一种模拟集成电路前仿过程的预测寄生参数方法及系统

1.本技术涉及模拟集成电路设计技术领域，具体涉及一种模拟集成电路前仿过程的预测寄生参数方法及系统。


背景技术：

2.模拟集成电路是一种难以设计而且强依赖于设计者经验的集成电路种类，在实际设计中，设计者不仅需要设计理想情况下的原理图参数，还需要通过对实际版图所提取出来的寄生参数信息进行修改，而且设计流程对最终性能有较高的要求，因此对设计者的设计经验要求较高。
3.在前仿真时，设计者可能由于缺乏经验而难以估计版图寄生参数从而导致原理图参数下的电路性能不满足后仿时的性能指标要求，此时人工根据仿真结果分析调整各器件的参数值并重新绘制版图，然后重新对原理图以及版图进行仿真测试，进而导致设计者需要在原理图设计与版图设计之间反复迭代。不断重复上述过程，直至设计的电路满足性能要求。
4.传统的原理图设计与前仿调参，需要在原理图设计与版图设计之间不断迭代，所耗费的精力大；同时人工在修改版图的效率低，在修改版图的时候会占据大量时间；由于验证的繁琐性，在实际操作中开发速度慢，不利于模拟集成电路设计流程的高效实施。


技术实现要素：

5.本技术提供一种模拟集成电路前仿过程的预测寄生参数方法及系统，以在模拟集成电路前仿过程的预测寄生参数。
6.第一方面，本技术提供一种模拟集成电路前仿过程的预测寄生参数方法，包括：
7.获取待预测的原理图文件；
8.从所述待预测的原理图文件中提取器件参数和器件关系，得到器件抽象逻辑集合；
9.将所述器件抽象逻辑集合输入至预先建立的图神经网络模型中，输出伪寄生参数集合，其中，所述图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系，所述伪寄生参数集合包括各个器件的多个伪寄生参数，所述伪寄生参数为实际影响寄生参数电学性质的尺寸参数；
10.读取模拟集成电路所采用的生产工艺，以及，根据所述生产工艺和所述伪寄生参数集合，得到模拟集成电路的实际寄生参数集合。
11.在一种实现方式中，所述图神经网络模型通过以下方法建立：
12.获取历史模拟集成电路版图的实际寄生参数集合和对应原理图的器件抽象逻辑集合；
13.结合历史模拟集成电路版图对应的生产工艺，对历史模拟集成电路版图的实际寄生参数集合作伪寄生参数处理，得到历史模拟集成电路版图的伪寄生参数集合，其中，所述
作伪寄生参数处理是指结合所述生产工艺，将实际寄生参数组合中工艺相关参数归一化处理；
14.从训练样本集中学习生成图神经网络模型，其中，训练样本包括历史模拟集成电路版图的器件抽象逻辑集合和伪寄生参数集合的对应记录。
15.在一种实现方式中，所述从训练样本集中学习生成图神经网络模型，包括：
16.根据器件抽象逻辑集合和对应的伪寄生参数集合，确定每个器件的抽象逻辑、每个器件所属的电路模块和每个器件的多个伪寄生参数，其中，所述每个器件的抽象逻辑包括器件的参数、与其他器件相连的端口特性、相连的其他器件的器件特性以及相连的其他器件的多个伪寄生参数；其中，所述器件的参数、所述与其他器件相连的端口特性和所述相连的其他器件的器件特性从历史模拟集成电路版图对应原理图的器件抽象逻辑集合中提取得到，所述相连的其他器件的多个伪寄生参数从历史模拟集成电路版图的伪寄生参数集合中提取得到；
17.根据每个器件所属的电路模块、抽象逻辑和多个伪寄生参数的对应记录，训练生成图神经网络模型，其中，所述图神经网络模型包括各个电路模块中器件的抽象逻辑和器件的多个伪寄生参数的映射关系。
18.在一种实现方式中，所述各个电路模块中器件的抽象逻辑和器件的多个伪寄生参数的映射关系，表示为：
19.hv＝f(xv，x
co[v]
，h
ne[v]
，x
ne[v]
)；
[0020]
其中，hv为器件v的多个伪寄生参数，f为器件v的抽象逻辑到对应器件多个伪寄生参数的映射函数，xv为器件v的参数，x
co[v]
为器件v与其他器件相连的端口特性，h
ne[v]
为与器件v相连的其他器件的多个伪寄生参数，x
ne[v]
为与器件v相连的其他器件的器件特性。
[0021]
在一种实现方式中，所述将所述器件抽象逻辑集合输入至预先建立的图神经网络模型中，输出伪寄生参数集合，包括：
[0022]
根据器件抽象逻辑集合，确定每个器件所属的电路模块；
[0023]
选取第一器件，判断第一器件相连其他器件的多个伪寄生参数是否已经预测完成，其中，第一器件为待预测的原理图文件中的任一器件；
[0024]
如果第一器件相连其他器件的多个伪寄生参数已经预测完成，则结合器件抽象逻辑集合，确定第一器件的抽象逻辑，其中，第一器件的抽象逻辑包括第一器件的参数、第一器件与其他器件相连的端口特性、第一器件相连的其他器件的器件特性以及第一器件相连其他器件的多个伪寄生参数；
[0025]
基于第一器件所属的电路模块和对应电路模块中器件的抽象逻辑与多个伪寄生参数的映射关系，确定第一器件的多个伪寄生参数；
[0026]
遍历待预测的原理图文件中的其他器件，将其他器件当作第一器件，重复判断第一器件相连其他器件的多个伪寄生参数是否已经预测完成的过程和确定第一器件的多个伪寄生参数的过程，直至待预测的原理图文件中的所有器件遍历完成，得到伪寄生参数集合。
[0027]
在一种实现方式中，所述判断第一器件相连其他器件的多个伪寄生参数是否已经预测完成之后，还包括：
[0028]
如果第一器件相连其他器件的多个伪寄生参数未预测，则将第一器件相连其他器
件的多个伪寄生参数预设为零，以及，结合器件抽象逻辑集合，确定第一器件的抽象逻辑。
[0029]
第二方面，本技术提供一种模拟集成电路前仿过程的预测寄生参数系统，包括：
[0030]
获取模块，用于获取待预测的原理图文件；
[0031]
提取模块，用于从所述待预测的原理图文件中提取器件参数和器件关系，得到器件抽象逻辑集合；
[0032]
伪寄生参数预测模块，用于将所述器件抽象逻辑集合输入至预先建立的图神经网络模型中，输出伪寄生参数集合，其中，所述图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系；
[0033]
实际寄生参数预测模块，用于读取模拟集成电路所采用的生产工艺，以及，根据所述生产工艺和所述伪寄生参数集合，得到模拟集成电路的实际寄生参数集合。
[0034]
在一种实现方式中，所述伪寄生参数预测模块包括图神经网络模型建立单元，所述图神经网络模型建立单元被配制为：
[0035]
获取历史模拟集成电路版图的实际寄生参数集合和对应原理图的器件抽象逻辑集合；
[0036]
结合历史模拟集成电路版图对应的生产工艺，对历史模拟集成电路版图的实际寄生参数集合作伪寄生参数处理，得到历史模拟集成电路版图的伪寄生参数集合；
[0037]
从训练样本集中学习生成图神经网络模型，其中，训练样本包括历史模拟集成电路版图的器件抽象逻辑集合和伪寄生参数集合的对应记录。
[0038]
第三方面，本技术提供一种电子设备，包括：存储器、一个或多个处理器；所述存储器与所述一个或多个处理器耦合，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；所述一个或多个处理器用于调用所述计算机指令，以使得所述电子设备实现前述第一方面提供的方法。
[0039]
第四方面，本技术提供一种计算机存储介质，包括计算机指令，当所述计算机指令在用户设备上运行时，使得所述用户设备执行前述第一方面提供的方法。
[0040]
由以上技术方案可知，本技术提供一种模拟集成电路前仿过程的预测寄生参数方法，包括获取待预测的原理图文件；从所述待预测的原理图文件中提取器件参数和器件关系，得到器件抽象逻辑集合；将所述器件抽象逻辑集合输入至预先建立的图神经网络模型中，输出伪寄生参数集合，其中，所述图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系；读取模拟集成电路所采用的生产工艺，以及，根据所述生产工艺和所述伪寄生参数集合，得到模拟集成电路的实际寄生参数集合。本技术对原理图读取、寄生参数预测以及仿真流程进行有效的整合，减少芯片设计者在原理图设计与版图设计之间的迭代次数，极大地提高了模拟集成电路的设计效率以及设计速度。
附图说明
[0041]
图1为本技术实施例提供的一种模拟集成电路前仿过程的预测寄生参数方法的流程示意图；
[0042]
图2为本技术实施例提供的一种模拟集成电路前仿过程的预测寄生参数系统的结构示意图。
具体实施方式
[0043]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
[0044]
以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本技术的限制。如在本技术的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本技术以下各实施例中，“至少一个”、“一个或多个”是指一个、两个或两个以上，“多个”是指两个或者两个以上。术语“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系；例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a、b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
[0045]
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0046]
参见图1，本技术实施例提供一种模拟集成电路前仿过程的预测寄生参数方法，该方法包括步骤s1至步骤s4。
[0047]
s1、获取待预测的原理图文件。
[0048]
模拟集成电路的原理图文件包括电路中的器件参数和器件关系，还包括元器件图形符号、元器件文字符号、元器件网表、元器件坐标、元器件旋转角度、元器件每个管脚的坐标、连线、元器件位号坐标、电路结点坐标和文字注释等。
[0049]
s2、从待预测的原理图文件中提取所有器件参数和所有器件关系，得到器件抽象逻辑集合。
[0050]
根据原理图文件的格式进行器件参数和器件关系的采集，例如，读取eda(electronic design automation)软件中待预测的原理图文件，根据原理图文件的格式采集器件参数和器件关系，器件参数包括有源器件的参数和无源器件的数值，有源器件的参数如cmos的长与宽，无源器件的数值如电容容值和电阻阻值等，器件关系包括原理图中晶体管、电容和电阻等元件之间的连接方式。
[0051]
在提取器件参数和器件关系之后，对其进行逻辑抽象，将器件参数和器件关系逻辑抽象为神经网络可识别的特有标准格式文件，得到器件抽象逻辑集合，其中，器件抽象逻辑集合的载体是对应模型可以识别的特有标准格式文件，器件抽象逻辑集合的数学表达方式是矩阵，器件抽象逻辑集合包括每个器件的参数、每个器件与其他器件相连的端口特性以及每个器件相连的其他器件的器件特性。
[0052]
s3、将器件抽象逻辑集合输入至预先建立的图神经网络模型中，输出伪寄生参数集合，其中，所述图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系。
[0053]
本技术实施例首先预先建立图神经网络模型，该图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系。该图神经网络模型的建立方法如下：
[0054]
s301、获取历史模拟集成电路版图的实际寄生参数集合和对应原理图的器件抽象逻辑集合。
[0055]
本技术实施例获取多份历史模拟集成电路版图，提取每份历史模拟集成电路版图的实际寄生参数集合，其中，实际寄生参数集合包括每个器件的多个实际寄生参数。以及，根据历史模拟集成电路版图对应的原理图文件，提取每份原理图文件的器件抽象逻辑集合。
[0056]
s302、结合历史模拟集成电路版图对应的生产工艺，对历史模拟集成电路版图的实际寄生参数集合作伪寄生参数处理，得到历史模拟集成电路版图的伪寄生参数集合。
[0057]
结合每份历史模拟集成电路版图对应的工艺节点文件，对该历史模拟集成电路版图的实际寄生参数集合进行伪寄生参数处理，得到对应的伪寄生参数集合，该伪寄生参数集合包括对应历史模拟集成电路版图中每个器件的多个伪寄生参数，伪寄生参数为实际影响寄生参数电学性质的尺寸参数，例如是电阻的长宽比和电容的面积。由于在不同工艺下，同一版图设计会产生不同的实际寄生参数，所以本技术实施例为了实现通用性，采用伪寄生参数作为中间产物，根据工艺节点文件确定每份历史模拟集成电路版图所采用的工艺，结合该工艺对历史模拟集成电路版图的实际寄生参数集合进行伪寄生参数处理，伪寄生参数处理是指结合工艺文件，将实际寄生参数中电阻的电阻率以及电容的单位面积电容等与工艺相关的参数归一化处理。
[0058]
示例性地，一个电阻的阻值一般定义为：其中ρ为电阻率，其与构成电阻的材料有关(在模拟集成电路中即模拟集成电路所采用的工艺以及导线所处金属层有关)，l，s为电阻的长与横截面面积(在模拟集成电路中一般为导线的长与宽)，在进行伪寄生参数处理时，将与工艺有关的参数ρ进行置1处理，得到与工艺无关的的大小(在模拟集成电路中最后得到的是分别为导线的长与宽)。
[0059]
s303、从训练样本集中学习生成图神经网络模型，其中，训练样本包括历史模拟集成电路版图的器件抽象逻辑集合和伪寄生参数集合的对应记录。
[0060]
示例性地，获取3000余份历史模拟集成电路版图，提取每份历史模拟集成电路版图的实际寄生参数集合和对应原理图的器件抽象逻辑集合，对实际寄生参数集合作伪寄生参数处理后，得到3000余份伪寄生参数集合和器件抽象逻辑集合的对应记录。
[0061]
确定多份已知训练样本数据后，学习生成图神经网络模型，该图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系。在一部分优选实施例中，首先根据器件抽象逻辑集合和对应的伪寄生参数集合，确定每个器件的抽象逻辑、每个器件所属的电路模块和每个器件的多个伪寄生参数，其中，所述每个器件的抽象逻辑包括器件的参数、与其他器件相连的端口特性、相连的其他器件的器件特性以及相连的其他器件的多个伪寄生参数；其中，所述器件的参数、所述与其他器件相连的端口特性和所述相连的其他器件的器件特性从历史模拟集成电路版图对应原理图的器件抽象逻辑集合中提取得到，所述相连的其他器件的多个伪寄生参数从历史模拟集成电路版图的伪寄生参数集合中提取得到。
[0062]
示例性地，根据器件抽象逻辑集合，提取器件v的参数、器件v与其他器件相连的端口特性以及与器件v相连的其他器件的器件特性；根据器件抽象逻辑集合对应的伪寄生参
数集合，确定器件v相连的其他器件的多个伪寄生参数。结合器件v的参数、器件v与其他器件相连的端口特性、与器件v相连的其他器件的器件特性以及器件v相连的其他器件的多个伪寄生参数，确定器件v的抽象逻辑。
[0063]
电路的整体结构可以分为很多模块，即使是电路中相同的一部分，放在整体结构中的不同模块也会充当着不同的作用，同样的一部分电路在不同的模块中有着不同寄生参数。本技术实施例根据器件抽象逻辑集合确定每个器件所属的模块，根据每个器件所属的电路模块、抽象逻辑和多个伪寄生参数的对应记录，训练学习不同模块的器件抽象逻辑和多个伪寄生参数的映射关系。
[0064]
示例性地，器件v所属电路模块a，利用器件v的抽象逻辑和器件v的多个伪寄生参数，训练学习电路模块a的映射关系；器件u所属电路模块b，利用器件u的抽象逻辑和器件u的多个伪寄生参数，训练学习电路模块b的映射关系。
[0065]
各个电路模块中器件的抽象逻辑和器件的多个伪寄生参数的映射关系，可以用以下数学模型表示：
[0066]hv
＝f(xv，x
co[v]
，h
ne[v]
，x
ne[v]
)；
[0067]
其中，hv为器件v的多个伪寄生参数，f为器件v的抽象逻辑到对应器件多个伪寄生参数的映射函数，xv为器件v的参数，x
co[v]
为器件v与其他器件相连的端口特性，h
ne[v]
为与器件v相连的其他器件的多个伪寄生参数，x
ne[v]
为与器件v相连的其他器件的器件特性。
[0068]
在建立图神经网络模型之后，根据器件抽象逻辑集合和伪寄生参数集合的映射关系，将待预测的原理图文件对应的器件抽象逻辑集合输入至该图神经网络模型中，输出对应的伪寄生参数集合。
[0069]
在上述一部分优选实施例中，根据上述训练的方法，在伪寄生参数集合预测时，对每个器件的多个伪寄生参数逐一进行预测，从而得到伪寄生参数集合。首先根据输入的器件抽象逻辑集合，确定每个器件所属的电路模块，以及，提取每个器件的参数、每个器件与其他器件相连的端口特性以及每个器件相连的其他器件的器件特性。
[0070]
本技术实施例的每个器件的抽象逻辑还包括相连的其他器件的多个伪寄生参数，由于在训练时，每个器件的伪寄生参数为已知数据，但是在预测某个器件的多个伪寄生参数时，存在该器件相连的其他器件的多个伪寄生参数还未预测的情况，在此种情况下，本技术实施例将该器件相连的其他器件的多个伪寄生参数预设为0，得到该器件的抽象逻辑。根据该器件所属的电路模块和对应电路模块中器件的抽象逻辑与多个伪寄生参数的映射关系，得到将该器件的多个伪寄生参数。
[0071]
具体地，选取第一器件，判断第一器件相连其他器件的多个伪寄生参数是否已经预测完成，其中，第一器件为待预测的原理图文件中的任一器件；如果第一器件相连其他器件的多个伪寄生参数已经预测完成，则结合器件抽象逻辑集合，确定第一器件的抽象逻辑，其中，第一器件的抽象逻辑包括第一器件的参数、第一器件与其他器件相连的端口特性、第一器件相连的其他器件的器件特性以及第一器件相连其他器件的多个伪寄生参数；如果第一器件相连其他器件的多个伪寄生参数未预测，则将第一器件相连其他器件的多个伪寄生参数预设为零，以及，结合器件抽象逻辑集合，确定第一器件的抽象逻辑；基于第一器件所属的电路模块和对应电路模块中器件的抽象逻辑与多个伪寄生参数的映射关系，确定第一器件的多个伪寄生参数；遍历待预测的原理图文件中的其他器件，将其他器件当作第一器
件，重复判断第一器件相连其他器件的多个伪寄生参数是否已经预测完成的过程和确定第一器件的多个伪寄生参数的过程，直至待预测的原理图文件中的所有器件遍历完成，得到伪寄生参数集合。
[0072]
在另一部分优选实施例中，本技术实施例的图神经网络模型的优化问题利用sgdm(stochastic gradient descent+moment)优化器，利用此优化器可以提供较快的神经网络学习速度以及收敛效率，其映射收敛方式为：
[0073]mt
＝β
·mt-1
+(1-β)
·gt
；
[0074]
其中，m
t
为t时刻的动量，m
t-1
为t-1时刻的动量，β为经验值，由此前累计的下降方向决定，g
t
为t时刻的梯度。
[0075]
s4、读取模拟集成电路所采用的生产工艺，以及，根据所述生产工艺和所述伪寄生参数集合，得到模拟集成电路的实际寄生参数集合。
[0076]
根据待预测的原理图文件中的电路工艺地址，定位工艺文件的位置并进行读取，进而对工艺文件中对于各类寄生参数规格进行记录，如寄生电阻、寄生电容以及耦合电容，以保证对于不同的工艺有着对应的更准确的寄生参数预测。
[0077]
例如，预测得到导线的长度和宽度(伪寄生参数)，结合电导率以及单位面积电容值(工艺文件中寄生参数规格)，确定导线上的寄生电阻与寄生电容(实际寄生参数)；预测得到导线之间的距离(伪寄生参数)，结合耦合电容与导线距离之间的关系(工艺文件中寄生参数规格)，导线之间耦合电容的数值大小(实际寄生参数)。
[0078]
参见图2，本技术实施例还提供一种模拟集成电路前仿过程的预测寄生参数系统，该预测寄生参数系统用于执行前述的预测寄生参数方法，该预测寄生参数系统包括获取模块，用于获取待预测的原理图文件；提取模块，用于从所述待预测的原理图文件中提取器件参数和器件关系，得到器件抽象逻辑集合；伪寄生参数预测模块，用于将所述器件抽象逻辑集合输入至预先建立的图神经网络模型中，输出伪寄生参数集合，其中，所述图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系；实际寄生参数预测模块，用于读取模拟集成电路所采用的生产工艺，以及，根据所述生产工艺和所述伪寄生参数集合，得到模拟集成电路的实际寄生参数集合。该预测寄生参数系统具体技术细节可参照前述提供的预测寄生参数方法，在此不再赘述。
[0079]
由以上技术方案可知，本技术实施例提供一种模拟集成电路前仿过程的预测寄生参数方法，包括获取待预测的原理图文件；从所述待预测的原理图文件中提取器件参数和器件关系，得到器件抽象逻辑集合；将所述器件抽象逻辑集合输入至预先建立的图神经网络模型中，输出伪寄生参数集合，其中，所述图神经网络模型包括器件抽象逻辑集合和伪寄生参数集合的映射关系；读取模拟集成电路所采用的生产工艺，以及，根据所述生产工艺和所述伪寄生参数集合，得到模拟集成电路的实际寄生参数集合。本技术实施例基于深度学习神经网络，对原理图读取、寄生参数预测以及仿真流程进行了有效的整合，减少了芯片设计者在原理图设计与版图设计之间的迭代次数，实现高效辅助人工设计，极大地提高了模拟集成电路的设计效率以及设计速度。
[0080]
具体实现中，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质包括指令。其中，设置在任意设备中计算机可读介质其在计算机上运行时，可实施包括图1对应的实施例中的全部或部分步骤。所述计算机可读介质的存储介质可为磁碟、光盘、
只读存储记忆体(英文：read-only memory，简称：rom)或随机存储记忆体(英文：random access memory，简称：ram)等。
[0081]
本技术实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信息处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信息处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信息处理器核，或任何其它类似的配置来实现。
[0082]
本技术实施例中所描述的方法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于ue中。可选地，处理器和存储媒介也可以设置于ue中的不同的部件中。
[0083]
应理解，在本技术的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0084]
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。所述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所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述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(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。所述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。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0085]
本说明书的各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。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部分的说明即可。
[0086]
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，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或者实施例的某些部分所
述的方法。
[0087]
以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何在本技术揭露的技术范围内的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。
[0088]
以上所述的本技术实施方式并不构成对本技术保护范围的限定。