图;
卷积层组M1:输出特征图大小为14×14×256;
卷积层组M2:含有6个卷积层,第1层为卷积层,卷积核取3×3,特征映射图谱数量取512,步长取2;第2层到第6层为卷积层,卷积核取3×3,特征映射图谱数量取512,步长取1;得到7×7×512的特征图;
池化层S5:Avgpool全局平均池化层,输出一维向量,长度为3072;
全连接层F6:包含512个ResNet全连接神经元节点,连接池化层S5输出的所有特征;
输出层:包含2个使用softmax函数的输出神经元节点,与全连接层F6的神经元全连接,对输出结果进行二分类。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述过滤层对输入的彩色图像I进行去噪;
图像残差:N=I-F(I),其中,F(I)为去噪后的图像,F为滤波器;或者
图像残差作为卷积层C1的输入。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述卷积层组M1包括3个卷积子层,所述每个卷积子层包括3个卷积conv3×3,32×2i-1,1个Bottlelayer1×1,64×2i-1,1个AvgPool2×2池化层,其中,i=1,2,3。
第二方面,本发明实施例提供了一种基于区块链的火灾识别系统,所述系统包括:
分割模块,用于获取标准火灾图像U1,从标准火灾图像中分割出火焰区域图像;
获取模块,用于获取区块链的各节点发送的视频图像P0,得到负样本图像集合Um;
处理模块,用于将视频图像P0与火焰区域图像拼合形成拼合图像集U2,并与标准火灾图像U1合并得到正样本图像合Un;
训练模块,用于构建用于进行火灾识别的卷积神经网络结构,将负样本图像集合Um和正样本图像集合Un构建训练样本和测试样本,得到训练后的卷积神经网络模型;
共享模块,用于将卷积神经网络模型存储至所述区块链网络。
上述技术方案中的一个技术方案具有如下有益效果:
本发明实施例的方法中提出了一种基于区块链的火灾识别方法及系统,通过区块链网络将每个火灾监控节点连接在一起,突破了传统火灾识别的信息孤岛的弊端,实现了训练数据和卷积神经网络模型的共享,并具有高安全性、高透明性、高自治性和不可篡改性。通过将视频图像P0与火焰区域图像拼合形成拼合图像集U2,从而丰富了正样本训练集,复杂了火灾图像的图像背景,使得卷积神经网络模型具有非常高的稳定性和鲁棒性;另外,通过每个火灾监控节点获取视频图像P0组成负样本图像集合Um,从而将不同实际应用场景中多种干扰源滤除了,提高火灾识别的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明其中一个实施例的基于区块链的火灾识别方法的流程图;
图2是本发明其中另一实施例的流程图;
图3是本发明其中另一实施例的流程图;
图4是本发明其中另一实施例的流程图;
图5是本发明其中另一实施例的流程图;
图6为本发明实施例所提供的基于区块链的火灾识别系统的功能方块图;
图7为本发明实施例所提供的硬件示意图。
具体实施方式
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,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明其中一个实施例提供一种基于区块链的火灾识别方法,参考图1,该基于区块链的火灾识别方法包括如下步骤:
获取标准火灾图像U1,从标准火灾图像中分割出火焰区域图像;
获取区块链的各节点发送的视频图像P0,得到负样本图像集合Um;
将视频图像P0与火焰区域图像拼合形成拼合图像集U2,并与标准火灾图像U1合并得到正样本图像合Un;
构建用于进行火灾识别的卷积神经网络结构,将负样本图像集合Um和正样本图像集合Un构建训练样本和测试样本,得到训练后的卷积神经网络模型;
将卷积神经网络模型存储至所述区块链网络。
本申请提供的一种基于区块链的火灾识别方法通过区块链网络将每个火灾监控节点连接在一起,突破了传统火灾识别的信息孤岛的弊端,实现了训练数据和卷积神经网络模型的共享,并具有高安全性、高透明性、高自治性和不可篡改性。通过将视频图像P0与火焰区域图像拼合形成拼合图像集U2,从而丰富了正样本训练集,复杂了火灾图像的图像背景,使得卷积神经网络模型具有非常高的稳定性和鲁棒性;另外,通过每个火灾监控节点获取视频图像P0组成负样本图像集合Um,从而将不同实际应用场景中多种干扰源滤除了,提高火灾识别的准确性。
参考图2,所述方法包括:
通过ASM算法提取待分割火焰图像的火焰特征点;
对特征点坐标进行归一化表示,并以特征点重心为坐标系原点,建立归一化坐标系;
将视频图像P0与待分割火焰图像对齐,并基于此归一化坐标系对视频图像P0进行缩放;
采用Adaboost算法对待分割火焰图像中的火焰区域进行检测,并对检测到的火焰区域进行抠取处理,得到火焰区域图像;
基于火焰区域图像与视频图像P0重叠区域计算边缘缝;
通过泊松融合算法并进行拉普拉斯插值对边缘缝实现无缝拼合。
通过上述方法实现火焰区域图像与视频图像P0无缝拼合,使得最终图像更具有真实效果,从而增加具有火焰的正样本图像。
在一些优选的实施例中,参考图3,所述方法还包括:
提取标准火灾图像中火焰区域图像的轮廓信息,得到火焰区域图像投影在视频图像P0上的状态信息,根据状态信息生成仿射变换矩阵,并利用仿射变换矩阵将对齐的火焰区域图像对齐视频图像P0进行拼合,得到拼合图像集合U3;
将拼合图像集U2中各图像与标准火灾图像U1中各图像做差处理,计算残差内所有像素的平均值,获得残差图像集合U4;
将拼合图像集合U3中各图像与标准火灾图像U1中各图像做差处理,计算残差内所有像素的平均值,获得残差图像集合U5;
通过主成分分析方法对基于相同标准火灾图像的残差图像集合U4的残差图像和残差图像集合U5的残差图像进行融合,将融合后的图像与相同标准火灾图像的插值图像叠加,得到融合图像集合U6;
将标准火灾图像U1、拼合图像集U2、拼合图像集合U3和融合图像集合U6合并得到正样本图像合Un。
首先,通过拼合图像集U2中各图像与标准火灾图像U1中各图像做差处理,获得残差图像集合U4;然后,利用仿射变换矩阵将对齐的火焰区域图像对齐视频图像P0进行拼合,得到拼合图像集合U3,将拼合图像集合U3中各图像与标准火灾图像U1中各图像做差处理,获得残差图像集合U5;最后,将残差图像集合U4的残差图像和残差图像集合U5的残差图像进行融合,将融合后的图像与相同标准火灾图像的插值图像叠加,得到融合图像集合U6。进而增加了正样本训练集的数目,进一步提高使得卷积神经网络模型的稳定性和鲁棒性,提高火灾识别的准确率。
参考图4,在一些优选的实施例中,所述方法还包括:
将视频图像P0第一帧作为初始图像,对相邻两帧图像进行归一化处理;
将同一像素位置的值进行做差运算得到相邻两帧图像像素值的绝对值,并与预设阈值进行比较;
将大于预设阈值的视频图像P0作为待识别图像P1,并输入卷积神经网络模型进行识别;
其中,用公式表示为:
B=|ft+1(x,y)-ft(x,y)| (一)
其中,ft+1表示t+1时刻坐标为(x,y)处的像素值;ft表示t时刻坐标为(x,y)处的像素值;F0表示预设阈值。
通过将大于预设阈值的视频图像P0作为待识别图像P1,并输入卷积神经网络模型进行识别,克服连续帧图像识别的弊端,进而降低系统负荷,避免拥塞,提升火灾识别的速度。
另外,参考图5,所述方法还包括:
通过卷积神经网络模型识别待识别图像P1是否发生火灾;
若是,则输入待识别图像P1间隔n帧后的视频图像P2进行识别是否发生火灾;
若是,获取待识别图像P1后m帧的视频图像P3,获得更新火灾图像集合U7;
从m个视频图像P3中分别分割出火焰区域图像;
将所述火焰区域图像与视频图像P0拼合,得到拼合图像集合U8;
提取视频图像P3中火焰区域图像的几何轮廓信息,得到火焰区域图像投影在视频图像P0上的状态信息,根据状态信息生成仿射变换矩阵,并利用仿射变换矩阵将对齐的火焰区域图像对齐视频图像P0进行拼合,得到拼合图像集合U9;
将拼合图像集U8中各图像与更新火灾图像集合U7中各图像做差处理,获得残差图像集合U10;
将拼合图像集合U9中各图像与更新火灾图像集合U7中各图像做差处理,获得残差图像集合U11;
通过主成分分析方法对基于相同更新火灾图像的残差图像集合U10的残差图像和残差图像集合U11的残差图像进行融合,将融合后的图像与相同标准火灾图像的插值图像叠加,计算得到图像与更新火灾图像的相离值F,将相离值F大于阈值F0的图像组成融合图像集合U12;
将相离值F大于阈值F0的图像组成融合图像集合U12,通过舍弃相离值较低的图像,缩短更新周期,从而加快了卷积神经网络模型更新速度的同时,保证了卷积神经网络模型更高识别准确率。
其中,所述计算得到图像与更新火灾图像的相离值F,包括:
其中,γ为权重因子,Δx,Δy为平移值,Q为图像平均分割数量,f(xi,yi)表示第i个图像块中心点的像素值,max(f)和min(f)表示图像的数量级范围,归一化为0-1,f1(xk,yk)表示更新火灾图像的第i个图像块的像素值,f2(xk,yk)表示得到图像的第i个图像块的像素值,mi表示第i个图像块的像素个数;
将更新火灾图像集合U7、拼合图像集合U8、拼合图像集合U9和融合图像集合U12合并,对卷积神经网络模型进行训练,得到更新的卷积神经网络模型;
将更新的卷积神经网络模型存储至所述区块链网络。
各火灾监控节点通过摄像头进行视频监测,将大于预设阈值的视频图像P0作为待识别图像P1,并输入卷积神经网络模型进行识别,若是,则输入待识别图像P1间隔n帧后的视频图像P2进行识别是否发生火灾,从而对火灾进行确认,避免误报。例如,可以在识别待识别图像P1被识别为火灾,则控制报警机构报警,再通过视频图像P2进行火灾确认后,若确认发生火灾例如继续报警并通过灭火机构灭火,若未发生火灾,则停止报警。另外,在确认发生火灾后,获取待识别图像P1后m帧的视频图像P3,获得更新火灾图像集合U7,并进行一系列处理得到拼合图像集合U8、拼合图像集合U9和融合图像集合U12,进而增加了正样本训练集的数目,得到更新的卷积神经网络模型,进一步提高使得卷积神经网络模型的稳定性和鲁棒性,提高火灾识别的准确率。
参考图6,在一些优选的实施例中,构建用于进行火灾识别的卷积神经网络结构包括:
过滤层、卷积层C1、卷积层C2、卷积层C3、池化层S4、卷积层组M1、卷积层组M2、池化层S5、全连接层F6和输出层;
过滤层:对输入的彩色图像数据过滤后,并将大小统一为252×252×3;
卷积层C1:对输入的彩色图像数据卷积,进行特征提取,卷积核取3×3,步长取2,特征映射图谱数量取64,得到126×126×64的特征图;
卷积层C2:对输入的彩色图像数据卷积,进行特征提取,卷积核取3×3,步长取2,特征映射图谱数量取64,得到63×63×64的特征图;
卷积层C3:对输入的彩色图像数据卷积,进行特征提取,卷积核取3×3,特征映射图谱数量取32,步长取1,得到63×63×32的特征图;
池化层S4:对卷积层C3卷积后的特征图进行降维处理,采用自适应的池化方法进行特征提取,矩形区域取3×3,步长取2,得到31×31×32的特征图;
卷积层组M1:输出特征图大小为14×14×256;
卷积层组M2:含有6个卷积层,第1层为卷积层,卷积核取3×3,特征映射图谱数量取512,步长取2;第2层到第6层为卷积层,卷积核取3×3,特征映射图谱数量取512,步长取1;得到7×7×512的特征图;
池化层S5:Avgpool全局平均池化层,输出一维向量,长度为3072;
全连接层F6:包含512个ResNet全连接神经元节点,连接池化层S5输出的所有特征;
输出层:包含2个使用softmax函数的输出神经元节点,与全连接层F6的神经元全连接,对输出结果进行二分类。
本发明的卷积神经网络结构能够动态地根据池化域的信息进行特征提取,充分保证每个像素对池化过程的决策意义,避免了传统池化方法在特征提取过程中对图像信息造成的损失,在复杂度高的情况下具有良好的性能,相比于传统的基于图像的算法,本发明的检测方法对于不同场景下的火灾检测的准确率和误检率都得到了良好的保证;而且具有较强的鲁棒性。
其中,所述过滤层对输入的彩色图像I进行去噪;
图像残差:N=I-F(I),其中,F(I)为去噪后的图像,F为滤波器;或者
图像残差作为卷积层C1的输入。
其中,所述卷积层组M1包括3个卷积子层,所述每个卷积子层包括3个卷积conv3×3,32×2i-1,1个Bottle layer1×1,64×2i-1,1个AvgPool2×2池化层,其中,i=1,2,3。
卷积层组M1包括3个卷积子层,如此相邻叠设,以指数速度增加卷积层的个数,增加特征图个数从而提取更多信息,可以提高深度网络的梯度相关性,同时也在一定程度上降低了网络参数量,使得模型具有一定的抗过拟合效果,在最终的softmax分类之前进行融合。其中,由于卷积输出的是长方体,通过设置1x1卷积实际是对每个像素点,在不同chanels上进行线性组合,且保留了图片原有的平面结构,从而调节深度,从而自动完成升维降维的作用。
本发明另一实施例还提供一种基于区块链的火灾识别系统,参考图6,所述系统包括:
分割模块,用于获取标准火灾图像U1,从标准火灾图像中分割出火焰区域图像;
获取模块,用于获取区块链的各节点发送的视频图像P0,得到负样本图像集合Um;
处理模块,用于将视频图像P0与火焰区域图像拼合形成拼合图像集U2,并与标准火灾图像U1合并得到正样本图像合Un;
训练模块,用于构建用于进行火灾识别的卷积神经网络结构,将负样本图像集合Um和正样本图像集合Un构建训练样本和测试样本,得到训练后的卷积神经网络模型;
共享模块,用于将卷积神经网络模型存储至所述区块链网络。
由于本实施例中的各单元模块能够执行图1所示的方法,本实施例未详细描述的部分,可参考对图1的相关说明。
图7是本发明的一个实施例节点设备的硬件示意图。请参考图7,在硬件层面,该节点设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该节点设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成电价的定价装置。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的节点工作方法。
本发明实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的节点设备执行时,能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
上述如本发明图实施例提供的节点设备执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的节点设备执行时,能够使该节点设备执行本发明任一实施例中提供的节点工作方法。
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或模块分别描述。当然,在实施本发明时可以把各单元或模块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,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明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,本发明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。
本发明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发明,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。
本发明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。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。