集成电路的布图方法及装置、存储介质、终端设备

技术领域

本申请涉及通信技术领域，尤其涉及一种集成电路的布图方法及装置、存储介质、终端设备。

背景技术

集成电路布局指确定集成电路单元在芯片中的具体位置，是集成电路设计流程中关注的重点，对集成电路的各项性能指标有着重大影响。标准单元是指对预先设计的单元(Cell)进行组合，然后设计出整个芯片的大规模集成电路，所谓单元则是指能完成某种功能的一种逻辑电路、逻辑门和触发器。对标准单元配置完成后的集成电路进行实际布线及布线优化，得到初始版图。对于集成电路的布线，不同的绕线方式会带来不同的效果。

现有技术中，集成电路的布线通常是由人工基于经验，遵循单一固定的模式完成布线设计。

现有技术中集成电路的布线依赖人工，会导致布线周期长，效率低；此外，由于人力经验水平限制，布线的效果较差。

发明内容

本申请提供了一种集成电路的布图方法及装置、存储介质、终端设备，能够实现集成电路的自动布线以及提升布线效果。

为了达到上述目的，本申请提供了以下技术方案：

第一方面，提供了一种通信方法，集成电路的布图方法包括：获取多个布局对象的布局结果，所述布局结果表示所述多个布局对象在多个工艺层的布局区域内的一次布局，所述布局对象为标准单元或所述标准单元内的子结构；根据所述布局结果构建布线节点，并利用卷积神经网络模型预测输入的布线节点的下一布线节点，直至遍历完成所有布线节点，获得布线结果，所述布线节点为所述布局对象上待布线的节点；根据所述布线结果对所述多个布局对象进行布线。

可选的，每一布线节点采用以下四维数据表示：该布线节点在所述布局区域内的二维坐标、该布线节点所处工艺层，以及该布线节点所处布局对象。

可选的，所述利用卷积神经网络模型预测输入的布线节点的下一布线节点，包括：利用所述卷积神经网络模型预测针对所述输入的布线节点的预测动作，所述预测动作包括跳跃工艺层、切换布局对象、沿第一方向移动、沿第二方向移动、沿第三方向移动以及沿第四方向移动，所述第一方向、所述第二方向、所述第三方向和所述第四方向为在所述布局区域内的可移动方向；根据所述预测动作与所述输入的布线节点构建所述下一布线节点，所述下一布线节点作为输入的布线节点继续输入所述卷积神经网络模型，直至所述下一布线节点为所述布局结果中最后的待布线的节点。

可选的，所述根据所述预测动作与所述输入的布线节点构建所述下一布线节点包括：若所述预测动作为沿第一方向移动、沿第二方向移动、沿第三方向移动或沿第四方向移动，则根据移动方向调整所述输入的布线节点在所述布局区域内的二维坐标，以获得所述下一布线节点；或者，若所述预测动作为跳跃工艺层，则调整所述输入的布线节点所处工艺层，以获得所述下一布线节点；或者，若所述预测动作为切换布局对象，则调整所述输入的布线节点所处布局对象，以获得所述下一布线节点。

可选的，所述利用所述卷积神经网络模型预测针对所述输入的布线节点的预测动作包括：将布线节点输入至所述卷积神经网络模型，并利用所述卷积神经网络模型预测针对所述输入的布线节点的预测动作及其奖励值，所述预测动作的奖励值是由所述卷积神经网络模型根据所述预测动作以及奖励映射关系确定的，所述奖励映射关系表示各个输入的布线节点采取对应预测动作与奖励值的映射关系，每一布线结果包括多个预测动作及其奖励值。

可选的，在所述奖励映射关系中，所述输入的布线节点采取对应预测动作获得的下一节点满足布线要求时该预测动作对应的奖励值大于所述下一节点未满足布线要求时该预测动作对应的奖励值。

可选的，所述输入的布线节点采取对应预测动作获得的下一布线节点位于禁止区域，则该预测动作对应第一奖励值；

若所述输入的布线节点采取对应预测动作获得的下一布线节点位于所述布局区域的边界，则该预测动作对应第二奖励值，所述第二奖励值大于所述第一奖励值；

若所述输入的布线节点采取对应预测动作获得的下一布线节点为已布线节点，则该预测动作对应第三奖励值，所述第三奖励值大于所述第一奖励值；

若所述输入的布线节点采取对应预测动作获得的下一节点为非布线节点，则该预测动作对应第四奖励值，所述第四奖励值大于所述第三奖励值；

若所述输入的布线节点采取对应预测动作获得的下一布线节点完成绕线，则该预测动作对应第五奖励值，所述第五奖励值大于所述第四奖励值；

若所述输入的布线节点采取对应预测动作获得的下一节点为待布线节点，则该预测动作对应第六奖励值，所述第六奖励值大于所述第五奖励值。

可选的，所述集成电路的布图方法还包括：使用策略梯度算法对所述卷积神经网络模型进行多轮迭代，获得最优布线结果，所述最优布线结果具有最大奖励值。

可选的，采用以下方式训练所述卷积神经网络模型：获取训练数据，所述训练数据包括多组状态数据，每组状态数据包括输入的布线节点、下一布线节点、预测动作、奖励值以及是否结束布线；构建所述卷积神经网络模型；利用所述训练数据训练所述卷积神经网络模型。

可选的，所述获取多个布局对象的布局结果包括：对所述多个布局对象进行全局布局，获得多个全局布局结果；对所述多个全局布局结果进行DRC检测，获得所述布局结果。

第二方面，本申请还公开一种集成电路的布图装置，集成电路的布图装置包括：获取模块，用于获取多个布局对象的布局结果，所述布局结果表示所述多个布局对象在多个工艺层的布局区域内的一次布局，所述布局对象为标准单元或所述标准单元内的子结构；预测模块，用于根据所述布局结果构建布线节点，并利用卷积神经网络模型预测输入的布线节点的下一布线节点，直至遍历完成所有布线节点，获得布线结果，所述布线节点为所述布局对象上待布线的节点；布线模块，用于根据所述布线结果对所述多个布局对象进行布线。

第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器运行以执行第一方面提供的方法。

第四方面，提供了一种计算机程序产品，其上存储有计算机程序，计算机程序被处理器运行以执行第一方面提供的方法。

第五方面，本申请实施例还提供一种芯片（或者说数据传输装置），该芯片上存储有计算机程序，在计算机程序被芯片执行时，实现上述方法的步骤。

第六方面，本申请实施例还提供一种系统芯片，应用于终端设备中，所述芯片系统包括至少一个处理器和接口电路，所述接口电路和所述至少一个处理器通过线路互联，所述至少一个处理器用于执行指令，以执行第一方面提供的方法。

第七方面，提供了一种终端设备，包括存储器和处理器，存储器上存储有计算机程序，计算机程序被处理器运行以执行第一方面提供的方法。

与现有技术相比，本申请实施例的技术方案具有以下有益效果：

本申请技术方案中，获取多个布局对象的布局结果，布局结果表示多个布局对象在多个工艺层的布局区域内的一次布局，布局对象为标准单元或标准单元内的子结构；根据布局结果构建布线节点，并利用卷积神经网络模型预测输入的布线节点的下一布线节点，直至遍历完成所有布线节点，获得布线结果，布线节点为布局对象上待布线的节点；根据布线结果对多个布局对象进行布线。本申请技术方案通过构建布线节点，将布局对象之间的布线转换为卷积神经网络模型的学习任务，利用卷积神经网络模型对布线节点之间的连接关系进行预测，从而获得各个布线节点的连接关系，进而实现布线，自动化程度高；此外，本申请技术方案不依赖于人工经验水平，利用卷积神经网络模型的强化学习能力实现布线优化，提升布线效果。

进一步地，每一布线节点采用以下四维数据表示：该布线节点在所述布局区域内的二维坐标、该布线节点所处工艺层，以及该布线节点所处布局对象。本申请技术方案通过构建上述四维数据，为应用卷积神经网络模型预测布线节点奠定了基础，使卷积神经网络模型能够应用于集成电路的布线场景。

进一步地，在奖励映射关系中，输入的布线节点采取对应预测动作获得的下一节点满足布线要求时该预测动作对应的奖励值大于下一节点满足未布线要求时该预测动作对应的奖励值。本申请技术方案通过设置奖励值，卷积神经网络模型按照奖励值进行模型参数的优化，从而使卷积神经网络模型输出具有最大的奖励值的最优布线结果，也即符合布线要求的最优布线结果，实现了集成电路布线的优化。

附图说明

图1是本申请实施例提供的一种集成电路的布图方法的流程图；

图2是本申请实施例提供的一种标准单元的布局结果示意图；

图3是本申请实施例提供的一种具体应用场景的示意图；

图4是本申请实施例提供的一种集成电路的布图装置的结构示意图。

具体实施方式

如背景技术中所述，现有集成电路的布线依赖人工，布线周期长，效率低；此外，由于人力经验水平限制，布线的效果较差。

本申请技术方案通过构建布线节点，将布局对象之间的布线转换为卷积神经网络模型的学习任务，利用卷积神经网络模型对布线节点之间的连接关系进行预测，从而获得各个布线节点的连接关系，进而实现布线，自动化程度高；此外，本申请技术方案不依赖于人工经验水平，利用卷积神经网络模型的强化学习能力实现布线优化。

进一步地，每一布线节点采用以下四维数据表示：该布线节点在所述布局区域内的二维坐标、该布线节点所处工艺层，以及该布线节点所处布局对象。本申请技术方案通过构建上述四维数据，为应用卷积神经网络模型预测布线节点奠定了基础，使卷积神经网络模型能够应用于集成电路的布线场景。

进一步地，在奖励映射关系中，输入的布线节点采取对应预测动作获得的下一节点满足布线要求时该预测动作对应的奖励值大于下一节点满足未布线要求时该预测动作对应的奖励值。本申请技术方案通过设置奖励值，卷积神经网络模型按照奖励值进行模型参数的优化，从而使卷积神经网络模型输出具有最大的奖励值的最优布线结果，也即符合布线要求的最优布线结果，实现了集成电路布线的优化。

为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图对本申请的具体实施例做详细的说明。

参见图1，本申请提供的方法包括：

步骤101：获取多个布局对象的布局结果，所述布局结果表示所述多个布局对象在多个工艺层的布局区域内的一次布局，所述布局对象为标准单元或所述标准单元内的子结构；

步骤102：根据所述布局结果构建布线节点，并利用卷积神经网络模型预测输入的布线节点的下一布线节点，直至遍历完成所有布线节点，获得布线结果，所述布线节点为所述布局对象上待布线的节点；

步骤103：根据所述布线结果对所述多个布局对象进行布线。

需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。

可以理解的是，在具体实施中，所述集成电路的布图方法的部分步骤可以采用软件程序的方式实现，该软件程序运行于芯片或芯片模组内部集成的处理器中。该方法也可以采用软件结合硬件的方式实现，本申请不作限制。

本实施例中，布局对象为集成电路中的标准单元(standard cell)时，可以对其进行布局获得布局结果，布局结果表示标准单元在芯片中的位置。具体地，布局结果表示各个标准单元在芯片的布局区域内的位置。标准单元具有多个工艺层。

或者，布局对象为标准单元内的子结构时，可以对其进行布局获得布局结果，布局结果表示子结构在标准单元内的位置。具体地，布局结果表示各个子结构在标准单元的布局区域内的位置。子结构具有多个工艺层。

在步骤101的具体实施中，获取多个布局对象的布局结果。在各个布局对象的相对位置关系确定后，可以对各个布局对象进行布线。具体地，该布局结果可以是预先布局得到的，也可以是实时布局得到的。

在一个具体实施例中，采用布局工具或者人工的方式对多个布局对象进行全局布局，获得多个全局布局结果；对多个全局布局结果进行设计规则检查（Design ruleschecking, DRC）检测，获得布局结果。

具体地，人工依据经验将布局对象列表，如子结构列表(netlist)中的信息提炼出来，根据自己的判断将不同的布局对象的几个布线节点散布在不同的位置，然后操作软件执行布局命令，以完成布局。

本实施例中，对多个布局对象按照布局要求进行全局布局，并从中筛选出满足DRC的布局结果。具体地，导入各个标准单元的尺寸信息，子结构列表(netlist)和相关规格信息（如不同标准单元之间的最小距离）等，根据一定的规则进行全局布局。

需要说明的是，关于布局的工具以及具体实施方式可以参照已有技术，此处不再赘述。

在步骤102的具体实施中，根据布局结果构建布线节点，布线节点表示布局对象上需要进行布线的位置。将布线节点输入预先构建好的卷积神经网络模型，卷积神经网络模型可以预测出下一布线节点，也就是说，输入的布线节点与下一布线节点之间在布线时具有连接关系。

相对于现有技术中人工根据经验判断哪个节点该怎么走线，并用工具来完成布线，本申请实施例实现了对布局对象的布线节点的合理管理和预测，布线效率和布线准确率都得到了提升。

具体而言，每一布局对象上具有布线节点，对布局对象进行布线是指对各个布线对象上的布线节点进行布线连接。请参照图2，图2示出了布局对象为标准单元的一种布局结果。

标准单元11至标准单元NM按照一定的顺序摆放在布局区域20内。每一标准单元具有布线节点，例如，标准单元11具有布线节点a11和b11，标准单元12具有布线节点a12，标准单元22具有布线节点a22等。

在一个非限制性的实施例中，每一布线节点采用以下四维数据表示：该布线节点在布局区域内的二维坐标、该布线节点所处工艺层，以及该布线节点布局对象。

具体地，该四维数据可以表示为[m,n,p,q]，其中，m和n表示布线节点在布局区域内的二维坐标，p表示布线节点所处工艺层，q表示布线节点布局对象。例如，以布局对象为子结构为例，第一个子结构上位于第二层工艺层的二维坐标为（0,0）的布线节点可以表示为[0,0,2,1]。

具体地，四维数据中工艺层的标识的最大值为布局对象的工艺层的总数量，布局对象的标识的最大值为布局对象的总数量。

本实施例所称将布线节点输入卷积神经网络模型是指将表示布线节点的四维数据（或者可以称为状态（state）数据）输入至卷积神经网络模型。卷积神经网络模型可以对该四维数据进行处理。

进一步地，对于表示输入的布线节点的四维数据，卷积神经网络模型输出的数据为预测动作（action）。具体实施中，请一并参照图3，利用卷积神经网络模型30预测针对输入的布线节点的预测动作，预测动作包括跳跃工艺层、切换布局对象、沿第一方向移动、沿第二方向移动、沿第三方向移动以及沿第四方向移动，第一方向、第二方向、所述第三方向和第四方向为在布局区域内的可移动方向。

如前所述，每一布局对象上具有多个需要布线的布线节点（也可以称为布线节点组），布线节点组内与布线节点组间布线节点的布线要求不同，切换布局对象也即对不同布线节点组内的布线节点进行布线。

在一种具体实施方式中，第一方向、第二方向、所述第三方向和第四方向可以为上、下、左和右。

在另一个具体实施方式中，预测动作还包括沿第五方向移动、沿第六方向移动、沿第七方向移动以及沿第八方向移动，第五方向移动、第六方向、第七方向以及第八方向可以是左上、左下、右上和右下。

由上述预测动作可以得知，具体实现中还可以设置更多的移动方向，以满足移动的需求，本发明实施例不做具体限定。

在具体实施中，卷积神经网络模型输出的预测动作可以采用标识符来表示，例如数字1标识向上移动，数字2表示向下移动，数字3表示向左移动，数字4表示向右移动，数字5表示向上跳跃工艺层，数字6表示向下跳跃工艺层，数字7表示切换布局对象。

继续参照图3，构建模块40可以根据卷积神经网络模型30输出的预测动作与输入的布线节点构建下一布线节点，下一布线节点作为输入的布线节点继续输入卷积神经网络模型30，直至下一布线节点为所述布局结果中最后的待布线的节点。至此完成所有布线节点的一次布线。

具体地，若预测动作为沿第一方向移动、沿第二方向移动、沿第三方向移动或沿第四方向移动，则构建模块40根据移动方向调整输入的布线节点在布局区域内的二维坐标，以获得下一布线节点。例如，输入的布线节点的四维数据为[m0,n0,p0,q0]，预测动作为向上移动（例如，设置向上移动为y方向向上，设置向右为x方向向右，m0,n0分别表示y和x的坐标），那么下一布线节点的四维数据为[m0+1,n0,p0,q0]；类似地，输入的布线节点的四维数据为[m0,n0,p0,q0]，预测动作为向右移动，那么下一布线节点的四维数据为[m0,n0+1,p0,q0]。

相应地，若预测动作为跳跃工艺层，则构建模块40调整输入的布线节点所处工艺层，以获得下一布线节点。例如，输入的布线节点的四维数据为[m0,n0,p0,q0]，预测动作为向上跳跃工艺层，跳跃的工艺层为p1，那么下一布线节点的四维数据为[m0,n0,p1,q0]，p0、p1可以为字符也可以为具体数据。

相应地，若预测动作为切换布局对象，则构建模块40调整输入的布线节点所处布局对象，以获得下一布线节点。例如，输入的布线节点的四维数据为[m0,n0,p0,q0]，预测动作为切换布局对象，切换后的布局对象为q1，那么下一布线节点的四维数据为[m0,n0,p0,q1]，q0、q1可以为字符也可以为具体数据。

在一个具体实施例中，继续参照图3，在布线过程中，在所有布线节点中选取初始布线节点，将表示初始布线节点的四维数据输入卷积神经网络模型30。卷积神经网络模型30输出预测动作，构建模块40根据该预测动作以及初始布线节点构建表示下一布线节点的四维数据，并作为输入的布线节点继续输入卷积神经网络模型30。直至构建模块40无法构建出下一布线节点，表示所有的布线节点已遍历完成，此时输出布线结果。

本实施例中，布线结果表示按序排列的多个布线节点。具体地，布线结果可以是表示按序排列的多个布线节点的四维数据的集合。

在实际的应用场景中，构建模块40具体可以是脚本，该脚本能够根据该预测动作以及输入的布线节点构建表示下一布线节点的四维数据。

继续参照图1，在步骤103的具体实施中，根据布线结果对多个布局对象进行布线。具体地，使用布线工具对布线结果中的布线节点进行布线操作。

在一个非限制性的实施例中，对于每一输入的布线节点，卷积神经网络模型输出的数据包括预测动作及其奖励值。其中，预测动作的奖励值是由卷积神经网络模型根据预测动作以及奖励映射关系确定的，奖励映射关系表示各个输入的布线节点采取对应预测动作与奖励值的映射关系，每一布线结果包括多个预测动作及其奖励值。

进一步地，在奖励映射关系中，输入的布线节点采取对应预测动作获得的下一节点满足布线要求时该预测动作对应的奖励值大于下一节点未满足布线要求时该预测动作对应的奖励值。

本实施例中，对标准单元或子结构进行布线时，会预先配置布线要求，以保证布线的效果。为了使预测的下一节点满足布线要求，可以通过设置奖励值使卷积神经网络模型输出合适的预测动作。

在一个具体实施方式中，可以采用以下方式配置预测动作的奖励值：

若输入的布线节点采取对应预测动作获得的下一布线节点位于禁止区域，则该预测动作对应第一奖励值；

若输入的布线节点采取对应预测动作获得的下一布线节点位于布局区域的边界，则该预测动作对应第二奖励值，第二奖励值大于第一奖励值；

若输入的布线节点采取对应预测动作获得的下一布线节点为已布线节点，则该预测动作对应第三奖励值，第三奖励值大于第一奖励值；

若输入的布线节点采取对应预测动作获得的下一节点为非布线节点，则该预测动作对应第四奖励值，第四奖励值大于第三奖励值；

若输入的布线节点采取对应预测动作获得的下一布线节点完成绕线，则该预测动作对应第五奖励值，第五奖励值大于第四奖励值；

若输入的布线节点采取对应预测动作获得的下一节点为待布线节点，则该预测动作对应第六奖励值，第六奖励值大于第五奖励值。

具体地，奖励值也可以为负值。例如下一布线节点位于禁止区域表示明显不符合布线要求的情况，此时可以配置该预测动作对应第一奖励值为负值，以示对此次布线路线的惩罚，增强机器学习能力，减少以后进行不合理布线。

下面以图2所示布局结果为例进行说明，输入的布线节点为节点a12时，若预测动作为向上移动，则下一节点为布线节点a11。布线节点a11为已布线节点，也即在之前已完成布线，则该预测动作对应第三奖励值。若预测动作为向右移动，则下一节点为布线节点b22。布线节点b22为待布线节点，则该预测动作对应第六奖励值。

需要说明的是，关于各个奖励值的具体数值，可以根据实际的应用场景进行适应性设置，本申请对此不作限制。

在一个具体应用场景中，布线节点输入卷积神经网络模型，卷积神经网络模型输出预测动作。评估输入的布线节点采取了上述预测动作后的后果，例如进入禁止区域，那么就获得惩罚（例如该预测动作对应的奖励值为负值），例如是否走到待布线节点，那么就获得奖励（例如该预测动作对应奖励值较大），如果走到普通的节点，那么就获得微小的惩罚（例如该预测动作对应奖励值较小）。评估本轮布线是否结束，例如是否满足布线结束的条件。如果是，则结束布线，否则继续上述过程。

进一步地，使用策略梯度算法对卷积神经网络模型进行多轮迭代，获得最优布线结果。

本实施例中，对于同一布局结果，可以利用卷积神经网络模型获得多个布线结果，每一布线结果包括多个预测动作，布线结果的奖励值为该布线结果中预测动作对应的奖励值之和。那么，最优布线结果具有最大奖励值。由于奖励值反映的是预测动作与布线要求的符合程度，因此最优布线结果是所有布线结果中与布线要求符合程度最高的布线结果。

具体地，在每轮迭代时，可以采取蒙特卡洛法计算布线结果的奖励值，并以奖励值为依据构建损失函数。每次迭代的目的是使卷积神经网络模型能尽可能预测出具有最大奖励值的布线结果。

本发明实施例利用卷积神经网络模型的深度学习性能，使其在多轮迭代过程中进行自我尝试和对弈，从而获得最优布线结果。

在一个非限制性的实施例中，可以构建训练数据对卷积神经网络模型进行训练。与前述实施例使卷积神经网络模型自我学习不同的是，本发明实施例通过对卷积神经网络模型进行离线训练来获得模型参数，训练后的卷积神经网络模型可以直接用于在线布线。

具体而言，获取训练数据，训练数据包括多组状态数据，每组状态数据包括输入的布线节点、下一布线节点、预测动作、奖励值以及是否结束布线；构建卷积神经网络模型；利用训练数据训练卷积神经网络模型。

通过训练可以对卷积神经网络模型中的模型参数进行优化，训练后的卷积神经网络模型可以用于布局对象的在线布线过程。

关于本申请实施例的更多具体实现方式，请参照前述实施例，此处不再赘述。

请参照图4，图4示出了一种集成电路的布图装置40，布图装置40可以包括：

获取模块401，用于获取多个布局对象的布局结果，布局结果表示多个布局对象在多个工艺层的布局区域内的一次布局，布局对象为标准单元或标准单元内的子结构；

预测模块402，用于根据布局结果构建布线节点，并利用卷积神经网络模型预测输入的布线节点的下一布线节点，直至遍历完成所有布线节点，获得布线结果，布线节点为布局对象上待布线的节点；

布线模块403，用于根据布线结果对多个布局对象进行布线。

在具体实施中，上述布图装置40可以对应于终端设备中具有布图功能的芯片，例如片上系统（System-On-a-Chip，SOC）、基带芯片等；或者对应于终端设备中包括具有布图功能的芯片模组；或者对应于具有数据处理功能芯片的芯片模组，或者对应于终端设备。

关于布图装置40的其他相关描述可以参照图1至图3对应实施例的相关描述，此处不再赘述。

关于上述实施例中描述的各个装置、产品包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。例如，对于应用于或集成于芯片的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的（如果有）部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件（例如芯片、电路模块等）或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的（如果有）部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于终端设备的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于终端设备内同一组件（例如，芯片、电路模块等）或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于终端设备内部集成的处理器，剩余的（如果有）部分模块/单元可以采用电路等硬件方式实现。

本申请实施例还公开了一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时可以执行图1中所示方法的步骤。所述存储介质可以包括只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、磁盘或光盘等。存储介质还可以包括非挥发性存储器（non-volatile）或者非瞬态（non-transitory）存储器等。

应理解，本文中术语“和/或”，仅仅是一种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这三种情况。另外，本文中字符“/“，表示前后关联对象是一种“或”的关系。

本申请实施例中出现的“多个”是指两个或两个以上。

本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。

本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式，以实现设备间的通信，本申请实施例对此不做任何限定。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、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或无线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。

应理解，在本申请的各种实施例中，上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，而不应对本申请实施例的实施过程构成任何限定。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的；例如，所述单元的划分，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。另一点，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，装置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。

所述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。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，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）执行本申请各个实施例所述方法的部分步骤。

虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。