一种通信感知一体化的计算卸载方法及装置

1.本发明涉及通信技术领域，特别是指一种通信感知一体化的计算卸载方法及装置。


背景技术：

2.无线通信网络使用的高频段与无线电感知频段逐渐趋近乃至重叠，在不同场景(如智慧交通、智能工厂)中已经引入了通信感知一体化技术，可以使得无线网络能够在实现无线通信功能的同时，提供高精度的定位服务，有效提高资源利用率及信息处理效率。此外，随着自动驾驶、沉浸式拓展现实等新型服务的不断演进发展，受终端计算能力的限制，无法在短时间处理海量数据。因此，移动边缘计算技术应运而生，终端可通过上行通信波束将计算任务卸载至移动边缘，有效降低终端的能耗。然而，终端的感知波束与通信波束存在相互干扰，同时由于终端设备的移动性，通信信道与感知信道条件高动态变化，导致通信感知一体化技术中的计算卸载难以实现。


技术实现要素：

3.本发明的目的是提供一种通信感知一体化的计算卸载方法及装置，用以解决现有技术中终端的感知波束与通信波束存在相互干扰，同时由于终端的移动性，通信信道与感知信道条件高动态变化，导致通信感知一体化技术中的计算卸载难以实现的问题。
4.为达到上述目的，本发明的实施例提供一种通信感知一体化的计算卸载方法，包括：
5.建立终端针对计算卸载的相关模型；
6.将终端的待计算任务、上行通信信道增益、感知脉冲响应以及通信波束与感知波束的角度差作为输入，对所述相关模型进行训练学习，得到所述终端针对待计算任务的卸载参数；所述计算任务包括待计算的通信数据和待计算的感知数据，所述卸载参数包括计算任务卸载决策和卸载射频发射功率决策；
7.根据所述卸载参数，对所述待计算任务卸载至边缘侧。
8.进一步地，所述相关模型，包括：
9.波束间干扰模型、感知模型、终端的上行通信模型、待计算任务的任务模型、终端的计算模型以及边缘侧的计算模型。
10.进一步地，所述波束间干扰模型为扇形天线模型，用于表征通信波束与感知波束之间的波束干扰增益。
11.进一步地，所述终端的感知模型，包括：
12.终端发出正交频分复用感知信号的模型以及边缘侧接收到的回波信号的模型，且所述感知模型的输出为目标脉冲响应与接收信号间的条件互信息。
13.进一步地，所述终端的上行通信模型用于表征所述终端与边缘侧的上行传输速率以及上行通信信道增益。
14.进一步地，所述任务模型用于表征在预设时间段内所述待计算任务的数量、每个待计算任务的大小、执行一比特所述待计算任务所需要的cpu循环数以及每个待计算任务的时延阈值。
15.进一步地，所述终端的计算模型用于表征所述终端处理所述待计算任务的时延以及所述终端的感知性能。
16.进一步地，所述边缘侧的计算模型用于表征所述边缘侧处理所述待计算任务的时延以及所述终端的感知性能；
17.其中，所述边缘侧处理所述待计算任务的时延，包括：所述待计算任务从所述终端传输至所述边缘侧的第一时延、所述边缘侧完成处理所述待计算任务的第二时延以及所述边缘侧将所述处理完的待计算任务发送至所述终端的第三时延。
18.进一步地，所述相关模型，还包括联合优化模型；
19.所述联合优化模型是关于处理所述待计算任务的时延与所述终端的感知性能的优化模型；
20.所述联合优化模型包括：任务运行总时延的约束条件、所述终端的感知性能约束条件、终端的通信波束射频发射功率的约束条件、终端的感知波束射频发射功率的约束条件、感知波束与通信波束之间的关系的约束条件以及所述卸载参数的约束条件。
21.进一步地，所述对所述相关模型进行训练学习，得到所述终端针对待计算任务的卸载参数，包括：
22.将所述终端的待计算任务、所述上行通信信道增益、所述感知脉冲响应以及通信波束与所述感知波束的角度差作为状态空间，所述计算任务卸载决策和所述卸载射频发射功率决策作为动作空间，并建立奖励函数，得到所述卸载参数；
23.其中，将所述终端的待计算任务、所述上行通信信道增益、所述感知脉冲响应以及通信波束、所述感知波束的角度差以及所述奖励函数作为输入，通过基于multi-dqn的强化学习模块，得到所述任务卸载策略中的计算卸载决策；
24.将所述终端的待计算任务、所述上行通信信道增益、所述感知脉冲响应以及通信波束、所述感知波束的角度差以及所述奖励函数作为输入，通过基于td3的强化学习模块，得到所述任务卸载策略中的射频发射功率决策。
25.本发明的上述技术方案的有益效果如下：
26.本发明实施例的通信感知一体化的计算卸载方法，通过建立终端针对计算卸载的相关模型，并将终端的待计算任务、上行通信信道增益、感知脉冲响应以及通信波束与感知波束的角度差作为输入，对所述相关模型进行训练学习，得到所述终端针对待计算任务的卸载参数；所述计算任务包括待计算的通信数据和待计算的感知数据，所述卸载参数包括计算任务卸载决策和卸载射频发射功率决策；根据所述卸载参数，对所述待计算任务卸载至边缘侧，能够保证终端对通信数据和感知数据处理时效性的同时降低终端的数据处理压力和能耗。
附图说明
27.图1为本发明实施例的通信感知一体化的计算卸载方法的示意图；
28.图2为本发明实施例的终端天线的波束干扰的示意图之一；
29.图3为本发明实施例的终端天线的波束干扰的示意图之二；
30.图4为本发明实施例的通信感知一体化的计算卸载方法的训练学习步骤示意图。
具体实施方式
31.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
32.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
33.在本发明的各种实施例中，应理解，下述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，而不应对本发明实施例的实施过程构成任何限定。
34.另外，本文中术语“系统”和“网络”在本文中常可互换使用。
35.在本技术所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。
36.如图1所示，本发明实施例的一种通信感知一体化的计算卸载方法，步骤如下：
37.步骤101，建立终端针对计算卸载的相关模型。
38.可选地，所述建立终端针对计算卸载的相关模型需要在基于通信感知一体化技术的无线网络环境中建立。对所述基于通信感知一体化技术的无线网络环境中的关键要素进行定义，即终端设备集合i＝{1,2,
…
,i}，时隙集合k＝{1,2,
…
,k}。同时定义每个终端设备的总射频发射功率为：
39.其中，为终端设备i的上行通信波束发射功率，为终端设备i的感知波束发射功率。本发明一实施例中，终端设备在移动过程中，同时发射前向水平感知波束及上行通信波束。
40.步骤102，将终端的待计算任务、上行通信信道增益、感知脉冲响应以及通信波束与感知波束的角度差作为输入，对所述相关模型进行训练学习，得到所述终端针对待计算任务的卸载参数；所述计算任务包括待计算的通信数据和待计算的感知数据，所述卸载参数包括计算任务卸载决策和卸载射频发射功率决策。
41.可选地，将所述待计算任务的集合si(k)、上行通信信道增益感知脉冲响应以及通信波束与感知波束的角度差δζi(k)作为输入，在基于通信感知一体化技术的无线网络环境中对所述相关模型进行训练，并通过基于multi-dqn的强化学习模块和基于td3的强化学习模块，利用各自的深度神经网络及内嵌算法进行训练。
42.本发明一实施例中，所述计算任务卸载决策包括所述待计算任务中需要卸载至边缘侧的通信数据和感知数据，还包括将所述通信数据和感知数据传输至边缘侧的通信信道与感知信道条件。根据所述计算任务卸载决策
43.步骤103，根据所述卸载参数，对所述待计算任务卸载至边缘侧。
44.本发明一实施例中，根据所述卸载参数，确定所述终端要卸载至所述边缘侧的目标待计算任务，所述目标待计算任务包括待计算的通信数据和待处理的感知数据；根据所述卸载参数，确定传输所述目标待计算任务的射频发生功率。
45.本发明实施例的通信感知一体化的计算卸载方法，通过建立终端针对计算卸载的相关模型，并将终端的待计算任务、上行通信信道增益、感知脉冲响应以及通信波束与感知波束的角度差作为输入，对所述相关模型进行训练学习，得到所述终端针对待计算任务的卸载参数；所述计算任务包括待计算的通信数据和待计算的感知数据，所述卸载参数包括计算任务卸载决策和卸载射频发射功率决策；根据所述卸载参数，对所述待计算任务卸载至边缘侧，能够保证终端对通信数据和感知数据处理时效性的同时降低终端的数据处理压力和能耗。
46.可选地，所述相关模型，包括：
47.波束间干扰模型、感知模型、终端的上行通信模型、待计算任务的任务模型、终端的计算模型以及边缘侧的计算模型。
48.本发明实施例的通信感知一体化的计算卸载方法，通过在通信感知一体化的无线网络环境中建立终端针对计算卸载的相关模型，并对所述相关模型进行训练学习，从而得到所述待计算任务的卸载参数。能够根据时变的通信信道与感知信道动态调整信道、终端的雷达波束发射功率，从而实现网络级的感知精度与计算任务处理时间的有效权衡。
49.可选地，所述波束间干扰模型为扇形天线模型，用于表征通信波束与感知波束之间的波束干扰增益。
50.本发明一实施例中，所述波束间干扰模型可以近似表述为扇形天线模型，即对于终端设备搭载的感知通信一体化系统，发送端和接收端的天线增益可以分别描述为：
51.以及
[0052][0053]
其中，和分别为发送端和接收端天线的主瓣增益，和分别为发送端和接收端天线的旁瓣增益。和为发送波束宽度和接收波束宽度。
[0054]
如图2所示，虚线所示为通信波束，实线所示为感知波束，当时，天线的波束间干扰可以表示为：
[0055][0056]
其中，通信波束与感知波束间的重叠角度，与为通信波束与感知波束与水平方向的偏移角度。此时，波束间干扰分为主瓣与旁瓣干扰两部分。
[0057]
如图3所示，虚线所示为通信波束，实线所示为感知波束，当时，天线的波束间干扰可以表示为：此时，波束间干扰仅为旁瓣间干扰。
[0058]
本发明的方案，通过确定出通信波束与感知波束之间的波束干扰增益，动态调整终端的雷达波束发射功率。
[0059]
可选地，所述终端的感知模型，包括：
[0060]
终端发出正交频分复用感知信号的模型以及边缘侧接收到的回波信号的模型，且所述感知模型的输出为目标脉冲响应与接收信号间的条件互信息。
[0061]
本发明一实施例中，通过目标脉冲响应与接收信号间的条件互信息衡量雷达探测的性能，即终端的感知性能。条件互信息越大，则测量后先验的不确定性减小程度越小，因此可以准确地估计衡量探测目标的参数。
[0062]
终端设备i在时隙k时发出ofdm(orthogonal frequency division multiplexing)正交频分复用感知信号可以表示为：
[0063][0064]
其中，fc为中心频率，ns为每时隙发出的连续的ofdm符号个数，nc为子载波个数，为在子载波n上的ofdm信号幅度，为信号在子载波n上的幅度。c
n,l
(k)为终端设备i，在子载波n的符号l上的相位编码，t＝1/δf为基本ofdm符号的持续时间。此外，ts为完整符号的持续时间，且满足ts＝t+tg，tg为循环前缀，rect[t/ts]为矩形函数。
[0065]
感知目标脉冲响应gn(t)可表示为高斯随机过程，因此基站接收到的回波信号可以表示为：
[0066][0067]
其中，为复加性高斯白噪声，功率谱密度为此时对于终端设备i，感知目标脉冲响应与回波信号之间的条件互信息可以表示为：
[0068][0069]
其中，t
p
＝nsts为ofdm信号的持续时间，fn＝fc+nδf为子载波n的频率，为在时隙k的傅里叶变化的值。此外，
[0070]
进一步，本方法定义单位时间的条件互信息(互信息率)为：
[0071][0072]
本发明的方案，根据目标脉冲响应与接收信号间的条件互信息判定所述终端的感知性能，使得终端在确保通信数据传输处理的同时，确保终端的感知性能。
[0073]
可选地，所述终端的上行通信模型用于表征所述终端与边缘侧的上行传输速率以及上行通信信道增益。
[0074]
本发明一实施例中，终端设备通过利用正交频分多址接入将计算任务上行卸载至与边缘侧基站紧耦合的移动边缘服务器，根据香农公式，终端设备i与边缘侧基站的上行传输速率可以表示：
[0075][0076]
其中，b为分配给每个终端设备的上行带宽，σ2为通信信道的噪声功率，为时变的通信信道增益，此外，为边缘侧基站的天线主瓣增益，可以表示为：
[0077]
[0078]
其中，为边缘侧基站接收机的波束宽度，终端设备i与边缘侧基站的路径损耗(db)为：
[0079]
l(di(k))＝40(1-4
×
10-3dhb
)log
10di
(k)-18log
10dhb
+21log
10
f(k)+80；
[0080]
其中，f(k)为载波频率，d
hb
为天线的高度，此时，上行通信信道增益为：
[0081][0082]
本发明一实施例中，所述通信数据和感知数据的信道信息可以通过函数进行随机赋值，所述函数可以为随机函数和高斯函数。
[0083]
可选地，所述任务模型用于表征在预设时间段内所述待计算任务的数量、每个待计算任务的大小、执行一比特所述待计算任务所需要的cpu循环数以及每个待计算任务的时延阈值。
[0084]
本发明一实施例中，每一终端均有一批任务(如需处理的原始感知信息)需要在时隙k时进行处理，此时这一批任务可以被进一步描述为三元组si(k)＝ni(k)li(k)为这些任务的大小，ni(k)为需要在时隙k时处理的任务数，li(k)为每个任务的大小，ci(k)为执行一比特任务所需要cpu循环数，为处理这些任务所能容忍的最大时延。
[0085]
本发明一实施例中，获取终端的全部待计算任务、每个待计算任务的大小、执行一比特所述待计算任务所需要的cpu循环数以及每个待计算任务的时延阈值，再根据所述终端的计算能力确定需要卸载至所述边缘侧的目标待计算任务。
[0086]
可选地，所述终端的计算模型用于表征所述终端处理所述待计算任务的时延以及所述终端的感知性能。
[0087]
此外，βi(k)为计算卸载决策因子，当βi(k)＝1时，计算任务卸载至移动边缘服务器处理，而当βi(k)＝0时，任务在终端设备侧处理。在时隙k时，所述待计算任务全部在终端进行处理，终端设备端i的计算模型(βi(k)＝0)主要由一个阶段构成：终端设备端本地服务器对计算任务进行处理。此时，终端设备端的计算任务处理时延为：
[0088][0089]
其中，是本地服务器的cpu频率(每秒的cpu循环数)。当任务均在本地服务器处理时，终端设备i的射频发射功率全部用来进行感知，此时，终端设备i用于衡量感知性能的互信息率可以表示为：
[0090][0091]
其中，
[0092]
可选地，所述边缘侧的计算模型用于表征所述边缘侧处理所述待计算任务的时延以及所述终端的感知性能；
[0093]
其中，所述边缘侧处理所述待计算任务的时延，包括：所述待计算任务从所述终端
传输至所述边缘侧的第一时延、所述边缘侧完成处理所述待计算任务的第二时延以及所述边缘侧将所述处理完的待计算任务发送至所述终端的第三时延。
[0094]
本发明一实施例中，在时隙k时，终端设备端i的计算模型(βi(k)＝1)主要由三个阶段构成：终端设备i将计算任务上传至边缘侧基站；计算任务在移动边缘服务器端进行处理；将处理结果下发至终端设备i。此时，针对来自终端设备i的计算任务的处理时延为：
[0095][0096]
其中，为计算任务上行传输时延；为计算任务移动边缘服务器上的处理时延；为计算任务的下行传输时延。由于经处理后的结果信息相对较小，因此下行传输时延可以忽略。
[0097]
进一步，所述第一时延可以表示为：
[0098][0099]
所述第二时延可以表示为：
[0100][0101]
其中，是移动边缘服务器的cpu频率(每秒的cpu循环数)。此时，终端设备i的射频功率，一部分用于上传计算任务，另一部分用于感知。因此，终端设备i用于衡量感知性能的互信息率可以表示为：
[0102][0103]
其中，
[0104]
可选地，所述相关模型，还包括联合优化模型；
[0105]
所述联合优化模型是关于处理所述待计算任务的时延与所述终端的感知性能的优化模型；
[0106]
所述联合优化模型包括：任务运行总时延的约束条件、所述终端的感知性能约束条件、终端的通信波束射频发射功率的约束条件、终端的感知波束射频发射功率的约束条件、感知波束与通信波束之间的关系的约束条件以及所述卸载参数的约束条件。
[0107]
本发明实施例的目标为对计算任务的处理时延与终端设备的感知性能进行联合优化，因此构建如下联合优化模型：
[0108][0109][0110]
[0111][0112][0113][0114][0115]
其中，τ(k)是网络级的计算任务处理总时延，可表示为：
[0116][0117]
i(k)是网络级的总互信息率，可表示为：
[0118][0119]
α(k)和δ(k)分别是任务处理总时延和总互信息率的权重，且α(k)+δ(k)＝1。τ
max
为任务最大处理总时延，i
max
为最大互信息率。c1表示任务运行总时延不能超过最大约束时延；c2限制了终端设备的最低感知性能；c3和c4对终端设备的感知波束与通信波束发射功率进行了约束；c5给出了感知波束与通信波束之间的关系；c6对卸载决策变量的二元性进行了限制。
[0120]
本发明的方案，通过构建联合优化模型，将计算任务的处理时延和终端的感知性能作为优化指标，在同时保证任务处理时延和终端的感知性能的情况下，得到针对所述待计算任务的卸载决策和射频发生功率。
[0121]
可选地，所述对所述相关模型进行训练学习，得到所述终端针对待计算任务的卸载参数，包括：
[0122]
将所述终端的待计算任务、所述上行通信信道增益、所述感知脉冲响应以及通信波束与所述感知波束的角度差作为状态空间，所述计算任务卸载决策和所述卸载射频发射功率决策作为动作空间，并建立奖励函数，得到所述卸载参数；
[0123]
其中，将所述终端的待计算任务、所述上行通信信道增益、所述感知脉冲响应以及通信波束、所述感知波束的角度差以及所述奖励函数作为输入，通过基于multi-dqn的强化学习模块，得到所述任务卸载策略中的计算卸载决策；
[0124]
将所述终端的待计算任务、所述上行通信信道增益、所述感知脉冲响应以及通信波束、所述感知波束的角度差以及所述奖励函数作为输入，通过基于td3的强化学习模块，得到所述任务卸载策略中的射频发射功率决策。
[0125]
本发明一实施例中，将优化模型转化为马尔科夫决策过程，以实现与不同模块间的数据交互。该马尔科夫决策过程的相关元素具体表示如下：
[0126]
(1)状态空间：每一个时隙k，终端设备侧均有一批计算任务需要被处理，同时由于终端设备移动不断移动，可以将终端设备移动性进一步映射为时变的上行通信信道、时变的感知目标脉冲响应以及时变的通信波束与感知波束的角度差值，具体表述为：
[0127][0128]
(2)动作空间：每一个时隙k，本方法的决策共有两类，分别为计算卸载决策βi(k)，发射功率决策即：
[0129][0130]
为了更好的与基于multi-dqn的强化学习模块及基于td3的强化学习模块相匹配，本方法将动作空间a进一步划分为a＝ao∪a
p
，其中，
[0131]
(3)奖励：基于所述联合优化模型，该马尔科夫决策过程的奖励可以表示为：
[0132][0133]
如图4所示，本发明的一实施例中，通信感知一体化的计算卸载方法中的相关模型的建立基于所述基于通信感知一体化的无线网络环境。经验缓存池模块主要为了克服强化学习网络训练过程中经验数据的相关性和非平稳问题。具体操作为将每时隙来自环境模块的数据元组(sk,ak,rk,s
k+1
)存入缓存池中，同时最先加入该缓存池的数据将被剔除；在每次训练时，均会有n批数据被采样。
[0134]
两级深度强化学习策略模块由基于multi-dqn的强化学习子模块和基于td3的强化学习子模块构成，如图4所示，两个强化学习模块同时接受来自经验缓存池模块n批数据作为输入，利用各自的深度神经网络及内嵌算法进行训练，当模型训练好之后，即可实现最优决策。
[0135]
(1)基于multi-dqn的强化学习子模块
[0136]
环境模块中马尔科夫决策过程中的动作空间为其中，计算卸载决策βi(k)为离散动作，因此本模块内嵌dqn算法输出最优计算卸载决策。由于实际基于感知通信一体化技术的无线网络中，终端设备密度大，而单个dqn网络架构的动作空间将会随着车流量呈指数型增长。因此为了降低动作空间的维度，该模块引入multi-dqn的架构，即每个终端设备的离散动作均由一个对应dqn网络训练与输出。每一个dqn网络均采用ε-greedy的策略，即以ε的概率随机从动作空间里选取一个动作，或者以1-ε的概率，选择最高的q值，表示为：
[0137][0138]
其中，ε∈(0,1)，θi为第i个dqn单元的权重，此时，该动作同基于td3的强化学习模块输出的动作一同输入给环境模块，则环境模块从sk转移到s
k+1
。进一步，基于经验缓冲池所提供的随机抽样的数据元组(sk,ak,rk,s
k+1
)，第i个dqn单元其target q网络所产生的target q值为：
[0139][0140]
其中，为第i个dqn单元中target q网络的权重，此时第i个dqn单元中的q网络可以通过最小化如下损失函数进行训练：
[0141][0142]
第i个dqn单元中的target q网络中的权重可以通过每g个时隙，将q网络的参数拷贝，以进行更新。
[0143]
(2)基于td3的强化学习子模块
[0144]
环境模块中马尔科夫决策过程中的动作空间为其中发射功率决策βi(k)为连续动作，因此本模块内嵌td3算法输出最优发射功率决策。
[0145]
在该模块中，引入6张深度神经网络，其中三张为evaluation网络(一张为evaluation actor网络以输出动作，另外两张为evaluation critic网络以评价q值)，另外三张则为target网络(一张为target actor网络，两张为target critic网络以为相对应的evaluation网络产生target值)。μ为evaluation actor网络的权重，η1和η2分别为evaluation critic网络的权重；为target actor网络的权重，和分别为target critic网络的权重。
[0146]
本模块采用actor-critic的方式，即evaluation actor网络基于deterministic policy gradient理论输出确定性发射功率决策而evaluation critic网络则对输出的动作进行评价。此外，为了探索动作空间中的新动作，引入高斯噪声如下：
[0147][0148]
此时，该动作同基于td3的强化学习模块输出的动作一同输入给环境模块，则环境模块从sk转移到s
k+1
。根据则两个evaluation critic网络可输出相应的q值q(s,a,η1)及q(s,a,η2)。因此，权重μ可以根据以下公式进行更新：
[0149][0150]
基于经验缓冲池所提供的随机抽样的数据元组(sk,ak,rk,s
k+1
)，上述公式可以近似为：
[0151][0152]
target q值可以根据target actor网络及target critic网络进行更新：
[0153][0154]
两张evaluation critic网络的损失函数可以根据如下公式更新：
[0155][0156][0157]
基于如下公式缓慢更新权重及以提高训练过程的稳定性：
[0158][0159][0160][0161]
进一步需要说明的是，此说明书中所描述的终端包括但不限于智能手机、平板电脑等，且所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。
[0162]
本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。
[0163]
在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(vlsi)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
[0164]
上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。
[0165]
以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。