基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品与流程
本申请涉及计算机技术领域，尤其涉及一种基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品。
背景技术：
建筑能耗(即建筑的运行能耗)是建筑运行过程中各类设备(例如暖通空调、照明、办公设备)的用能总和。建筑能耗是当今能源消耗第一大户，例如，在欧洲和美国总能耗中占比约35％，在中国总能耗中约占30％，但大部分建筑暖通空调系统能耗和碳排放量高。中国2015年建筑总耗能高达9.64亿吨标准煤，国际能源署预测2030年中国建筑耗能总量将达到15.2亿吨标准煤。
计算机技术的发展为建筑能耗研究带来了一个新契机，两者相交叉的学术研究已成为近年来一个研究热点，受到众多国内外研究者关注，研究主题包括建筑建模、能耗优化等。其中，建筑能耗预测以建筑体形系数、气候状态等作为输入，利用计算机逐时、动态、精确地计算建筑热状态和能源消耗。作为一个多因素相关复杂非线性问题，该问题的解决需要结合数学建模、工程背景知识、计算机编程，并依托计算机强大算力输出结果。
准确的建筑能耗预测结果对建筑能效优化起着至关重要作用。针对单栋建筑，能耗预测可以帮助设计师优化建筑模型的设计和建筑材料的使用，提高设计模型的能效；还可以辅助管理者分析设备优化和建筑改造策略，从而选定更加合理的能效优化策略。面向区域性多栋建筑，能耗预测可以为智能电网中电能调度决策提供数据支撑，辅以能耗存储设备，削弱耗电峰值现象，降低区域性供电设备部署和管理成本。
技术实现要素：
本申请实施例提供基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品，可以特征提取的准确性。
一种基于深度级联神经网络的建筑能耗时空因子表征方法，包括：
将建筑能耗相关的空间因子输入对称残差网络，通过所述对称残差网络提取所述建筑能耗相关的空间特征；
通过空间注意力机制对所述空间特征进行局部特征权重量化，得到量化后的空间特征；
将所述量化后的空间特征与所述建筑能耗相关的时序因子输入至双向长短期记忆网络，得到所述建筑能耗相关的时序特征；
通过时序注意力机制对所述时序特征进行局部特征权重量化，得到时空因子联合特征，其中，所述时空因子联合特征用于预测所述建筑的能耗数据。
进一步地，所述对称残差网络中包括卷积模块和解卷积模块，所述卷积模块中包括k个残差块，所述解卷积模块中包括k个解卷积块，其中，所述k为大于或等于1的整数；
所述将建筑能耗相关的空间因子输入对称残差网络，通过所述对称残差网络提取所述建筑能耗相关的空间特征，包括：
通过所述卷积模块中的k个残差块将所述空间因子进行卷积运算，得到中间特征；
通过所述解卷积模块中的k个解卷积块将所述中间特征进行解卷积运算，得到所述建筑能耗相关的空间特征。
进一步地，所述空间注意力机制包括通道注意力模块和空间注意力模块；所述通过空间注意力机制对所述空间特征进行局部特征权重量化，得到量化后的空间特征，包括：
将所述空间特征输入至所述通道注意力模块，得到通道注意力权重，并根据所述空间特征和所述通道注意力权重得到第一特征；
将所述第一特征输入至所述空间注意力模块，得到空间注意力权重，并根据所述第一特征和所述空间注意力权重得到所述量化后的空间特征。
进一步地，所述通道注意力模块包括第一平均池化层、第一最大池化层和全连接层；所述将所述空间特征输入至所述通道注意力模块，得到通道注意力权重，包括：
将所述空间特征分别输入第一平均池化层和第一最大池化层，得到平均池化后的空间特征和最大池化后的空间特征；
将所述平均池化后的空间特征和所述最大池化后的空间特征，经过所述全连接层相加后得到所述注意力权重；
所述空间注意力模块包括第二平均池化层、第二最大池化层和卷积层；所述将所述第一特征输入至所述空间注意力模块，得到空间注意力权重，包括：
将所述第一特征分别输入所述第二平均池化层和所述第二最大池化层，得到平均池化后的第一特征和最大池化后的第一特征；
通过所述卷积层将所述平均池化后的第一特征和所述最大池化后的第一特征进行卷积运算，得到空间注意力权重。
进一步地，所述双向长短期记忆网络包括向前传播网络和向后传播网络；
所述将所述量化后的空间特征与所述建筑能耗相关的时序因子输入至双向长短期记忆网络，得到所述建筑能耗相关的时序特征，包括：
将所述量化后的空间特征与所述建筑能耗相关的时序因子输入所述向前传播网络，得到所述建筑能耗相关的第一时序特征；
将所述量化后的空间特征与所述建筑能耗相关的时序因子输入所述向后传播网络，得到所述建筑能耗相关的第二时序特征；
根据所述第一时序特征和所述第二时序特征构建得到所述建筑能耗相关的时序特征。
进一步地，所述时序因子中包括对应于n个时刻的时刻因子，所述时序特征中包括对应于n个时刻的时刻特征，其中n为大于或等于1的整数；
所述将所述量化后的空间特征与所述建筑能耗相关的时序因子输入至双向长短期记忆网络，得到所述建筑能耗相关的时序特征，包括：
将所述量化后的空间特征与n个所述时刻因子输入所述向前传播网络，得到n个的第一时刻特征；
将所述量化后的空间特征与n个所述时刻因子输入所述向后传播网络，得到n个的第二时刻特征；
分别将对应于同一时刻的所述第一时刻特征和所述第二时刻特征组合，得到n个时刻特征。
进一步地，所述通过时序注意力机制对所述时序特征进行局部特征权重量化，得到时空因子联合特征，包括：
将n个所述时刻特征输入至所述时序注意力机制，得到对应于每个所述时刻特征的时序权重；
根据所述时序权重将n个所述时刻特征进行加权求和，得到时空因子联合特征。
一种基于深度级联神经网络的建筑能耗时空因子表征装置，包括：
空间特征提取模块，用于将建筑能耗相关的空间因子输入对称残差网络，通过所述对称残差网络提取所述建筑能耗相关的空间特征；
空间特征权重量化模块，用于通过空间注意力机制对所述空间特征进行局部特征权重量化，得到量化后的空间特征；
时序特征提取模块，用于将所述量化后的空间特征与所述建筑能耗相关的时序因子输入至双向长短期记忆网络，得到所述建筑能耗相关的时序特征；
时序特征权重量化模块，用于通过时序注意力机制对所述时序特征进行局部特征权重量化，得到时空因子联合特征，其中，所述时空因子联合特征用于预测所述建筑的能耗数据。
一种电子设备，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述方法。
上述基于深度级联神经网络的建筑能耗时空因子表征方法及相关产品，可以通过对称残差神经网络提取空间因子的特征，通过双向长短期记忆网络提取时序因子的特征。并通过空间注意力机制，量化空间局部特征权重，时序注意力机制，量化时序局部特征权重。这样提取的特征更具有识别力和鲁棒性，提高了特征提取的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为一个实施例中基于深度级联神经网络的建筑能耗时空因子表征方法的流程示意图。
图2为一个实施例中能耗影响因子的示意图。
图3为一个实施例中空间特征注意力机制的示意图。
图4为一个实施例中时空因子联合特征提取网络的示意图。
图5为一个实施例中基于深度级联神经网络的建筑能耗时空因子表征装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
图1为一个实施例中基于深度级联神经网络的建筑能耗时空因子表征方法的流程示意图，如图1所示，该方法包括步骤102至步骤108。其中：
步骤102，将建筑能耗相关的空间因子输入对称残差网络，通过对称残差网络提取建筑能耗相关的空间特征。
步骤104，通过空间注意力机制对空间特征进行局部特征权重量化，得到量化后的空间特征。
步骤106，将量化后的空间特征与建筑能耗相关的时序因子输入至双向长短期记忆网络，得到建筑能耗相关的时序特征。
步骤108，通过时序注意力机制对时序特征进行局部特征权重量化，得到时空因子联合特征，其中，时空因子联合特征用于预测建筑的能耗数据。
在一个实施例中，建筑是指为了满足人们生产或生活的需要，运用各种建筑主要要素与形式所构成的内部空间(例如办公室、走廊)。以建筑为单位，分析建筑能耗的影响因子。
图2为一个实施例中能耗影响因子的示意图。如图2所示，能耗影响因子可以归纳为空间和时序两方面。空间因子指建筑形体特征，对建筑保温和光照等性能有重要影响，例如，墙体材料对建筑保温性能有重大影响，窗户朝向对采光量起着决定性作用。bim(buildinginformationmodeling，建筑信息模型)模型是空间因子的数据源，可依据相关标准将bim模型中的建筑拆分为多个建筑空间。单个建筑空间因子分为两个部分，即自身的空间参数以及实体组件的空间参数，建筑自身的空间参数包括面积、体积、所处楼层等。实体组件包括墙体、窗户、屋顶、地板、设备等，前四个组件的空间因子包括构建材料、面积、朝向、热传递系数等参数，设备参数包含了照明功率、暖通空调功率、温度设定等参数。
时序因子指建筑室外和室内时序状态，对室内照明和暖通空调系统的能耗有着重要影响，例如：炎热的室外环境会导致室内制冷负荷急剧上升。本项目将天气、日程数据作为时序因子的数据源，天气数据包含室外空气温度、太阳辐射量、太阳角度、空气湿度等参数。日程数据包括室内人员日程和灯光、暖通空调、其他等设备日程，室内人员日程的参数有室内人员数量、活动量。暖通空调系统日程的参数有开关状态、冷暖温度设定等。
针对建筑能耗相关参数的提取，可以使用bimserver完成bim模型的解析，选用应用最广的ifc(industryfoundationclass)标准作为bim模型输入格式，以提升提取算法的通用性和可扩展性。提取算法分析建筑结构数据和设备数据，关于结构数据，以整栋建筑(ifcbuilding)为根节点，建立建筑空间(ifcspace)的树形结构。先提取每个建筑空间的属性(如面积、朝向等)，将每个建筑空间拆分为多个围护实体(如墙体ifcwallstandardcase、窗户ifcwindow等)，提取每个实体的三维几何坐标点序列、材料、热传递系数等参数。对于设备数据，提取算法依次处理空气调节系统(如ifcboiler、ifcchiller等)、照明设备、其他设备，照明设备和其他设备只需获取它们的功率以及位置信息。空气调节系统的分析除了获取功率、温度设置等基本参数外，还需要分析空气循环路径(ifcdistributionport)，以得出暖通空调系统服务的建筑空间。建筑能耗相关的空间因子与时序因子符号如表1。
表1建筑能耗相关的空间因子与时序因子符号
时序因子的参数无需提取，但需要通过数据清洗保障数据质量。数据清洗包括缺失数据填充以及离群点检测，可以使用前后时刻点数值的均值填充缺失数据，即
在一个实施例中，建筑能耗相关空间与时序因子具有异构互联性，即相互独立又有机关联。构建一个深度级联神经网络完成空间与时序因子的联合表征，并为该级联网络设计双注意力机制，实现空间和时序特征的局部加权。该网络模型包括两个主要部分：对称残差神经网络和双向长短期记忆网络，对称残差神经网络负责空间因子表征，双向长短期记忆网络负责时序因子表征。为提高模型的识别力和鲁棒性，可以为对称残差神经网络设计空间注意力机制，量化空间局部特征权重；为双向长短期记忆网络设计时序注意力机制，量化时序局部特征权重。
上述实施例提供的基于深度级联神经网络的建筑能耗时空因子表征方法，可以通过对称残差神经网络提取空间因子的特征，通过双向长短期记忆网络提取时序因子的特征。并通过空间注意力机制，量化空间局部特征权重，时序注意力机制，量化时序局部特征权重。这样提取的特征更具有识别力和鲁棒性，提高了特征提取的准确性。
在一个实施例中，对称残差网络中包括卷积模块和解卷积模块，卷积模块中包括k个残差块，解卷积模块中包括k个解卷积块，其中，k为大于或等于1的整数；将建筑能耗相关的空间因子输入对称残差网络，通过对称残差网络提取建筑能耗相关的空间特征，包括：通过卷积模块中的k个残差块将空间因子进行卷积运算，得到中间特征；通过解卷积模块中的k个解卷积块将中间特征进行解卷积运算，得到建筑能耗相关的空间特征。
例如，对称残差神经网络由卷积模块和解卷积模块两个模块组成。卷积模块由五个残差块组成，每个残差块包括五层，前三层为残差卷积层，第四层为批标准化(batchnormalization)，最后一层是dropout。残差卷积原理如式(4)所示，当x和f的通道数不同，改变x的维数(式(5))，使用rrelu(rectifiedlinearunit,线性整流函数)(式(6))作为卷积激活函数，ai符合均匀分布u(l，u)，l＜u，l&u∈[0，1)。
f＝w2*rrelu(w1x)，y＝f(x，{wi})+x(4)
y＝f(x，{wi})+wsx(5)
残差块使用批标准化(batchnormalization)将特征值分布拉回标准正态分布，落在激活函数对于输入较为敏感的区间。批标准化先计算小批量均值(mini-batchmean)和方差(式(7))，对计算结果归一化，通过特征变换使之处于较好的非线性区域(式(8))。
残差块采用dropout缓解过拟合的发生，在一定程度上达到正则化的效果，dropout原理如式(9)所示，其中bernoulli函数生成概率r向量，即随机生成一个0、1的向量。
解卷积模块由五个解卷积块组成，每个解卷积块包括二维转置解卷积和批标准化两层。二维转置解卷积原理如式(10)所示，ki表示第i个解卷积核。将每次解卷积的中间特征图联合
在一个实施例中，空间注意力机制包括通道注意力模块和空间注意力模块；通过空间注意力机制对空间特征进行局部特征权重量化，得到量化后的空间特征，包括：将空间特征输入至通道注意力模块，得到通道注意力权重，并根据空间特征和通道注意力权重得到第一特征；将第一特征输入至空间注意力模块，得到空间注意力权重，并根据第一特征和空间注意力权重得到量化后的空间特征。其中，第一特征即为空间权重量化中间特征。
在一个实施例中，通道注意力模块包括第一平均池化层、第一最大池化层和全连接层；将空间特征输入至通道注意力模块，得到通道注意力权重，包括：将空间特征分别输入第一平均池化层和第一最大池化层，得到平均池化后的空间特征和最大池化后的空间特征；将平均池化后的空间特征和最大池化后的空间特征，经过全连接层相加后得到注意力权重；空间注意力模块包括第二平均池化层、第二最大池化层和卷积层；将第一特征输入至空间注意力模块，得到空间注意力权重，包括：将第一特征分别输入第二平均池化层和第二最大池化层，得到平均池化后的第一特征和最大池化后的第一特征；通过卷积层将平均池化后的第一特征和最大池化后的第一特征进行卷积运算，得到空间注意力权重。
具体的，对空间特征的局部特征权重量化，具体为将解卷积模块输出的空间特征的通道信息及空间信息量化局部特征权重。如图3所示，该注意力机制包括通道注意力模块和空间注意力模块，通道注意力模块计算特征图的全局平均池化及全局最大池化信息，然后通过全连接层后相加得到通道注意力参数(式(11))，即通道注意力权重。空间注意力模块对各通道特征图的坐标进行全局最大及平均池化，得到两张特征图，然后对特征图进行卷积得到空间注意力参数(式(12))，即空间注意力权重。
在一个实施例中，双向长短期记忆网络包括向前传播网络和向后传播网络；将量化后的空间特征与建筑能耗相关的时序因子输入至双向长短期记忆网络，得到建筑能耗相关的时序特征，包括：将量化后的空间特征与建筑能耗相关的时序因子输入向前传播网络，得到建筑能耗相关的第一时序特征；将量化后的空间特征与建筑能耗相关的时序因子输入向后传播网络，得到建筑能耗相关的第二时序特征；根据第一时序特征和第二时序特征构建得到建筑能耗相关的时序特征。
针对时序因子，本项目将采用双向长短期记忆网络表征。当前时刻的输出不仅与之前的状态有关，还可能与未来的状态有关系，双向长短期记忆网络通过前向传播和后向传播两个方向分别对输入状态进行表征，综合两个方向结果得到最终表征结果。将量化后的空间特征和时序因子输入到双向长短期记忆网络中，通过向前传播网络得到建筑能耗相关的第一时序特征，通过向后传播得到建筑能耗相关的第二时序特征，再根据第一时序特征和第二时序特征构建得到时序特征。
在本申请提供的实施例中，时序因子中包括对应于n个时刻的时刻因子，时序特征中包括对应于n个时刻的时刻特征，其中n为大于或等于1的整数；将量化后的空间特征与建筑能耗相关的时序因子输入至双向长短期记忆网络，得到建筑能耗相关的时序特征，包括：将量化后的空间特征与n个时刻因子输入向前传播网络，得到n个的第一时刻特征；将量化后的空间特征与n个时刻因子输入向后传播网络，得到n个的第二时刻特征；分别将对应于同一时刻的第一时刻特征和第二时刻特征组合，得到n个时刻特征。
具体的，通过时序注意力机制对时序特征进行局部特征权重量化，得到时空因子联合特征，包括：将n个时刻特征输入至时序注意力机制，得到对应于每个时刻特征的时序权重；根据时序权重将n个时刻特征进行加权求和，得到时空因子联合特征。
图4为一个实施例中时空因子联合特征提取网络的示意图，如图4所示。该时空因子联合特征提取网络包括对称残差网络、空间注意力机制、双向长短期记忆网络和时序注意力机制。其中双向长短记忆网络中，以前向传播为例，如式(a)-(e)所示，每个lstm单元中包含遗忘门
为进一步量化局部时序特征重要性，时序特征注意力机制，该注意力为时间点t输出的特征ht赋予一个相对权重αt，权重αt的计算原理如式(19)和式(20)所示。完成所有时间点相对权重计算后，双向长短期记忆网络的输出特征可表示为
图5为一个实施例中基于深度级联神经网络的建筑能耗时空因子表征装置的示意图，如图5所示，该装置包括：
空间特征提取模块502，用于将建筑能耗相关的空间因子输入对称残差网络，通过所述对称残差网络提取所述建筑能耗相关的空间特征；
空间局部特征权重量化模块504，用于通过空间注意力机制对所述空间特征进行局部特征权重量化，得到量化后的空间特征；
时序特征提取模块506，用于将所述量化后的空间特征与所述建筑能耗相关的时序因子输入至双向长短期记忆网络，得到所述建筑能耗相关的时序特征；
时序局部特征权重量化模块508，用于通过时序注意力机制对所述时序特征进行局部特征权重量化，得到时空因子联合特征，其中，所述时空因子联合特征用于预测所述建筑的能耗数据。
上述实施例提供的基于深度级联神经网络的建筑能耗时空因子表征装置，可以通过对称残差神经网络提取空间因子的特征，通过双向长短期记忆网络提取时序因子的特征。并通过空间注意力机制，量化空间局部特征权重，时序注意力机制，量化时序局部特征权重。这样提取的特征更具有识别力和鲁棒性，提高了特征提取的准确性。
在一个实施例中，所述对称残差网络中包括卷积模块和解卷积模块，所述卷积模块中包括k个残差块，所述解卷积模块中包括k个解卷积块，其中，所述k为大于或等于1的整数；所述空间特征提取模块502还用于通过所述卷积模块中的k个残差块将所述空间因子进行卷积运算，得到中间特征；通过所述解卷积模块中的k个解卷积块将所述中间特征进行解卷积运算，得到所述建筑能耗相关的空间特征。
在一个实施例中，所述空间特征权重量化模块504还用于将所述空间特征输入至所述通道注意力模块，得到通道注意力权重，并根据所述空间特征和所述通道注意力权重得到第一特征；将所述第一特征输入至所述空间注意力模块，得到空间注意力权重，并根据所述第一特征和所述空间注意力权重得到所述量化后的空间特征。
在一个实施例中，所述通道注意力模块包括第一平均池化层、第一最大池化层和全连接层；所述空间注意力模块包括第二平均池化层、第二最大池化层和卷积层；所述空间特征权重量化模块504还用于将所述空间特征分别输入第一平均池化层和第一最大池化层，得到平均池化后的空间特征和最大池化后的空间特征；将所述平均池化后的空间特征和所述最大池化后的空间特征，经过所述全连接层相加后得到所述注意力权重；将所述第一特征分别输入所述第二平均池化层和所述第二最大池化层，得到平均池化后的第一特征和最大池化后的第一特征；通过所述卷积层将所述平均池化后的第一特征和所述最大池化后的第一特征进行卷积运算，得到空间注意力权重。
在一个实施例中，所述双向长短期记忆网络包括向前传播网络和向后传播网络；时序特征提取模块506还用于将所述量化后的空间特征与所述建筑能耗相关的时序因子输入所述向前传播网络，得到所述建筑能耗相关的第一时序特征；将所述量化后的空间特征与所述建筑能耗相关的时序因子输入所述向后传播网络，得到所述建筑能耗相关的第二时序特征；根据所述第一时序特征和所述第二时序特征构建得到所述建筑能耗相关的时序特征。
在一个实施例中，所述时序因子中包括对应于n个时刻的时刻因子，所述时序特征中包括对应于n个时刻的时刻特征，其中n为大于或等于1的整数；时序特征提取模块506还用于将所述量化后的空间特征与n个所述时刻因子输入所述向前传播网络，得到n个的第一时刻特征；将所述量化后的空间特征与n个所述时刻因子输入所述向后传播网络，得到n个的第二时刻特征；分别将对应于同一时刻的所述第一时刻特征和所述第二时刻特征组合，得到n个时刻特征。
在一个实施例中，时序特征权重量化模块508还用于将n个所述时刻特征输入至所述时序注意力机制，得到对应于每个所述时刻特征的时序权重；根据所述时序权重将n个所述时刻特征进行加权求和，得到时空因子联合特征。
在一个实施例中提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述实施例中的方法。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述实施例中的方法。
在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等，而所有可以实现本申请实施例的跨云平台的大数据管理方法的电子设备都在本申请的保护范围之内。
存储器包括但不限于是随机存储记忆体(randomaccessmemory，ram)、只读存储器(read至onlymemory，rom)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、或便携式只读存储器(compactdiscread至onlymemory，cd至rom)，该存储器用于相关指令及数据。
输入系统用于输入数据和/或信号，以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessingunit，cpu)，在处理器是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。处理器还可以包括一个或多个专用处理器，专用处理器可以包括gpu、fpga等，用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，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。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，系统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。
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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory，rom)，或随机存储存储器(randomaccessmemory，ram)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digitalversatiledisc，dvd)、或者半导体介质，例如，固态硬盘(solidstatedisk，ssd)等。
以上上述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！