存储器故障预测的系统、方法及设备与流程

存储器故障预测的系统、方法及设备
1.相关申请案
2.本技术案主张2021年5月6日申请的序列号为63/185,275的临时美国专利申请案的优先权，所述申请案的全部公开内容特此以引用方式并入本文中。
技术领域
3.本文中所公开的至少一些实施例大体上涉及存储器故障的预测，且更特定来说但非限制地涉及使用人工神经网络(ann)进行的预测。


背景技术：

4.人工神经网络(ann)使用神经元网络来处理到网络的输入且从网络产生输出。
5.深度学习已应用到许多应用领域，例如计算机视觉、语音/音频辨识、自然语言处理、机器翻译、生物信息学、药物设计、医学图像处理、游戏等。


技术实现要素：

6.在一个方面，本公开涉及一种方法，其包括：在计算设备中且根据集成电路裸片的区中的多个存储器单元的物理布局产生指示所述集成电路裸片的所述区中的存储器故障的进展的图像序列；在所述计算设备中使用机器学习技术训练人工神经网络以辨识所述图像中的图形特征，且基于所述序列中的第一图像中的经辨识图形特征预测在所述序列中的所述第一图像之后出现的第二图像中所展示的一或多个存储器故障；在所述计算设备中接收指示所述集成电路裸片的所述区中的一或多个存储器故障的第三图像；由所述计算设备使用所述人工神经网络分析所述第三图像；及基于所述分析识别所述区中的一或多个存储器单元，所述一或多个存储器单元被识别为在所述第三图像的时间之后具有存储器故障。
7.在另一方面，本公开涉及一种设备，其包括：存储器，其存储指令；及至少一个处理器，其经由所述指令配置以：接收根据集成电路裸片的区中的多个存储器单元的物理布局产生的图像序列以展示所述集成电路裸片的所述区中的存储器故障的进展；使用机器学习技术训练人工神经网络以辨识所述图像中的图形特征，且基于所述序列中的第一图像中的经辨识图形特征预测在所述序列中的所述第一图像之后出现的第二图像中所展示的一或多个存储器故障；接收指示所述集成电路裸片的所述区中的一或多个存储器故障的第三图像；及基于使用所述人工神经网络对所述第三图像进行的分析来识别所述区中的一或多个存储器单元，所述一或多个存储器单元被识别为在所述第三图像的时间之后具有存储器故障。
8.在另一方面，本公开涉及一种存储指令的非暂时性计算机可读存储媒体，所述指令在由计算装置中的微处理器执行时引起所述计算装置执行一方法，所述方法包括：在一时段内接收识别集成电路裸片的区中的存储器故障的第一数据；接收识别所述区中的多个存储器单元的物理布局的第二数据；基于所述第一数据及所述第二数据产生指示所述集成电路裸片的所述区中的存储器故障的进展的图像序列；使用机器学习技术训练人工神经网
络以辨识所述图像中的图形特征，且基于所述序列中的第一图像中的经辨识图形特征预测在所述序列中的所述第一图像之后出现的第二图像中所展示的一或多个存储器故障；接收识别所述集成电路裸片的所述区中的一或多个存储器故障的第三数据；根据所述物理布局产生展示所述集成电路裸片的所述区中的所述一或多个存储器故障的第三图像；使用所述人工神经网络分析所述第三图像；及基于所述分析识别所述区中的一或多个存储器单元，所述一或多个存储器单元被识别为在所述第三图像的时间之后具有存储器故障。
附图说明
9.实施例是通过实例来说明且不限于附图的诸图，其中相似元件符号指示类似元件。
10.图1说明根据一个实施例的由人工神经网络(ann)经由图像分析预测存储器故障的技术。
11.图2到5说明根据一些实施例的用于存储器故障预测的存储器状态图像。
12.图6展示根据一个实施例的存储器故障预测方法。
13.图7是本公开的实施例可在其中操作的实例计算机系统的框图。
具体实施方式
14.本公开的至少一些方面是针对通过使用人工神经网络执行的图像分析进行的存储器故障预测。
15.集成电路存储器装置可具有存储器单元形成于其上的一或多个集成电路裸片。制造于集成电路裸片上的存储器单元可经编程以通过其在跨存储器单元施加的电压下的状态来存储数据。
16.举例来说，如果存储器单元被配置或编程为处于在处于预定义电压区域中的电压下允许实质电流通过存储器单元的此状态，那么存储器单元被认为已经配置或经编程以存储第一位值(例如，1或0)；且否则，存储器单元正在存储第二位值(例如，0或1)。
17.任选地，一些类型的存储器单元可经配置或经编程以通过经配置或经编程以具有在多于两个单独电压区域中的一者中的阈值电压来存储多于一位数据。存储器单元的阈值电压使得当跨存储器单元施加的电压增加到高于阈值电压时，存储器单元快速或突然改变、突变(snap)或从非导电状态跳到导电状态。非导电状态允许小泄漏电流通过存储器单元；且相比之下，导电状态允许超过阈值量的电流通过。因此，存储器装置可使用传感器来检测变化或确定存储器装置在一或多个外加电压下的导电/非导电状态，以评估存储器单元的阈值电压的电平及因此其经存储数据或对它们进行分类。
18.被配置/编程为处于不同电压区域中的存储器单元的阈值电压可用于表示存储于存储器单元中的不同数据值。举例来说，存储器单元的阈值电压可被编程为处于四个预定义电压区域中的任何者中；且所述区域中的每一者可用于表示不同二位数据项的位值。因此，当给定二位数据项时，可基于二位数据项与电压区域之间的映射选择四个电压区域中的一者；且存储器单元的阈值电压可调整、编程或配置为处于选定电压区域中以表示或存储给定二位数据项。为了从存储器单元检索、确定或读取数据项，可跨存储器单元施加一或多个读取电压以确定四个电压区域中的哪一些含有存储器单元的阈值电压。含有存储器单
元的阈值电压的电压区域的识别提供已被存储、编程或写入到存储器单元中的二位数据项。
19.举例来说，快闪存储器或交叉点存储器类型的存储器单元可经配置或经编程以在单电平单元(slc)模式下存储一位数据项，或在多电平单元(mlc)模式下存储二位数据项，或在三电平单元(tlc)模式下存储三位数据项，或在四电平单元(qlc)模式下存储四位数据项，或在五电平单元(plc)模式下存储五位数据项。
20.存储器单元的阈值电压可在一时段内、在使用及/或读取操作内且响应于例如温度变化的特定环境因素而变化或漂移。变化或漂移的速率可随着存储器单元的老化而增加。变化或漂移可在往回从存储器单元确定、检索或读取数据项时导致错误。
21.一些存储器单元存储电荷以具有存储于存储器单元中的状态表示数据。电荷泄漏可导致状态变化且因此可在读取存储器单元时导致错误。
22.读取存储器单元时的随机错误可使用冗余信息来检测及校正。将存储到存储器单元中的数据可经编码以包含冗余信息来促进错误检测及恢复。当编码有冗余信息的数据被存储于存储器子系统中时，存储器子系统可检测由存储器单元的阈值电压的电压区域表示的数据中的错误，及/或恢复用于产生用于对存储器单元的阈值电压进行编程的数据的原始数据。当由存储器单元的阈值电压表示且因此从存储器子系统中的存储器单元直接检索的数据含有较少错误时、或经检索数据中的位错误率很低及/或当冗余信息量很高时，恢复操作可为成功的(或具有很高的成功概率)。举例来说，错误检测及数据恢复可使用例如错误校正码(ecc)、低密度奇偶校验(ldpc)码等的技术来执行。然而，当位错误率很高及/或当冗余信息量不足时，恢复操作可能失败(或具有很高失败概率)。
23.本公开的至少一些方面通过产生表示存储器装置中的存储器单元的健康及使用的图像来解决上述及其它缺点及/或挑战，且使用利用人工神经网络实施的图像分析技术来执行存储器故障预测。
24.举例来说，读取存储器单元时的故障的空间相关性可具有在表示形成于集成电路裸片上的存储器单元的状态的图像中可见的模式。集成电路裸片上的局部区中的故障可能在一时段内增长以超过错误校正码(ecc)的错误恢复能力。故障增长可在图像中视觉化且经由人工神经网络(例如，使用计算机视觉技术)分析以进行后续存储器故障的预测。当可通过观测少量可恢复错误来预测故障进展时，可调度及部署先发制人的措施来避免不可恢复的错误。
25.图1说明根据一个实施例的由人工神经网络(ann)经由图像分析来预测存储器故障的技术。
26.在图1中，计算系统具有主机系统101及存储器装置103。主机系统101可发送存取存储器装置103的命令，例如将数据写入到存储器装置103中的命令、从存储器装置103读取数据的命令、从存储器装置103擦除数据的命令等。
27.存储器装置103可具有形成于集成电路裸片上的存储器单元。存储器单元物理布局107指定存储器单元个别地安置于存储器装置103中的集成电路裸片上的位置。任选地，存储器单元物理布局107可进一步识别集成电路裸片中可能与存储器故障相关的结构、元件或特征，例如经配置以将电压施加到存储器单元的电压驱动器、从电压驱动器连接到存储器单元的电线等的位置。
28.在计算系统的操作期间，主机系统101可产生在各个存储器地址处的存储器单元的健康及使用数据105。举例来说，健康及使用数据105可指示存储器故障何时在由存储器地址识别的存储器单元处发生。举例来说，健康及使用数据105可识别最后一次刷新或写入存储器单元的时间。举例来说，健康及使用数据105可依据存储器单元已经历的编程/擦除循环来识别存储器单元的年限。
29.存储器状态图像109可从健康及使用数据105及存储器单元物理布局107产生。举例来说，在对应于存储器单元物理布局107的图像109中，表示物理布局107中的存储器单元的区或位置可经由颜色及/或形状标注以识别存储器单元在一时间实例的健康及使用数据105。
30.举例来说，存储器单元可在存储器状态图像109中被展示为在对应于其在集成电路裸片上的存储器单元的页面、块、阵列、层面或区中的物理位置的位置处。
31.举例来说，存储器单元可被展示为存储器状态图像109中的一像素或一组像素。
32.举例来说，存储器单元中是否发生读取错误可由表示所述存储器单元的一或多个像素的颜色表示。
33.举例来说，与存储器故障(例如，读取错误、写入错误)的预测相关的使用数据可被涂为相关区中的背景颜色或被呈现为在存储器状态图像109上的相关位置中的符号或形状。举例来说，最后一次写入到存储器单元的区的时间、区中的存储器单元的年限等可在存储器状态图像109中以图形表示。
34.存储器状态图像109以图形方式展示在集成电路裸片上的各个位置中存储器故障随时间的进展。可目视检验呈存储器状态图像109的形式的存储器单元物理布局107上的健康及使用数据105的图形表示以发现模式来进行预测。
35.在图1中，人工神经网络111是使用机器学习技术来训练。举例来说，可将计算机视觉、图像分割及图像模式辨识的技术应用到存储器状态图像109，以识别具有存储器故障进展模式的经辨识图像区段113及经预测故障115。机器学习技术减少经预测故障115与在健康及使用数据105中识别且在存储器状态图像109中的对应图形特征中反应的存储器故障之间的差异。
36.举例来说，从几个早期错误发展到存储器状态图像109中的局部区域中的后续错误的存储器故障模式可由人工神经网络111辨识且用于训练后续错误的预测。随后，当早期错误的模式在另一局部区域中被发现且被人工神经网络111识别时，人工神经网络111可预测已观测到的且因此从其它区域中的类似后续错误训练的后续错误。
37.图2到5说明根据一些实施例的用于存储器故障预测的存储器状态图像。举例来说，图2到5中所说明的图像可用于实施图1的技术。
38.图2展示存储器状态图像121，其中集成电路裸片上的典型存储器单元119在存储器状态图像121中被展示为在根据其在集成电路裸片上的布局的位置处。因此，存储器状态图像121中的存储器单元间的空间关系表示集成电路裸片上的对应存储器单元的空间关系。
39.具有存储器故障(例如，读取错误)的存储器单元(例如，133及135)在存储器状态图像121中以在视觉上不同于尚没有存储器故障的其它存储器单元(例如，137)的方式呈现。
40.图3展示后续存储器状态图像123，其在图2中所说明的较早存储器状态图像121中所见的存储器单元133及135处的存储器错误集群附近的存储器单元137处具有新的存储器故障。
41.当存储器故障在集成电路裸片上的局部区域中增长时，图像区段131的图形特征在存储器状态图像121及123中是可识别的。
42.人工神经网络111可经训练以识别经辨识图像区段131(例如，使用计算机视觉及/或图像处理中的图像分割技术)。
43.此外，人工神经网络111经训练以基于图像区段131中的图形图像特征预测存储器单元137中的后续错误。
44.图2及3说明由图像区段131表示的存储器区中的存储器故障的进展的图形表示的实例。一般来说，来自计算系统的健康及使用数据105提供数个经观测案例，其可用于训练人工神经网络111以辨识图像区段113，且以与在健康及使用数据105中识别的经观测故障案例一致的方式进行故障115的预测。
45.图4说明人工神经网络111的预测能力的应用的实例。在图4中，人工神经网络111辨识具有与图2中的图像区段131中类似的图形特征的模式的图像区段141。由于图3中的先前处理的存储器状态图像123训练人工神经网络111以预测图像区段131中的存储器单元137中的存储器故障，因此人工神经网络111可预测在图像区段141中，在存储器单元147中很可能有存储器故障。此预测可由主机系统101用于采取防止数据丢失及/或中断的动作。举例来说，主机系统101可产生刷新对应于图像区段141的存储器区中的数据的命令。举例来说，主机系统101可产生创建对应于图像区段141的存储器区中的数据的冗余副本的命令。举例来说，主机系统101可产生将数据从对应于图像区段141的存储器区移动到另一存储器区的命令。
46.在一个实施方案中，具有存储器故障的每一存储器单元(例如，133、135)由具有预定颜色(例如，黑色)的像素表示。像素间的空间关系与集成电路裸片中的对应存储器单元间的距离成比例。此外，具有其它颜色的像素可用于表示没有存储器故障的对应存储器单元的使用状态。举例来说，可使用亮度级的灰度来指示从最后一次写入经过的时间、存储器单元的年限、应用到存储器单元的擦除操作的数目或与存储器故障的预测相关的另一参数。举例来说，可使用像素的颜色的红色、绿色及蓝色通道来表示存储器单元的三个健康及/或使用参数。
47.在另一实施方案中，每一存储器单元(例如，119)由具有一形状(例如，正方形或圆形)的一组像素表示。存储器单元(例如，119)的健康及使用数据105可经由表示存储器单元(例如，119)的至少一些像素的形状及/或颜色呈现。
48.图5说明存储器状态图像125，其中使用具有一颜色(例如，黑色)的一形状(例如，圆形)来表示具有存储器故障的存储器单元(例如，133、135、137、143、145)，而使用具有不同颜色(例如，白色)的另一形状(例如，正方形)来表示没有存储器故障的存储器单元(例如，147)。
49.表示存储器单元的形状可叠加于表示背景颜色的区中的存储器单元所共有的一或多个参数的所述区上。
50.此外，可在存储器状态图像109上展示如在物理布置107中所指定的存储器单元的
一些特征或参数。举例来说，到电压驱动器的电气距离可经由存储器单元的背景颜色呈现。
51.当健康及使用数据105及存储器物理布局107在视觉上呈现在存储器状态图像109中时，人工神经网络111可用于学习局部存储器区中存储器故障的发展模式并预测故障115。
52.图6展示根据一个实施例的存储器故障预测方法。举例来说，图6的操作可使用图1的技术与图2到5中所说明的存储器状态图像来实施。
53.在框181，计算设备在一时段内接收识别集成电路裸片的区中的存储器故障的第一数据。
54.举例来说，第一数据可由具有主机系统101及具有集成电路裸片上的存储器单元形式的存储器装置103的计算装置在存储器装置103的使用期间提供。第一数据可包含关于在由主机系统101及/或存储器装置103使用的存储器地址处的存储器单元的健康及使用数据105。
55.在一个实施方案中，具有主机系统101及存储器装置103的计算装置可为计算设备的部分。在另一实施方案中，计算设备独立于具有主机系统101的计算装置操作。举例来说，计算设备可经由有线或无线计算机连接从计算装置接收第一数据。举例来说，计算设备可为连接到主机系统101的服务器计算机。
56.在框183，计算设备接收识别集成电路裸片的区中的多个存储器单元的物理布局107的第二数据。
57.在框185，计算设备基于第一数据及第二数据产生指示集成电路裸片的区中的存储器故障的进展的图像序列109。
58.举例来说，表示区中的多个存储器单元的像素可经配置以在图像109中处于对应于集成电路裸片的区中的多个存储器单元的位置的位置处。因此，存储器单元间的空间关系由表示相应存储器单元的像素群组间的空间关系表示。
59.在框187，计算设备使用机器学习技术训练人工神经网络111以辨识图像中的图形特征，且基于序列中的第一图像121中的经辨识图形特征预测在序列中的第一图像之后出现的第二图像123中所展示的一或多个存储器故障。
60.举例来说，区中的具有存储器故障的每一相应存储器单元在第一图像中由对应于集成电路裸片上的区中的相应存储器单元的位置的位置处的至少一个像素表示。
61.举例来说，具有存储器故障的相应存储器单元可在第一图像121中由具有预定义形状的多个像素表示。形状可与表示没有存储器故障的存储器单元的像素的形状相同或不同。
62.举例来说，第一图像中表示具有存储器故障的相应存储器单元的多个像素可具有不同于表示没有存储器故障的存储器单元的像素的一或多种颜色的预定义颜色。
63.任选地，第一图像121可包含表示与区中的多个存储器单元相关联的结构特征，例如从存储器单元到其驱动器的电气距离的像素。
64.任选地，第一图像121可包含具有表示指示区中的多个存储器单元的使用的数据的属性，例如从最后一次写入/刷新操作起的时间、存储器单元的年限等的像素。
65.举例来说，人工神经网络111可经配置以执行图像分割来识别第一图像131(例如，图像区段131)的部分以辨识所述部分中的图形特征。因此，存储器状态图像121的局部区中
的图形特征的模式的发展可被辨识且用于训练人工神经网络111，以在存储器状态图像121的其它局部区中进行预测。
66.在框189，计算设备接收识别集成电路裸片的区中的一或多个存储器故障的第三数据。
67.在框191，计算设备根据物理布局107产生展示集成电路裸片的区中的一或多个存储器故障的第三图像125。
68.在框193，计算设备使用人工神经网络111分析第三图像125。
69.在框195，计算设备基于使用人工神经网络111分析第三图像125来识别/预测区中被识别为在第三图像125的时间之后具有存储器故障的一或多个存储器单元(例如，147)。
70.一或多个存储器单元(例如，147)中的经识别/经预测存储器故障可致使计算设备及/或主机系统101确定是否执行避免数据丢失及/或中断的操作。举例来说，可响应于一或多个存储器单元被识别为具有存储器故障而在集成电路裸片的区中执行数据刷新操作。举例来说，可响应于一或多个存储器单元被识别为具有存储器故障而存储区中的数据的冗余副本。举例来说，可响应于一或多个存储器单元被识别为具有存储器故障而将区中的数据移动到不同区。
71.图7说明计算机系统200的实例机器，可在其内执行用于引起机器执行本文中所论述的方法论中的任一或多者的一组指令。在一些实施例中，计算机系统200可对应于主机系统，所述主机系统包含、耦合到或利用存储器子系统或可用于执行存储器故障预测器206的操作(例如，执行指令以执行对应于关于图1到6描述的存储器故障预测的操作)。在替代实施例中，机器可连接(例如，联网)到lan、内联网、外联网及/或因特网中的其它机器。机器可在客户端-服务器网络环境中以服务器或客户端机器的身份操作，在对等(或分布式)网络环境中作为对等机器，或在云计算基础设施或环境中作为服务器或客户端机器。
72.机器可为服务器、个人计算机(pc)、平板pc、机顶盒(stb)、个人数字助理(pda)、蜂窝电话、网络设施、网络路由器、交换机或桥接器，或能够执行指定将由所述机器采取的动作的一组指令(依序或以其它方式)的任何机器。此外，虽然说明单个机器，但术语“机器”也应被视为包含个别或联合执行一组(或多组)指令以执行本文中所论述的方法论中的任一或多者的机器的任何集合。
73.实例计算机系统200包含处理装置202、主存储器204(例如，只读存储器(rom)、快闪存储器、动态随机存取存储器(dram)，例如同步dram(sdram)或rambus dram(rdram)、静态随机存取存储器(sram)等)及数据存储系统218，它们经由总线230(其可包含多条总线)彼此通信。
74.处理装置202表示一或多个通用处理装置，例如微处理器、中央处理单元等等。更特定来说，处理装置可为复杂指令集计算(cisc)微处理器、精简指令集计算(risc)微处理器、超长指令字(vliw)微处理器或实施其它指令集的一处理器或实施指令集的组合的多个处理器。处理装置202也可为一或多个专用处理装置，例如专用集成电路(asic)、现场可编程门阵列(fpga)、数字信号处理器(dsp)、网络处理器等等。处理装置202经配置以执行用于执行本文中所论述的操作及步骤的指令226。计算机系统200可进一步包含网络接口装置208以通过网络220通信。
75.数据存储系统218可包含体现本文中所描述的方法论或功能中的任一或多者的一
或多组指令226或软件存储在其上的机器可读媒体224(也被称为计算机可读媒体)。指令226还可在其由计算机系统200执行期间完全或至少部分驻存于主存储器204内及/或处理装置202内，主存储器204及处理装置202也构成机器可读存储媒体。机器可读媒体224、数据存储系统218及/或主存储器204可对应于存储器子系统。
76.在一个实施例中，指令226包含用于实施对应于存储器故障预测器206的功能性(例如，关于图1到6描述的存储器故障预测的操作)的指令。虽然在实例实施例中将机器可读媒体224展示为单个媒体，但术语“机器可读存储媒体”应被视为包含存储一或多组指令的单个媒体或多个媒体。术语“机器可读存储媒体”也应被视为包含能够存储或编码供机器执行的一组指令且引起机器执行本公开的方法论中的任一或多者的任何媒体。因此，术语“机器可读存储媒体”应被视为包含但不限于固态存储器、光学媒体及磁性媒体。
77.已依据对计算机存储器内的数据位的操作的算法及符号表示呈现前述具体实施方式的一些部分。这些算法描述及表示是由数据处理领域的技术人员用以向所属领域的其它技术人员最有效地传达其工作主旨的方式。算法在此且通常被设想为导致期望结果的自相一致的操作序列。操作是需要物理量的物理操纵的操作。通常但并不一定，这些量采取能够被存储、组合、比较及以其它方式操纵的电或磁信号的形式。已证明，主要出于通用的原因，将这些信号称为位、值、元件、符号、字符、项、数字等等有时是方便的。
78.然而，应记住，全部这些及类似术语将与适当物理量相关联，且仅为应用于这些量的方便标签。本公开可指代将表示为计算机系统的寄存器及存储器内的物理(电子)量的数据操纵并转换成类似地表示为计算机系统存储器或寄存器或其它此类信息存储系统内的物理量的其它数据的计算机系统或类似电子计算装置的动作及过程。
79.本公开还涉及用于执行本文中的操作的设备。此设备可出于预期目的专门构造，或其可包含由存储于计算机中的计算机程序选择性地激活或重新配置的通用计算机。此计算机程序可存储于计算机可读存储媒体中，例如但不限于任何类型的磁盘，包含软盘、光盘、cd-rom及磁光盘、只读存储器(rom)、随机存取存储器(ram)、eprom、eeprom、磁卡或光卡或适于存储电子指令的任何类型的媒体，它们中的每一者都耦合到计算机系统总线。
80.本文中呈现的算法及显示器并不固有地与任何特定计算机或其它设备相关。各种通用系统可与根据本文中的教示的程序一起使用，或可证明构造更专门设备来执行方法是方便的。各种各样的这些系统的结构将如下文描述中陈述那样出现。另外，本公开并非是参考任何特定编程语言进行描述。应了解，各种各样的编程语言可用于实施如本文中所描述的本公开的教示。
81.本公开可提供为计算机程序产品或软件，其可包含具有存储于其上的指令的机器可读媒体，所述指令可用于对计算机系统(或其它电子装置)进行编程以执行根据本公开的过程。机器可读媒体包含用于存储呈可由机器(例如，计算机)读取的形式的信息的任何机构。在一些实施例中，机器可读(例如，计算机可读)媒体包含机器(例如，计算机)可读存储媒体，例如只读存储器(“rom”)、随机存取存储器(“ram”)、磁盘存储媒体、光学存储媒体、快闪存储器组件等。
82.在本描述中，各种功能及操作被描述为由计算机指令执行或引起以简化描述。然而，所属领域的技术人员将认识到，此类表达意味着功能因通过一或多个控制器或处理器，例如微处理器执行计算机指令而产生。替代地或组合地，功能及操作可使用有或没有软件
指令的专用电路系统来实施，例如使用专用集成电路(asic)或现场可编程门阵列(fpga)。实施例可使用没有软件指令或结合软件指令的硬接线电路系统来实施。因此，技术既不限于硬件电路系统与软件的任何特定组合，也不限于由数据处理系统执行的指令的任何特定来源。
83.在以上说明中，已参考本公开的特定实例实施例描述其实施例。明显地，可在不背离如所附权利要求书中所陈述的本公开的实施例的更广精神及范围的情况下对本公开进行各种修改。因此，说明书及附图应以说明性意义而非限制性意义来看待。