一种潮汐效应规避方法、装置和计算机可读存储介质与流程

本发明涉及移动通信技术领域，尤其涉及一种潮汐效应规避方法、装置和计算机可读存储介质。

背景技术：

随着移动通信的快速发展，移动用户数以及业务量随即出现了井喷式增长。伴随物联网终端数量的飞速增长以及业务类型的不断增加，无线通信领域的“潮汐效应”将愈发明显，且表现出明显的地域特性和时间特性。例如：在工作时段，人们在cbd区域大量聚集，下班后又向居民区大量迁徙。这种现象引发了物联网终端设备的业务量流动，使得热点区域在特定时刻出现突发大业务量，导致网络拥塞，甚至无法接入，出现业务失败，这种现象也即潮汐效应。当发生潮汐效应时，对物联网终端业务而言，会出现业务交互失败，频繁重试的情况，对网络设备而言，会出现高负荷运行，甚至出现服务拒绝情况，极大影响业务质量，成为困扰运营商和业务厂商的共同难题。

目前针对潮汐效应的处理方式主要有两种，一种是终端侧主动规避并发访问情况，典型做法为在业务数据发送时加入随机时延，旨在使终端在实际业务发送时瞬时并发能够下降，在接入终端数据增大时，出现碰撞冲突的概率会越来越大，削弱潮汐效应的抑制效果；另一种典型做法是在网络设备侧进行优化，包括增加缓存队列机制，或弹性扩容机制，旨在增加网络接入能力，网络设备引入缓存队列方式，在并发量很大时，存在数据丢弃访问拒绝的问题，弹性扩容方式，实际操作性不强。

技术实现要素：

有鉴于此，本发明实施例期望提供一种潮汐效应规避方法、装置和计算机可读存储介质。

为达到上述目的，本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种潮汐效应规避方法，该方法包括：

业务运行时，基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数；

将所述配置参数下发至所述物联网终端，用于所述物联网终端调整业务模型并错峰发送业务数据。

可选的，所述业务运行之前，该方法还包括：

基于试运行时物联网终端上报的特征向量，并结合逻辑回归lr方法训练得到业务成功率预测模型；不同的业务成功率预测模型对应不同的基站。

其中，所述基于试运行时物联网终端上报的特征向量，并结合lr方法训练得到业务成功率预测模型，包括：

将至少一个试运行周期内物联网终端上报的特征向量的集合进行划分，得到用于训练的数据集合s和用于测试的数据集合t；

利用所述用于训练的数据集合s对预设的业务成功率预测模型进行训练，得出一组拟合后的参数；

利用所述用于测试的数据集合t对经所述训练得到的业务成功率预测模型进行泛化处理，得到业务成功率预测模型。

其中，所述物联网终端上报的特征向量包括以下参数：

x1，x2，x3，x4，x5，x6，x7，x8，x9,…,xn，以及y；其中，

所述x1为数据包长，x2为qos等级，x3为发送时间，x4为发送时延偏移量，x5为并发终端数，x6为端到端业务时延，x7为重传次数，x8为信号与干扰加噪声比sinr，x9为参考信号接收功率rsrp，x10至xn为可扩展字段；所述y为业务成功率。

其中，所述基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数，包括：

根据基站标识对所述物联网终端上报的特征向量数据进行分类，基于分类结果查询所对应的业务成功率预测模型；每类特征向量数据对应一个基站、且对应一个业务成功率预测模型；

基于所述每类特征向量数据及对应的业务成功率预测模型确定使得所述业务成功率预测模型的函数取得极大值的配置参数。

6、根据权利要求1所述的方法，其特征在于，所述配置参数包括以下参数：

e0’，e1’，e2’，…en’；其中，

所述e0’为使得所述业务成功率预测模型的函数取得极大值的发送时延偏移量，

所述e1’为使得所述业务成功率预测模型的函数取得极大值的业务重传次数，

所述e2’为使得所述业务成功率预测模型的函数取得极大值的业务平台地址，

所述e3’至en’为使得所述业务成功率预测模型的函数取得极大值的可扩展影响因子。

可选的，该方法还包括：

业务运行时，基于物联网终端实时上报的特征向量按预设周期对已训练的业务成功率预测模型进行更新。

本发明实施例还提供了一种潮汐效应规避装置，该装置包括：

确定模块，用于业务运行时，基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数；

发送模块，用于将所述配置参数下发至所述物联网终端，用于所述物联网终端调整业务模型并错峰发送业务数据。

本发明实施例还提供了一种潮汐效应规避装置，该装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，

其中，所述处理器用于运行所述计算机程序时，执行上述方法的步骤。

本发明实施例还提供了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的步骤。

本发明实施例提供的潮汐效应规避方法、装置和计算机可读存储介质，业务运行时，基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数；将所述配置参数下发至所述物联网终端，用于所述物联网终端调整业务模型并错峰发送业务数据。本发明实施例基于机器学习方法训练得到的业务成功率预测模型以及物联网终端上报的特征向量来确定最终用于物联网终端调整业务模型的配置参数，以实现各终端之间错峰发送数据模式的最优配置，相比于针对特定产品的定制性业务优化手段，适应性更强，维护成本更低，优化效果更好。

此外，本发明实施例还能基于最新上报的特征向量进行模型的及时更新，形成完整的闭环业务自适应优化流程，能够较好地适应业务场景的不断变化，当出现业务规模扩大、业务流程更新、新增其他物联网产品等情况时，预测模型也能自适应更正，并通过闭环调整机制快速应用到现有业务流程中去，从而保障业务能够在最优的配置参数下运转。

另外，本发明实施例提出以业务成功率为主要决策依据，为业务成功率建立预测模型，基于该模型得出配置参数与业务成功率的简化函数，通过求取指定条件下的函数极大值得出配置参数的最优值。基于该决策机制所得的配置参数是在保障业务成功率基础上的效率最高、终端能耗最低的方案，能够最大限度的利用网络承载能力，同时节省终端能耗。

附图说明

图1为本发明实施例所述潮汐效应规避方法流程示意图一；

图2为本发明实施例所述潮汐效应规避方法流程示意图二；

图3为本发明实施例所述潮汐效应规避装置结构示意图一；

图4为本发明实施例所述潮汐效应规避装置结构示意图二；

图5为本发明实施例所述潮汐效应规避装置结构示意图三；

图6为本发明实施例所述潮汐效应规避系统结构示意图。

具体实施方式

下面结合附图和实施例对本发明进行描述。

本发明实施例提供了一种潮汐效应规避方法，如图1所示，该方法包括：

步骤101：业务运行时，基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数；

步骤102：将所述配置参数下发至所述物联网终端，用于所述物联网终端调整业务模型并错峰发送业务数据。

本发明实施例基于机器学习方法训练得到的业务成功率预测模型以及物联网终端上报的特征向量来确定最终用于物联网终端调整业务模型的配置参数，以实现各终端之间错峰发送数据模式的最优配置，相比于针对特定产品的定制性业务优化手段，适应性更强，维护成本更低，优化效果更好。

一个实施例中，如图2所示，所述业务运行之前，该方法还包括：

步骤100：基于试运行时物联网终端上报的特征向量，并结合逻辑回归lr方法训练得到业务成功率预测模型；不同的业务成功率预测模型对应不同的基站。

本发明实施例中，所述基于试运行时物联网终端上报的特征向量，并结合lr方法训练得到业务成功率预测模型，包括：

将至少一个试运行周期内物联网终端上报的特征向量的集合进行划分，得到用于训练的数据集合s和用于测试的数据集合t；

利用所述用于训练的数据集合s对预设的业务成功率预测模型进行训练，得出一组拟合后的参数；

利用所述用于测试的数据集合t对经所述训练得到的业务成功率预测模型进行泛化处理，得到业务成功率预测模型。

本发明实施例中，所述物联网终端上报的特征向量包括以下参数：

x1，x2，x3，x4，x5，x6，x7，x8，x9,…,xn，以及y；其中，

所述x1为数据包长，x2为qos等级，x3为发送时间，x4为发送时延偏移量，x5为并发终端数，x6为端到端业务时延，x7为重传次数，x8为信号与干扰加噪声比sinr，x9为参考信号接收功率rsrp，x10至xn为可扩展字段；所述y为业务成功率。

本发明实施例中，所述基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数，包括：

根据基站标识对所述物联网终端上报的特征向量数据进行分类，基于分类结果查询所对应的业务成功率预测模型；每类特征向量数据对应一个基站、且对应一个业务成功率预测模型；

基于所述每类特征向量数据及对应的业务成功率预测模型确定使得所述业务成功率预测模型的函数取得极大值的配置参数。

本发明实施例中，所述配置参数包括以下参数：

e0’，e1’，e2’，…en’；其中，

所述e0’为使得所述业务成功率预测模型的函数取得极大值的发送时延偏移量，

所述e1’为使得所述业务成功率预测模型的函数取得极大值的业务重传次数，

所述e2’为使得所述业务成功率预测模型的函数取得极大值的业务平台地址，

所述e3’至en’为使得所述业务成功率预测模型的函数取得极大值的可扩展影响因子。

一个实施例中，该方法还包括：

业务运行时，基于物联网终端实时上报的特征向量按预设周期对已训练的业务成功率预测模型进行更新。

为了实现上述方法，本发明实施例还提供了一种潮汐效应规避装置，如图3所示，该装置包括：

确定模块301，用于业务运行时，基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数；

发送模块302，用于将所述配置参数下发至所述物联网终端，用于所述物联网终端调整业务模型并错峰发送业务数据。

一个实施例中，如图4所示，该装置还包括：训练模块300，用于基于试运行时物联网终端上报的特征向量，并结合逻辑回归lr方法训练得到业务成功率预测模型；不同的业务成功率预测模型对应不同的基站。

本发明实施例中，所述训练模块300基于试运行时物联网终端上报的特征向量，并结合lr方法训练得到业务成功率预测模型，包括：

将至少一个试运行周期内物联网终端上报的特征向量的集合进行划分，得到用于训练的数据集合s和用于测试的数据集合t；

利用所述用于训练的数据集合s对预设的业务成功率预测模型进行训练，得出一组拟合后的参数；

利用所述用于测试的数据集合t对经所述训练得到的业务成功率预测模型进行泛化处理，得到业务成功率预测模型。

本发明实施例中，所述物联网终端上报的特征向量包括以下参数：

x1，x2，x3，x4，x5，x6，x7，x8，x9,…,xn；其中，

所述x1为数据包长，x2为qos等级，x3为发送时间，x4为发送时延偏移量，x5为并发终端数，x6为端到端业务时延，x7为重传次数，x8为信号与干扰加噪声比sinr，x9为参考信号接收功率rsrp，x10至xn为可扩展字段。

本发明实施例中，所述确定模块301基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数，包括：

根据基站标识对所述物联网终端上报的特征向量数据进行分类，基于分类结果查询所对应的业务成功率预测模型；每类特征向量数据对应一个基站、且对应一个业务成功率预测模型；

基于所述每类特征向量数据及对应的业务成功率预测模型确定使得所述业务成功率预测模型的函数取得极大值的配置参数。

本发明实施例中，所述配置参数包括以下参数：

e0’，e1’，e2’，…en’；其中，

所述e0’为使得所述业务成功率预测模型的函数取得极大值的发送时延偏移量，

所述e1’为使得所述业务成功率预测模型的函数取得极大值的业务重传次数，

所述e2’为使得所述业务成功率预测模型的函数取得极大值的业务平台地址，

所述e3’至en’为使得所述业务成功率预测模型的函数取得极大值的可扩展影响因子。

一个实施例中，如图5所示，该装置还包括：更新模块303，用于业务运行时，基于物联网终端实时上报的特征向量按预设周期对已训练的业务成功率预测模型进行更新。

本发明实施例还提供了一种潮汐效应规避装置，该装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，

其中，所述处理器用于运行所述计算机程序时，执行：

业务运行时，基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数；

将所述配置参数下发至所述物联网终端，用于所述物联网终端调整业务模型并错峰发送业务数据。

所述业务运行之前，所述处理器还用于运行所述计算机程序时，执行：

基于试运行时物联网终端上报的特征向量，并结合逻辑回归lr方法训练得到业务成功率预测模型；不同的业务成功率预测模型对应不同的基站。

所述基于试运行时物联网终端上报的特征向量，并结合lr方法训练得到业务成功率预测模型时，所述处理器还用于运行所述计算机程序时，执行：

将至少一个试运行周期内物联网终端上报的特征向量的集合进行划分，得到用于训练的数据集合s和用于测试的数据集合t；

利用所述用于训练的数据集合s对预设的业务成功率预测模型进行训练，得出一组拟合后的参数；

利用所述用于测试的数据集合t对经所述训练得到的业务成功率预测模型进行泛化处理，得到业务成功率预测模型。

其中，所述物联网终端上报的特征向量包括以下参数：

x1，x2，x3，x4，x5，x6，x7，x8，x9,…,xn，以及y；其中，

所述x1为数据包长，x2为qos等级，x3为发送时间，x4为发送时延偏移量，x5为并发终端数，x6为端到端业务时延，x7为重传次数，x8为信号与干扰加噪声比sinr，x9为参考信号接收功率rsrp，x10至xn为可扩展字段；所述y为业务成功率。

所述基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数时，所述处理器还用于运行所述计算机程序时，执行：

根据基站标识对所述物联网终端上报的特征向量数据进行分类，基于分类结果查询所对应的业务成功率预测模型；每类特征向量数据对应一个基站、且对应一个业务成功率预测模型；

基于所述每类特征向量数据及对应的业务成功率预测模型确定使得所述业务成功率预测模型的函数取得极大值的配置参数。

其中，所述配置参数包括以下参数：

e0’，e1’，e2’，…en’；其中，

所述e0’为使得所述业务成功率预测模型的函数取得极大值的发送时延偏移量，

所述e1’为使得所述业务成功率预测模型的函数取得极大值的业务重传次数，

所述e2’为使得所述业务成功率预测模型的函数取得极大值的业务平台地址，

所述e3’至en’为使得所述业务成功率预测模型的函数取得极大值的可扩展影响因子。

所述处理器还用于运行所述计算机程序时，执行：

业务运行时，基于物联网终端实时上报的特征向量按预设周期对已训练的业务成功率预测模型进行更新。

需要说明的是：上述实施例提供的装置在进行潮汐效应规避处理时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将设备的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flashmemory、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。

本发明实施例还提供了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，执行：

业务运行时，基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数；

将所述配置参数下发至所述物联网终端，用于所述物联网终端调整业务模型并错峰发送业务数据。

所述业务运行之前，所述计算机程序被处理器运行时，还执行：

基于试运行时物联网终端上报的特征向量，并结合逻辑回归lr方法训练得到业务成功率预测模型；不同的业务成功率预测模型对应不同的基站。

所述基于试运行时物联网终端上报的特征向量，并结合lr方法训练得到业务成功率预测模型时，所述计算机程序被处理器运行时，还执行：

将至少一个试运行周期内物联网终端上报的特征向量的集合进行划分，得到用于训练的数据集合s和用于测试的数据集合t；

利用所述用于训练的数据集合s对预设的业务成功率预测模型进行训练，得出一组拟合后的参数；

利用所述用于测试的数据集合t对经所述训练得到的业务成功率预测模型进行泛化处理，得到业务成功率预测模型。

其中，所述物联网终端上报的特征向量包括以下参数：

x1，x2，x3，x4，x5，x6，x7，x8，x9,…,xn，以及y；其中，

所述x1为数据包长，x2为qos等级，x3为发送时间，x4为发送时延偏移量，x5为并发终端数，x6为端到端业务时延，x7为重传次数，x8为信号与干扰加噪声比sinr，x9为参考信号接收功率rsrp，x10至xn为可扩展字段；所述y为业务成功率。

所述基于训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定使得所述业务成功率预测模型的函数取得极大值的配置参数时，所述计算机程序被处理器运行时，还执行：

根据基站标识对所述物联网终端上报的特征向量数据进行分类，基于分类结果查询所对应的业务成功率预测模型；每类特征向量数据对应一个基站、且对应一个业务成功率预测模型；

基于所述每类特征向量数据及对应的业务成功率预测模型确定使得所述业务成功率预测模型的函数取得极大值的配置参数。

其中，所述配置参数包括以下参数：

e0’，e1’，e2’，…en’；其中，

所述e0’为使得所述业务成功率预测模型的函数取得极大值的发送时延偏移量，

所述e1’为使得所述业务成功率预测模型的函数取得极大值的业务重传次数，

所述e2’为使得所述业务成功率预测模型的函数取得极大值的业务平台地址，

所述e3’至en’为使得所述业务成功率预测模型的函数取得极大值的可扩展影响因子。

所述计算机程序被处理器运行时，还执行：

业务运行时，基于物联网终端实时上报的特征向量按预设周期对已训练的业务成功率预测模型进行更新。

下面结合场景实施例对本发明进行描述。

本实施例在应用时涉及到两类字段，一类是需要终端在业务交互流程中在数据包中携带的关键字段，另一类是由后台服务端根据历史数据计算得出的字段值。这些字段均为影响业务交互成功率的影响因素，将作为机器学习模型输入空间内的特征向量，如下表1所示：

表1

需要说明的是，上述字段中描述性字段是不可变字段，在数据处理过程中会使用到，但不属于预测模型输入空间的特征向量。特征向量是会对预测模型产生影响的变量。

经分析发现客户端(物联网终端)与后台进行业务交互时，其业务成功率(y)会受到多维因素共同影响，这里将影响成功率的因素表示为特征向量(x1，x2，x3，x4，x5，x6，x7，x8，x9,…,xn)，其中x1为数据包长、x2为qos等级、x3为发送时间、x4为发送时延偏移量、x5为并发终端数，x6为端到端业务时延，x7为重传次数，x8为sinr，x9为rsrp，x10至xn为可扩展字段(可结合具体业务自定)。

采用lr方法对整个系统的业务成功率y进行预测，那么首先得到假设函数模型：

这里y＝hθ(x)，θ为模型的可变参数。

在系统上线时，首先采用已有的随机延迟时间方式运行，经过一个试运行周期(一般大于2周时间)积累训练数据。将所得特征向量集合m(x1，x2，x3，x4，x5，x6，…,xn，y)划分为用于训练的数据集合s，用于测试的数据集合t。

利用训练集s对机器学习模型进行训练，得到一组参数θ，利用测试集t实现模型的泛化过程，最终得出可应用的业务成功率预测模型。

设置一组终端侧影响业务成功率的配置参数向量(e0，e1，e2，…en)，其中，e0为发送时延偏移量，e1为业务重传次数，e2为业务平台地址,e3至en为根据具体业务类型可扩展的影响因子。基于所述业务成功率预测模型的函数，求出能使得该函数取得极大值点的一组配置参数(e0’,e1’,e2’,e3’,…,en’),将该参数组合下发至物联网终端侧，物联网终端依此来对业务收发模型进行调整，从而在满足业务质量的前提下，最大限度的降低业务并发，从而提高业务质量。

在应用过程中，由于存在源源不断的输入数据集合，该机器学习模型可不断进行自适应优化，保障参数预测效果不随业务规模、网络配置改变而出现大的偏离。

本实施例的整体系统组成及业务流程如图6所示，包括：机器学习预测服务模块、参数决策模块、业务平台以及客户端(物联网终端)，其具体业务执行步骤描述如下：

整体业务分为两个阶段，第一阶段为试运行建模阶段，第二阶段为上线使用阶段；其中，

所述试运行建模阶段流程包括：

步骤一：客户端预置已有的随机时延预防潮汐方法；

步骤二：客户端带业务运行，时间不少于2周；

步骤三：业务平台将试运行时客户端上报的特征向量通过接口上报给机器学习预测服务模块；

步骤四：机器学习预测服务模块采用lr方法对业务成功率进行拟合，利用特征向量中用于训练的数据集合s进行训练，得出一组拟合后的参数θ；

步骤五：通过特征向量中用于测试的数据集合t对已经得到的预测模型函数进行测试验证，完成泛化使之具有普遍适用性，至此业务成功率预测模型初步建立完成。

所述上线运行阶段流程包括：

步骤一：客户端在正常进行业务交互时携带上述表1中所述必需的特征向量及描述字段；

步骤二：业务平台收到该数据后经处理和封装后发送至参数决策模块；

步骤三：参数决策模块根据描述变量“基站eci”将上报的数据进行分类(对应于同一基站的数据划分为一类)，针对每类数据分别向机器学习预测服务模块查询所对应的最新业务成功率预测模型的函数；

步骤四：参数决策模块利用业务成功率预测模型的函数，将预设配置参数向量中的变量作为可调节参数，其他特征向量作为固定参数带入所述函数中，计算函数的极大值，使之满足①业务成功率满足服务阈值(如95％)要求②所得时延偏移量数值最小，该组配置参数向量即为算法所得最优配置参数向量。

步骤五：参数决策模块将该组最优配置参数向量作为响应值反馈至业务平台；

步骤六：业务平台将所述最优配置参数向量值及其他业务所需响应值一并返回给客户端；

步骤七：客户端接收到返回消息后，按照平台侧推送的最优配置参数向量对业务收发模型进行调整后开始下一次业务流程。通过对上述参数的优化，达到规避网络潮汐效应，提高业务成功率的效果。

上述方案中，业务平台还将收到的客户端上报的业务数据(特征向量)周期性发送给机器学习服务平台，不断更新机器学习的数据源，实现业务成功率预测模型的自适应更新，保障模型函数的高可用性。

本发明实施例基于机器学习方法训练得到的业务成功率预测模型以及物联网终端上报的特征向量确定最终用于物联网终端调整业务模型的配置参数，并能基于最新上报的特征向量进行模型的及时更新，是一套完整的闭环业务自适应优化流程，能够较好地适应业务场景的不断变化，当出现业务规模扩大、业务流程更新、新增其他物联网产品等情况时，预测模型也能自适应更正，并通过闭环调整机制快速应用到现有业务流程中去，从而保障业务能够在最优的配置参数下运转。相比于针对特定产品的定制性业务优化手段，适应性更强，维护成本更低，优化效果更好。

此外，本发明实施例提出以业务成功率为主要决策依据，为业务成功率建立预测模型，基于该模型得出配置参数与业务成功率的简化函数，通过求取指定条件下的函数极大值得出配置参数的最优值。基于该决策机制所得的配置参数是在保障业务成功率基础上的效率最高、终端能耗最低的方案，能够最大限度的利用网络承载能力，同时节省终端能耗。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。