面向群智感知的数据处理方法及装置

1.本发明涉及群智感知领域，尤其涉及一种面向群智感知的数据处理方法及装置。


背景技术：

2.随着群智移动设备的迅速普及和iot感知设备呈指数形式增长，群智感知(mcs：mobile crowd sensing)任务的种类和数据量也随之增加，尤其是计算密集型和延迟敏感型的感知任务的出现和迅速增加，如自动驾驶路况分析、ar/vr、地震洪水火灾等灾害现场信息建模等等。导致计算延迟过高问题。计算资源分配不合理的情况。
3.相关技术中在进行感知任务处理的过程中，在面临较大的计算量时，会将端设备的数据完全卸载至边缘设备或云侧，其提升计算速度的手段也无异于从增加端设备的计算性能，或者增加边缘节点的数量和性能等角度进行考虑。但这存在任务分配不合理的情况，无法充分地利用各端边云的计算资源，不仅造成资源浪费，而且导致群智感知任务处理速度慢。
4.针对上述的问题，目前尚未提出有效的解决方案。
5.在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解。因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在已知的现有技术。


技术实现要素：

6.本发明实施例提供了一种面向群智感知的数据处理方法及装置，以至少解决相关技术中存在的对感知数据进行处理时的处理速度较慢的技术问题。
7.根据本发明实施例的第一个方面，提供了一种面向群智感知的数据处理方法，包括：获取终端设备i待处理的感知任务数据；根据参考条件确定任务分割策略，参考条件包括以下至少之一：终端设备i、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况；控制终端设备i根据分割策略对感知任务数据进行分割；根据感知任务数据的分割情况，控制终端设备i、边缘设备以及云中心中的至少之一对分割后的数据进行处理。
8.进一步地，参考条件还包括终端设备i的电量以及终端设备i处理其自身获取的感知任务数据的总能耗ei。
9.进一步地，根据参考条件确定任务分割策略包括：根据目标和约束
确定感知任务数据的分割比例；其中，t
il
为终端设备i处理其自身获取的感知任务数据的总时延，为边缘设备j处理终端设备i获取的感知任务数据的总时延，t
ic
为云中心处理终端设备i获取的感知任务数据的总时延，π为所有的终端设备的卸载决策集合∏＝{∏i,i∈n}，∏i为终端设备i针对其自身获取的感知任务数据的卸载决策向量，πi＝{xi,y
i,j
,zi}，xi为分割给终端设备i的感知任务数据的比例，y
i,j
为分割给边缘设备j的感知任务数据的比例，zi为分割给云中心的感知任务数据的比例，n为终端设备的总数，f为所有的边缘设备的计算资源分配集合f＝{f
i,j
,i∈n,j∈m}，f
i,j
为处理来自终端设备i的感知任务数据的边缘设备j的计算资源分配向量，m为边缘设备的总数。
10.进一步地，1-μ
i1
为终端设备i处理其自身获取的感知任务数据的cpu周期数占比，ki为处理终端设备i获取的感知任务数据所需的cpu总周期数，fi为终端设备i处理其自身获取的感知任务数据时的算力分配量；为边缘设备mi向边缘设备j传输终端设备i获取的感知任务数据的时延，为边缘设备j计算终端设备i获取的感知任务数据的时延；tc为预设的边缘设备向云中心传输终端设备i获取的感知任务数据的时延，为云中心计算终端设备i获取的感知任务数据的时延；为终端设备i计算其自身获取的感知任务数据的能耗，为终端设备i向边缘设备mi传输其自身获取的感知任务数据的能耗。
11.进一步地，在能耗约束下，根据目标和约束确定感知任务数据的分割比例，包括：在的情况下，则确定xi＝1，y
i,j
＝0，zi＝0；其中，ci为终端设备i计算其自身获取的感知任务数据时的计算速率，为终端设备i向边缘
设备mi传输其自身获取的感知任务数据时的传输速率。
12.进一步地，在能耗约束下，根据目标和约束确定感知任务数据的分割比例，还包括：的情况下，若边缘设备j的待处理任务数据量小于或等于bi，则确定xi＜1，y
i,j
＜0，zi＝0；其中，c
i,j
为边缘设备j计算终端设备i获取的感知任务数据的计算速率。
13.进一步地，在能耗约束下，根据目标和约束确定感知任务数据的分割比例，还包括：在且边缘设备j的待处理任务数据量大于bi的情况下，根据公式计算xi、yi、zi，然后根据xi、yi、zi确定分割比例；其中，xi为分割给终端设备i的感知任务数据的数据量，yi为分割给边缘设备j的感知任务数据的数据量，zi为分割给云中心的感知任务数据的数据量，xi+yi+zi＝li，xi:yi:zi＝xi:yi:zi，li为感知任务数据的总量。
14.进一步地，在能耗约束下，根据目标和约束确定感知任务数据的分割比例，还包括：在终端设备i忙碌的情况下，根据公式计算分割给终端设备i的数据量阈值x
ti
；和/或，在边缘设备j
忙碌的情况下，根据公式计算分割给边缘设备j的数据量阈值y
ti
；根据x
ti
和y
ti
中的至少一者及感知任务数据的总量，确定分割比例；其中，为在终端设备i上需要等待的时间；表示在边缘设备j上需要等待的时间，为在终端设备i上进行计算的时间，为终端设备i向边缘设备mi传输其自身获取的感知任务数据时的传输速率，c
i,j
为边缘设备j计算终端设备i获取的感知任务数据的计算速率。
15.根据本发明实施例的第二个方面，还提供了一种面向群智感知的数据处理装置，包括：获取单元，用于获取终端设备待处理的感知任务数据；确定单元，用于根据参考条件确定任务分割策略，参考条件包括以下至少之一：终端设备、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况；分割单元，用于控制终端设备根据分割策略对感知任务数据进行分割；控制单元，用于根据感知任务数据的分割情况，控制终端设备、边缘设备以及云中心中的至少之一对分割后的数据进行处理。
16.本发明实施例的面向群智感知的数据处理方法，包括：获取终端设备i待处理的感知任务数据；根据参考条件确定任务分割策略，参考条件包括以下至少之一：终端设备i、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况；控制终端设备i根据分割策略对感知任务数据进行分割；根据感知任务数据的分割情况，控制终端设备i、边缘设备以及云中心中的至少之一对分割后的数据进行处理。通过采用这种处理方式，根据终端设备i、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况中的至少之一，确定任务分割策略，并根据分割策略对任务数据进行分割，进而根据任务的分割结果来控制终端设备i、边缘设备以及云中心中的至少之一对分割后的数据进行处理，这样，能够结合终端设备i、边缘设备以及云中心的实际情况将感知任务数据进行分割后来分别处理，从而充分地利用端设备i、边缘设备以及云中心的算力，优化资源分配，使得群智感知平台以更高效的方案指定资源调度方案，更深一层次地加深端边云协作，使整个平台能以更少的时间来处理群智感知任务数据并反馈结果，有效地提高感知任务数据的处理速度，缩短处理等待时间，尤其适用于计算密集型、延迟敏感型的感知数据处理任务，解决了相关技术中对感知数据进行处理时的处理速度较慢的问题。
附图说明
17.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
18.图1为本发明实施例提供的一种面向群智感知的数据处理方法的流程示意图；
19.图2为本发明实施例提供的一种面向群智感知的数据处理装置的示意图。
具体实施方式
20.为了使本技术领域的人员更好地理解本发明方案，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的实施例，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他实施例，都应当属于本发明保护的范
围。
21.需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。
22.图1是根据本发明实施例的面向群智感知的数据处理方法，如图1所示，该方法包括如下步骤：
23.步骤s102，获取终端设备i待处理的感知任务数据；
24.步骤s104，根据参考条件确定任务分割策略，参考条件包括以下至少之一：终端设备i、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况；
25.步骤s106，控制终端设备i根据分割策略对感知任务数据进行分割；
26.步骤s108，根据感知任务数据的分割情况，控制终端设备i、边缘设备以及云中心中的至少之一对分割后的数据进行处理。
27.采用上述方案的面向群智感知的数据处理方法，包括：获取终端设备i待处理的感知任务数据；根据参考条件确定任务分割策略，参考条件包括以下至少之一：终端设备i、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况；控制终端设备i根据分割策略对感知任务数据进行分割；根据感知任务数据的分割情况，控制终端设备i、边缘设备以及云中心中的至少之一对分割后的数据进行处理。通过采用这种处理方式，根据终端设备i、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况中的至少之一，确定任务分割策略，并根据分割策略对任务数据进行分割，进而根据任务的分割结果来控制终端设备i、边缘设备以及云中心中的至少之一对分割后的数据进行处理，这样，能够结合终端设备i、边缘设备以及云中心的实际情况将感知任务数据进行分割后来分别处理，从而充分地利用端设备i、边缘设备以及云中心的算力，优化资源分配，使得群智感知平台以更高效的方案指定资源调度方案，更深一层次地加深端边云协作，使整个平台能以更少的时间来处理群智感知任务数据并反馈结果，有效地提高感知任务数据的处理速度，缩短处理等待时间，尤其适用于计算密集型、延迟敏感型的感知数据处理任务，解决了相关技术中对感知数据进行处理时的处理速度较慢的问题。
28.具体地，参考条件还包括终端设备i的电量以及终端设备i处理其自身获取的感知任务数据的总能耗ei。
29.通过将终端设备的电量纳入参考量的范围，能够结合感知任务数据处理过程的能耗以及终端设备的电量来对任务的分割进行更好地优化，有利于控制终端设备的能耗，减小因不合理的任务划分而导致终端设备能耗增加甚至导致终端设备电量不足的风险。
30.具体地，根据参考条件确定任务分割策略包括：根据目标和约束确定感知任务数据的分割比例；其中，
t
il
为终端设备i处理其自身获取的感知任务数据的总时延，为边缘设备j处理终端设备i获取的感知任务数据的总时延，t
ic
为云中心处理终端设备i获取的感知任务数据的总时延，π为所有的终端设备的卸载决策集合π＝{πi,i∈n}，πi为终端设备i针对其自身获取的感知任务数据的卸载决策向量，πi＝{xi,y
i,j
,zi}，xi为分割给终端设备i的感知任务数据的比例，y
i,j
为分割给边缘设备j的感知任务数据的比例，zi为分割给云中心的感知任务数据的比例，n为终端设备的总数，f为所有的边缘设备的计算资源分配集合f＝{f
i,j
,i∈n,j∈m}，f
i,j
为处理来自终端设备i的感知任务数据的边缘设备j的计算资源分配向量，m为边缘设备的总数。
31.通过设置上述的目标和约束，设计了合理的任务分割条件，所有符合上述的目标和约束的分割情况均能够很好地优化感知任务数据处理过程，从而提高感知任务数据的处理速度。
32.具体地，1-μ
i1
为终端设备i处理其自身获取的感知任务数据的cpu周期数占比，ki为处理终端设备i获取的感知任务数据所需的cpu总周期数，fi为终端设备i处理其自身获取的感知任务数据时的算力分配量；为边缘设备mi向边缘设备j传输终端设备i获取的感知任务数据的时延，为边缘设备j计算终端设备i获取的感知任务数据的时延；tc为预设的边缘设备向云中心传输终端设备i获取的感知任务数据的时延，为云中心计算终端设备i获取的感知任务数据的时延；为终端设备i计算其自身获取的感知任务数据的能耗，为终端设备i向边缘设备mi传输其自身获取的感知任务数据的能耗。
33.在实际实施时，终端设备i在将感知任务数据传输至边缘设备mi后，边缘设备mi可能存在不同的忙碌状态，如果边缘设备mi排队的任务超过阈值，则将边缘设备mi接收到的数据传输至边缘设备j。当然，边缘设备mi和边缘设备j可以是同一个设备，即边缘设备mi的待处理数据不超过阈值，此时其自身处理来自终端设备i的感知任务数据即可，此时，两者之间无需进行数据传输，即为0。
34.在一个具体的实施例中，在能耗约束下，根据目标和约束确定感知任务数据的分割比例，包括：在的情况下，则确定xi＝1，y
i,j
＝0，zi＝0；其中，ci为终端设备i计算其自身获取的感知任务数据
时的计算速率，为终端设备i向边缘设备mi传输其自身获取的感知任务数据时的传输速率。
35.在能耗约束下，根据目标和约束确定感知任务数据的分割比例，还包括：在的情况下，若边缘设备j的待处理任务数据量小于或等于bi，则确定xi＜1，y
i,j
＜0，zi＝0；其中，c
i,j
为边缘设备j计算终端设备i获取的感知任务数据的计算速率。
36.具体地，在能耗约束下，根据目标和约束确定感知任务数据的分割比例，还包括：在且边缘设备j的待处理任务数据量大于bi的情况下，根据公式计算xi、yi、zi，然后根据xi、yi、zi确定分割比例；其中，xi为分割给终端设备i的感知任务数据的数据量，yi为分割给边缘设备j的感知任务数据的数据量，zi为分割给云中心的感知任务数据的数据量，xi+yi+zi＝li，xi:yi:zi＝xi:yi:zi，li为感知任务数据的总量。
37.在终端设备和/或边缘设备存在忙碌的情况下，在能耗约束下，根据目标和约束确定感知任务数据的分割比例，还包括：在终端设备i忙
碌的情况下，根据公式计算分割给终端设备i的数据量阈值x
ti
；和/或，在边缘设备j忙碌的情况下，根据公式计算分割给边缘设备j的数据量阈值y
ti
；根据x
ti
和y
ti
中的至少一者及感知任务数据的总量，确定分割比例；其中，为在终端设备i上需要等待的时间；表示在边缘设备j上需要等待的时间，为在终端设备i上进行计算的时间，为终端设备i向边缘设备mi传输其自身获取的感知任务数据时的传输速率，c
i,j
为边缘设备j计算终端设备i获取的感知任务数据的计算速率。
38.其次，如图2所示，本发明的实施例还提供了一种面向群智感知的数据处理装置，其包括：获取单元，用于获取终端设备待处理的感知任务数据；确定单元，用于根据参考条件确定任务分割策略，参考条件包括以下至少之一：终端设备、边缘设备以及云中心各自的忙碌情况、任务处理速度情况以及数据传输速率情况；分割单元，用于控制终端设备根据分割策略对感知任务数据进行分割；控制单元，用于根据感知任务数据的分割情况，控制终端设备、边缘设备以及云中心中的至少之一对分割后的数据进行处理。
39.具体地，参考条件还包括终端设备i的电量以及终端设备i处理其自身获取的感知任务数据的总能耗ei。
40.通过将终端设备的电量纳入参考量的范围，能够结合感知任务数据处理过程的能耗以及终端设备的电量来对任务的分割进行更好地优化，有利于控制终端设备的能耗，减小因不合理的任务划分而导致终端设备能耗增加甚至导致终端设备电量不足的风险。
41.具体地，确定单元用于：根据目标和约束确定感知任务数据的分割比例；其中，t
il
为终端设备i处理其自身获取的感知任务数据的总时延，为边缘设备j处理终端设备i获取的感知任务数据的总时延，t
ic
为云中心处理终端设备i获取的感知任务数据的总时延，п为所有的终端设备的卸载决策集合п＝{πi,i∈n}，пi为终端设备i针对其自身获取的感知任务数据的卸载决策向量，пi＝{xi,y
i,j
,zi}，xi为分割给终端设备i的感知任务数据的比例，y
i,j
为分割给边缘设备j的感知任务数据的比例，zi为分割给云中心的感知任务数据的比例，n为终端设备的总数，f为所有的边缘设备的计算资源分配集合f＝{f
i,j
,i∈n,j∈m}，f
i,j
为处理来自终端设备i的感知任务数据的边缘设备j的计算资源分配向量，m为边缘设备的总数。
42.通过设置上述的目标和约束，设计了合理的任务分割条件，所有符合上述的目标和约束的分割情况均能够很好地优化感知任务数据处理过程，从而提高感知任务数据的处
理速度。
43.具体地，1-μ
i1
为终端设备i处理其自身获取的感知任务数据的cpu周期数占比，ki为处理终端设备i获取的感知任务数据所需的cpu总周期数，fi为终端设备i处理其自身获取的感知任务数据时的算力分配量；为边缘设备mi向边缘设备j传输终端设备i获取的感知任务数据的时延，为边缘设备j计算终端设备i获取的感知任务数据的时延；tc为预设的边缘设备向云中心传输终端设备i获取的感知任务数据的时延，为云中心计算终端设备i获取的感知任务数据的时延；为终端设备i计算其自身获取的感知任务数据的能耗，为终端设备i向边缘设备mi传输其自身获取的感知任务数据的能耗。
44.在实际实施时，终端设备i在将感知任务数据传输至边缘设备mi后，边缘设备mi可能存在不同的忙碌状态，如果边缘设备mi排队的任务超过阈值，则将边缘设备mi接收到的数据传输至边缘设备j。当然，边缘设备mi和边缘设备j可以是同一个设备，即边缘设备mi的待处理数据不超过阈值，此时其自身处理来自终端设备i的感知任务数据即可，此时，两者之间无需进行数据传输，即为0。
45.在一个具体的实施例中，在能耗约束下，确定单元包括第一确定模块：第一确定模块用于在的情况下，则确定xi＝1，y
i,j
＝0，zi＝0；其中，ci为终端设备i计算其自身获取的感知任务数据时的计算速率，为终端设备i向边缘设备mi传输其自身获取的感知任务数据时的传输速率。
46.在能耗约束下，确定单元还包括第二确定模块，第二确定模块用于在的情况下，若边缘设备j的待处理任务数据量小于或等于bi，则确定xi＜1，y
i,j
＜0，zi＝0；其中，c
i,j
为边缘设备j计算终端设备i获取的感知任务数据的计算速率。
47.具体地，在能耗约束下，确定单元还包括第三确定模块：第三确定模块用于在且边缘设备j的待处理任务数据量大于bi的情况下，根据公式计算xi、yi、zi，然后根据xi、yi、zi确定分割比例；其中，xi为分割给终端设备i的感知任务数据的数据量，yi为分割给边缘设备j的感知任务数据的数据量，zi为分割给云中心的感知任务数据的数据量，xi+yi+zi＝li，xi:yi:zi＝xi:yi:zi，li为感知任务数据的总量。
48.在终端设备和/或边缘设备存在忙碌的情况下，在能耗约束下，确定单元还用于：在终端设备i忙碌的情况下，根据公式计算分割给终端设备i
的数据量阈值x
ti
；和/或，在边缘设备j忙碌的情况下，根据公式计算分割给边缘设备j的数据量阈值y
ti
；根据x
ti
和y
ti
中的至少一者及感知任务数据的总量，确定分割比例；其中，为在终端设备i上需要等待的时间；表示在边缘设备j上需要等待的时间，为在终端设备i上进行计算的时间，为终端设备i向边缘设备mi传输其自身获取的感知任务数据时的传输速率，c
i,j
为边缘设备j计算终端设备i获取的感知任务数据的计算速率。
49.以下，结合一个具体的实施例对本发明的面向群智感知的数据处理方法进行说明，其包括以下步骤：
50.步骤一：将感知任务、网络和设备的属性对所有信息在云端进行记录；
51.步骤二：计算感知任务数据qi在端节点上处理的能耗和时延：
52.本地处理的总时延为
53.其中，1-μ
i1
为终端设备i处理其自身获取的感知任务数据的cpu周期数占比，ki为处理终端设备i获取的感知任务数据所需的cpu总周期数。
54.本地处理qi的能量消耗表示为
55.步骤三：计算感知任务数据qi在边缘节点j上处理的时延和传输能耗执行设备上的的计算和传输的总时延为数据传输的能耗为：
[0056][0057]
步骤四：计算感知任务数据qi在云中心上处理的总时延；
[0058]
步骤五：结合上述各步骤，可得qi处理完成的总时延和总能耗为：
[0059][0060][0061]
通过上述描述，记设备i的部分卸载决策向量为πi＝{xi,y
i,j
,zi}，所有设备的卸载决策集合为π＝{πi,i∈n}，所有设备的计算资源分配向量记为f＝{f
i,j
,i∈n,j∈m}，设备的电池容量即为所以部分卸载下的资源分配方案的目标和约束表述如下：
[0062]
[0063]
步骤六：进行部分分割阈值确定
[0064]
首先是端设备与边缘节点的分割阈值，ci表示端设备i上的任务的处理速率，ai表示当仅在本地计算时本地最大可计算的数据量，用公式表示为(为传输速率，fi为本地的算力分配量)简化为：
[0065][0066]
其中默认建立传输连接和接收时的时延不计，则在能耗约束下，即保证本地设备i能正常处理完其所有任务的前提下满足该公式表明若是设备i的任务数据的处理速率则其在能耗约束下选择在本地进行计算，否则进行部分卸载或传输至边缘节点处理。
[0067]
其次是在边缘节点和云中心进行协作的情况下，bi表示在不需要云端进行协作计算时边缘节点能够处理的最大数据量的感知任务数据，在最小化时延基础上，其满足公式忽略网络不稳定的影响以及网络建立连接的时延，可简化为：
[0068]bi
·ci,j
＝tc'
·fi,j
；其中，tc‘
＝tc，为已知量，因此可确定临界状态下的bi，进而确定任务划分策略；
[0069]
再次是在本地忙碌的状态下，即任务在本地处理是需要等待的，此时对于该任务的分割需要将队列的等待时间考虑在内，边缘节点忙碌时与此情况类似。本地忙碌状态下的任务处理过程分割用公式表示如下：
[0070][0071]
其中，x
ti
表示本地忙碌状态下进行卸载的数据量阈值；表示在本地设备i上需要等待的时间；表示任务数据在边缘节点上需要等待的时间。
[0072]
再次是在边缘节点忙碌状态下的情况分析满足公式该公式需要保证数据刚好从本地设备完全传输至边缘节点，本地设备开始计算除开ai的剩余感知数据。
[0073]
其中表示在数据本地进行计算的时间，y
ti
表示在边缘节点忙碌状态下的数据部分卸载的数据量阈值。
[0074]
最后，在端边云协同工作的情况下，端边云协作计算的部分卸载情况为：
[0075]
并且其还满足：
[0076]
xi+yi+zi＝li，xi:yi:zi＝xi:yi:zi；
[0077]
根据上述公式计算得出各种情况下的数据量阈值xi、yi和zi的值，即可得出每个任务在整个部分卸载系统中的卸载方案和执行方案。
[0078]
步骤七：然后按照分割阈值对感知任务处理过程进行分割，然后使用优化的admm
算法对感知数据进行部分卸载，即可实现最小化总时延。
[0079]
至此，即可实现群智感知端边云协作下的部分卸载的最小化时延，上述的端和本地均指代终端。
[0080]
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。而且，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0081]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0082]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0083]
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。
[0084]
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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0085]
所述集成的单元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全部或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(可为个人计算机、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、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0086]
以上所述仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。