数据处理方法、装置、计算设备及计算机存储介质

技术领域

本发明涉及通信技术领域，具体涉及一种数据处理方法、装置、计算设备及计算机存储介质。

背景技术

现网数据存在种类繁杂、数据量巨大等特点，各应用为了能在有限的资源和时间限制内获取分析结果，通常会对所需使用的数据进行定制化采集或过滤，且通常的实践方式是数据采集、筛选、处理、存储、呈现等环节均针对该网优业务应用在IT实现上做了相应的优化，且各环节紧密耦合，难以分割。现有网优数据采集与监测系统往往采用schema onwrite(写时模式)的模式，其schema(数据模式)是预先设计的，数据按照既定schema存储和处理，且schema与数据是绑定(binding)的。这就导致网优数据的存储与处理难以在不同优化和业务类别间将数据拉通，造成巨量资源的浪费。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的数据处理方法、装置、计算设备及计算机存储介质。

根据本发明实施例的一个方面，提供了一种数据处理方法，包括：

获取采集设备采集的原始数据及对应的设备属性；

对设备属性进行哈希处理，得到设备属性对应的哈希值，根据设备属性的哈希值构建默克尔树，以数据键值对方式将设备属性的哈希值与原始数据存储至分布式数据库中；

对原始数据进行挖掘学习，生成与原始数据相关的数据模式，将数据模式存储至模式图库中，建立模式图库中数据模式与设备属性的哈希值、原始数据的索引关系，其中，所述模式图库的初始数据模式为设备属性；

对模式图库存储的数据模式进行数据挖掘，提取得到元数据，根据元数据生成知识图谱，以完成多层次数据架构的构建。

根据本发明实施例的另一方面，提供了一种数据处理装置，包括：

获取模块，适于获取采集设备采集的原始数据及对应的设备属性；

处理模块，适于对设备属性进行哈希处理，得到设备属性对应的哈希值，根据设备属性的哈希值构建默克尔树，以数据键值对方式将设备属性的哈希值与原始数据存储至分布式数据库中；

建立模块，适于对原始数据进行挖掘学习，生成与原始数据相关的数据模式，将数据模式存储至模式图库中，建立模式图库中数据模式与设备属性的哈希值、原始数据的索引关系，其中，所述模式图库的初始数据模式为设备属性；

生成模块，适于对模式图库存储的数据模式进行数据挖掘，提取得到元数据，根据元数据生成知识图谱，以完成多层次数据架构的构建。

根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述数据处理方法对应的操作。

根据本发明实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述数据处理方法对应的操作。

根据本发明上述实施例提供的方案，通过将数据模式与原始数据进行解耦，实现了在不同优化和业务类别间将数据拉通，大幅提高的资源有效利用率；采用数据湖schemaon read和区块链分布式MPT树构建方法，适应了未来网络海量感知设备的分布式数据采集、存储与处理的需求；针对复杂多变的新业务、新技术，构建模式图库，从而支撑新网优业务的敏捷数据分析；以知识图谱的形式，实现全局、全系统的数据挖掘和建模，有利于人工智能等新技术的应用，建立业务体验和优化目标与底层数据之间的关联。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的数据处理方法流程图；

图2示出了本发明实施例提供的数据处理装置的结构示意图；

图3示出了本发明实施例提供的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明实施例提供的数据处理方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，获取采集设备采集的原始数据及对应的设备属性。

本实施例由具有数据处理能力的数据处理设备执行，采集设备是一些物理设备，例如，可以是基站等设备，这里不做具体限定。采集设备实时进行数据的采集，并上报所采集的原始数据及设备属性，数据处理设备获取采集设备所采集的原始数据及对应的设备属性。

设备属性是采集设备的自然属性，包括：采集设备的经度坐标、采集设备的纬度坐标、采集时间戳、采集设备ID，一般来说并不专属于某一特别优化业务。

步骤S102，对设备属性进行哈希处理，得到设备属性对应的哈希值，根据设备属性的哈希值构建默克尔树，以数据键值对方式将设备属性的哈希值与原始数据存储至分布式数据库中。

采集设备持续采集的原始数据以原样的形式存入分布式存储系统，例如存储至HDFS、ceph或区块链系统；对采集设备采集的原始数据进行存储时，以KV形式存储原始数据，不以现有个别领域知识对其schema进行索引，避免schema on write，schema的构建留待后续持续学习。

具体地，如果将这些采集设备看作区块链中的账户，则可以对这些采集设备的设备属性进行哈希处理，例如，可以利用MD2算法、MD4算法、MD5算法、SHA-1算法、SHA-2算法等任意一种哈希算法来对设备属性进行哈希处理，在得到设备属性的哈希值后，可以进一步根据设备属性的哈希值构建默克尔树(Markel Tree，MPT树)，形成网络优化采集数据的“世界状态”—stateRoot，这种索引方法更适合移动通信基站这种广域分布式数据存储系统。并以数据键值对方式将设备属性的哈希值与原始数据存储至分布式数据库中。

Markel Tree适合分布式系统的索引和查找，这个树形结构并不对应网络设备或软件模块的拓扑结构，只是利用其数据HASH的一种分布式索引方式。Merkle Tree的叶子节点的HASH值经过十六进制编码的字符串串联后再取HASH，存储在父节点中。

虽然采用了区块链的MPT数据结构，但并不必采用区块链的共识形成机制，也不必采用其全网统一的链式数据结构，因为移动通信数据有其局部特性。每个基站类似区块链系统中的“矿工”，但可以对其数据亲和性进行设置，这样移动通信网络优化世界状态不必在每个基站中都存储一份。

采用Merkle Tree的目的在于对全网分布式采集的数据建立全局索引，实现快速查找；局部的数据更新以及增加，仅影响其分支树的HASH，并快速更新到根节点及其HASH。世界状态或stateRoot是全网数据的根节点，stateRoot的HASH反映任意局部数据的更新和变化，且从stateRoot出发沿着树的不同路径可以查找到任意叶子节点存储的HASH值，以HASH为Key，可以从分布式数据库中查到对应原始数据，还可以对常用的查询路径建立索引，加速查找速度。在进行数据的分布式存储时，可以通过DHT算法形成分布式的存储，意即通过Key算出Value的存储节点位置。

以采集设备的自然设备属性来进行数据存储，避免了schema on write的性能和分布式处理问题，又提供了与传统预先定义schema的数据库系统类似的访问性能。而区块链属于广域分布式存储系统，适合移动通信网络的分布式拓扑结果，以该schema的HASH值形成MPT树，不仅可以用于数据校验，还可以提高检索速度。

步骤S103，对原始数据进行挖掘学习，生成与原始数据相关的数据模式，将数据模式存储至模式图库中，建立模式图库中数据模式与设备属性的哈希值、原始数据的索引关系。

本实施例采用了schema与数据分离的数据架构，因此，在将原始数据存储至分布式存储系统中后，可以即刻开始对数据的学习和挖掘，且与数据建立关联。

具体地，对原始数据进行挖掘学习，生成许多与原始数据相关的数据模式，将数据模式存储至模式图库中，由于是对原始数据进行挖掘学习来生成数据模式，因此，可以获知原始数据与数据模式的关联关系，从而便于建立模式图库中数据模式与设备属性的哈希值、原始数据的索引关系。

在后续的网络优化业务中，对原始数据进行持续的挖掘和学习，会形成许多schema。以模式图库的方式存储其数据模式(schema)，从而为基于该数据的协作学习提供了高弹性处理架构(schema on read)，又可支持信息传输与处理网络天然的分布式属性。

数据模式规定了数据的逻辑结构及数据之间的联系，由于Merkle Tree仅体现数据的组织结构，并不体现数据的语义，因此，需要建立schema，并指向Merkle Tree所索引的原始数据，才能支撑数据挖掘等应用。用模式图库的形式来存储schema，例如，初始的scheme就是由“设备ID”及其“物理属性”构成的图，从这个图上我们可以查询到设备的属性，设备之间的关系，在设备节点上还存储相应的HASH值，以此指向Merkle Tree的不同节点，进而查询到分布式数据库中存储的原始数据。基于初始schema，通过对数据的解读和挖掘，进一步在模式图库上定义新的数据模式节点来表征数据的语义，比如可以从“设备”图节点引出这个设备上存储的不同协议层数据，即使解读出了这个设备数据包含不同协议层数据，也不对原始数据进行分拆，而是对Merkle Tree和模式图库进行更新，并指向原始数据，以此维持schema与原始数据的分离，不将原始数据绑定在schema上，保证了后续数据挖掘和学习的灵活性。由于Merkle Tree具有弹性结构，对设备中的不同协议层数据进行索引仅仅需要对树结构进行更新，无需改变原始数据。原始数据也是可以分拆、删除和更新的，但并不导致模式图库的大幅改变，通过Merkle Tree改变原始数据与schema的连接关系，保证了schema与原始数据的解耦。

数据模式的生成及其演进，因其采用模式图库的形式而具有较强的灵活性和可扩展性。设备属性作为模式图库中的初始节点，由此可以建立新的图节点关联到初始节点，新节点既可以来自对原始数据的分析学习形成，例如，对设备的原始数据分析得到不同协议层的信息，则可在数据模式图中增加协议层节点，关联到设备节点；也可以来自对既往节点间关系的推理发现而形成，例如通过分析得到某个街区基站之间的干扰关系，也可体现在数据模式图设备节点之间的关联上；而且模式图库可以有不同的呈现和查询层次，从而对全部数据的不同侧面进行呈现和分析，例如物理设备层、协议信息层、网优信号与干扰层，等。其中，模式图库中的每个数据模式都可以称为图节点。

除了在模式图库的节点上直接存储Merkle Tree中的HASHKey值作为该原始数据的整体索引外，如果该节点对应原始数据中某个局部数据，还可以对其数据位置或查询路径加以存储，作为对原始数据分析或学习得到的数据的索引。根据原始数据不同的数据格式，可有不同的索引方式，如果原始数据是类似关系数据库的表，则通过学习得到表的数据模式后，则可采用传统关系数据库的索引方式；如果原始数据是XML或JSON等灵活数据模式的局部数据，则可对其DOM树位置或XSLT查询进行存储，从而形成该局部数据的快速查询索引；如果原始数据是图片或视频，亦可根据其视频帧结构或图片分片结构，形成其索引，如果进一步采用某种人工智能方法得到对其数据的语义分析，也可将该方法的参数与函数动态链接库的调用方式，作为其索引。综上所述，由于数据湖中原始数据的多源异构属性，其数据模式与原始数据的索引方式也根据其格式有所不同。

步骤S104，对模式图库存储的数据模式进行数据挖掘，提取得到元数据，根据元数据生成知识图谱，以完成多层次数据架构的构建。

基于所建立的模式图库中的数据模式，还可以进一步提炼出知识，这里称为元数据metadata，以推理和学习出更具本质意义的知识图谱，其中，元数据metadata往往以网络虚拟空间(或者数字孪生空间)的角色和模型为语义(semantic)，形成知识图谱(knowledgegraph)，元数据和知识图谱更接近业务体验和网络运维高层KPI。由于schema采用了模式图库的形式进行存储和定义，可以在模式图库上进行推理和数据挖掘，形成与原始数据不直接联系的metadata，例如在模式图库上新增用户节点，建立用户与不同设备之间的联系，从模式图库上推理出网络设备之间的互相干扰，定义新的KPI节点并指向不同的设备可以揭示KPI优化与设备参数之间的联系。

网络建设和优化过程中，会形成和积淀大量的经验、规律和知识，所以模式图库中不仅可以包含对应物理设备的图节点，也可以包含对应网络协议的图节点，还可以包含网络优化中的知识本体以及本体之间的联系，该本体和联系可以不对应任何的物理或虚拟存在，而是宏观、抽象的知识结构的体现，这个层次的模式图库在这里称为知识图谱，所以知识图谱仅是模式图库的一个抽象层次的呈现，其依然采用模式图库的方式存储和分析，而且也可以建立与其他层次模式图库的关联，例如指向归纳和推理该规律或知识的设备或网络区域，如果知识图谱中的节点是某个性能指标，还可以指向影响该指标的原始数据中采集或计算得到的指标，例如，SINR指标是信噪比指标，其是由当前小区的电平除以周边其他小区的电平的和得到的，因此，SINR指标可以指向各个小区采集到的电平指标。

由于从知识图谱到模式图库再到原始数据始终保持其关联和映射，所以这一数据结构不仅有利于从基础数据中智能感知和推断出优化目标，还有利于从优化意图逐层递解到底层指标，从而给出优化方案。

以上步骤构建了多个不同层次的数据架构，而且每一层次都考虑到移动通信网络中广域分布式采集、存储和处理的特性。

在本发明一种可选实施方式中，方法还包括：对原始数据进行挖掘学习，生成对应的派生数据；获取派生数据对应的采集设备的设备属性；以数据键值对方式将设备属性的哈希值与派生数据存储至分布式数据库中；建立模式图库中数据模式与设备属性的哈希值、派生数据的索引关系，根据派生数据对应的采集设备的设备属性的哈希值更新默克尔树。

具体地，派生数据是由其他数据产生的、非原始的数据，这里通过对原始数据进行挖掘学习，可以生成对应的派生数据，获取派生数据对应的采集设备的设备属性，其中，派生数据对应的采集设备的设备属性可能与原始数据相同，也可能不同，例如，派生数据与原始数据分属于设备的不同的协议层，导致派生数据所对应的采集设备的设备属性与原始数据所对应的采集设备的设备属性是不同的。利用预设的哈希算法对派生数据对应的采集设备的设备属性进行哈希处理，例如，可以利用MD2算法、MD4算法、MD5算法、SHA-1算法、SHA-2算法等任意一种哈希算法来对设备属性进行哈希处理，得到设备属性的哈希值。

在得到设备属性的哈希值之后，以数据键值对方式将设备属性的哈希值与派生数据存储至分布式数据库中；建立模式图库中数据模式与设备属性的哈希值、派生数据的索引关系，并根据派生数据对应的采集设备的设备属性的哈希值更新默克尔树，这里仅是对默克尔树的部分分支进行更新。

在本发明一种可选实施方式中，当需要对移动通信无线网络进行优化时，可以通过如下方法来进行网络优化处理：接收携带有网络优化指标的网络优化请求；根据网络优化指标查询模式图库，得到与网络优化指标关联的数据模式；基于所查询到的数据模式确定与数据模式存在索引关系的设备属性的哈希值、原始数据；对原始数据进行分析，确定网络优化策略，以根据网络优化策略进行网络优化处理。

具体地，当需要进行网络优化时，可以发送携带有网络优化指标的网络优化请求，网络优化指标指本次想要进行哪方面的网络优化，接收到网络优化请求后，可以根据该网络优化请求中携带的网络优化指标来查询模式图库，以得到与网络优化指标关联的数据模式，这里查询数据模式是为了能够找到相应的原始数据，具体地，可以基于所查询到的数据模式来进行查询，进而确定与数据模式存在索引关系的设备属性的哈希值、原始数据，在查找到原始数据后，可以对原始数据进行分析，确定网络优化策略，并根据网络优化策略进行网络优化处理。

在本发明一种可选实施方式中，还可以通过如下方法来进行网络优化处理：接收携带有网络优化指标的网络优化请求；根据网络优化指标查询知识图谱，得到与网络优化指标关联的元数据；根据元数据查询模式图库，得到与元数据关联的数据模式；基于所查询到的数据模式确定与数据模式存在索引关系的设备属性的哈希值、原始数据；对原始数据进行分析，确定网络优化策略，以根据网络优化策略进行网络优化处理。具体实现与上述可选实施例类似，这里不再赘述。

本发明提供的方案以数据湖的schema on read理念对原始数据进行采集和存储，避免了传统schema on write方式的性能瓶颈，且可对复杂、多变的网络优化应用形成统一支撑，实现各应用间同一指标的一致性，并大幅降低对物理资源的需求；对原始和派生数据以HASH值构建MPT树，从而适应移动通信网络广域分布式存储和处理的需求，且加快了检索查找速度，还可对分布式数据一致性进行校验；基于原始数据持续挖掘和学习，以模式图库的形式存储其schema，支撑敏捷网优业务处理；在模式图库的基础上进一步提炼出metadata，并构建知识图谱，建立业务体验和优化目标与底层数据之间的关联。

本发明鉴于通信网络与信息处理业务的融合，还适用于广义的信息传输与处理网络，例如5G工业互联网中的海量传感器与通信基础设施数据的统一处理。网络优化与监测以及物联网感知设备会源源不断的产生数据，这些数据以其海量、流式、分布式、多样性的特点而无法即时处理，有待后续学习。这些数据的后续处理和学习中会产生数据模式(schema)，需要与原始数据产生有效关联；基于这些数据模式又需要产生知识模型，比如小区、用户和工厂生产流程等，从而支撑对运维和业务的深层次优化。

本发明所提出方法利用了数据湖的schema on read技术理念，解决基于原始数据的持续后处理和学习需求。采用模式图库的方法来建立对原始数据的schema和索引，作为持续后处理和学习的高弹性分布式数据结构。从schema中提取元数据(metadata)构建知识图谱(knowledge graph)，支撑对网络和业务的智能认知和优化。采用区块链的默克尔压缩前缀树(MPT，Merkle-patricia-tree)分布式数据索引方法对原始数据进行初始索引，可以有效建立业务体系与现网设备之间的映射和关联。

该方法与未来广义信息传输与处理网络的DICT融合的趋势和统一结构是一致的，从拓扑上也符合其分布式特性，其处理方式支持海量数据的高弹性存储与持续学习。该方法所采用的语法与数据分离(separation of schema and data)还可与软件定义网络(SDN)和边缘计算(EDGE Computing)的网络架构进一步结合，形成计算、存储与传输统一的高弹性数据处理系统。以模式图库的方式对schema进行组织，方便分布式协作和各种机器学习的结合。该方法所采用的基于HASH值的数据索引方式，支持与区块链、内容缓存(CDN)以及命名网络(Named Data Networking)等技术的结合。该方法采用知识图谱对metadata进行组织，既是一种知识的构建和组织方式，又是一种数字孪生空间与物理世界的耦合方式，对未来基于数字孪生技术的网络构建、运营和演进形成支撑。

根据本发明上述实施例提供的方法，通过将数据模式与原始数据进行解耦，实现了在不同优化和业务类别间将数据拉通，大幅提高的资源有效利用率；采用数据湖schemaon read和区块链分布式MPT树构建方法，适应了未来网络海量感知设备的分布式数据采集、存储与处理的需求；针对复杂多变的新业务、新技术，构建模式图库，从而支撑新网优业务的敏捷数据分析；以知识图谱的形式，实现全局、全系统的数据挖掘和建模，有利于人工智能等新技术的应用。

图2示出了本发明实施例提供的数据处理装置的结构示意图。如图2所示，该装置包括：获取模块201、处理模块202、建立模块203、生成模块204。

获取模块201，适于获取采集设备采集的原始数据及对应的设备属性；

处理模块202，适于对设备属性进行哈希处理，得到设备属性对应的哈希值，根据设备属性的哈希值构建默克尔树，以数据键值对方式将设备属性的哈希值与原始数据存储至分布式数据库中；

建立模块203，适于对原始数据进行挖掘学习，生成与原始数据相关的数据模式，将数据模式存储至模式图库中，建立模式图库中数据模式与设备属性的哈希值、原始数据的索引关系，其中，所述模式图库的初始数据模式为设备属性；

生成模块204，适于对模式图库存储的数据模式进行数据挖掘，提取得到元数据，根据元数据生成知识图谱，以完成多层次数据架构的构建。

可选地，建立模块还适于：对原始数据进行挖掘学习，生成对应的派生数据；

获取派生数据对应的采集设备的设备属性；

以数据键值对方式将设备属性的哈希值与派生数据存储至分布式数据库中；

建立模式图库中数据模式与设备属性的哈希值、派生数据的索引关系。

可选地，装置还包括：根据派生数据对应的采集设备的设备属性的哈希值更新默克尔树。

可选地，在根据元数据生成知识图谱之后，装置还包括：

接收携带有网络优化指标的网络优化请求；

根据网络优化指标查询模式图库，得到与网络优化指标关联的数据模式；

基于所查询到的数据模式确定与数据模式存在索引关系的设备属性的哈希值、原始数据；

对原始数据进行分析，确定网络优化策略，以根据网络优化策略进行网络优化处理。

可选地，在根据元数据生成知识图谱之后，装置还包括：

接收携带有网络优化指标的网络优化请求；

根据网络优化指标查询知识图谱，得到与网络优化指标关联的元数据；

根据元数据查询模式图库，得到与元数据关联的数据模式；

基于所查询到的数据模式确定与数据模式存在索引关系的设备属性的哈希值、原始数据；

对原始数据进行分析，确定网络优化策略，以根据网络优化策略进行网络优化处理。

可选地，设备属性包括：采集设备的经度坐标、采集设备的纬度坐标、采集时间戳、采集设备ID。

根据本发明上述实施例提供的装置，通过将数据模式与原始数据进行解耦，实现了在不同优化和业务类别间将数据拉通，大幅提高的资源有效利用率；采用数据湖schemaon read和区块链分布式MPT树构建方法，适应了未来网络海量感知设备的分布式数据采集、存储与处理的需求；针对复杂多变的新业务、新技术，构建模式图库，从而支撑新网优业务的敏捷数据分析；以知识图谱的形式，实现全局、全系统的数据挖掘和建模，有利于人工智能等新技术的应用。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的数据处理方法。

图3示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图3所示，该计算设备可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。

其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述用于计算设备的数据处理方法实施例中的相关步骤。

具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。

处理器可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序具体可以用于使得处理器执行上述任意方法实施例中的数据处理方法。程序中各步骤的具体实现可以参见上述数据处理实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。