故障修复方法、装置、电子设备及存储介质

技术领域

本发明涉及通信领域，尤其涉及故障修复方法、装置、电子设备及存储介质。

背景技术

随着信息技术的迅猛发展，基站设备由2G到5G演进，复杂度越来越高，基站设备由大量的工作模块组成，不同模块之间的关联耦合紧密，一个模块发生故障常常会引起链式反应，进而导致整个系统无法正常工作。基站设备常常建在铁塔等高空建筑，同时工作环境恶劣，例如极热极寒气候、偏远山区、高海拔地区等恶劣环境，由于基站设备故障排查一般需要专业的仪器仪表辅助，从而导致基站设备故障排查修复的难度和成本急剧升高。

因此，如何脱离外界仪器仪表设备限制，快速检测定位修复基站设备故障，是一个急需解决的问题。

发明内容

本发明的目的在于解决上述问题，提供一种故障修复方法、装置、电子设备及存储介质，实现基站设备故障在线智能诊断和修复。

为解决上述问题，本申请的实施例提供了一种故障修复方法，包括：获取故障的故障特征；判断是否有与故障特征对应的故障原因；在存在对应的故障原因的情况下，判断是否有与故障原因对应的修复规则；在存在对应的修复规则的情况下，根据修复规则，修复故障；在不存在对应的修复规则的情况下，上报故障原因，在获取修复指令后，根据修复指令，修复故障，并更新修复规则库。

为解决上述问题，本申请的实施例还提供了一种故障修复装置，包括：特征模块，用于获取故障的故障特征；诊断模块，用于根据故障特征，获取故障的故障原因；修复模块，用于搜索修复规则库中是否存在与故障原因对应的修复规则；若存在，则根据修复规则，修复故障；若不存在，则上报故障原因，在获取修复指令后，根据修复指令，修复故障，并更新所修复规则库。

为解决上述问题，本申请的实施例还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述故障修复方法。

为解决上述问题，本申请的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述故障修复方法。

在本申请的实施例中，通过实时获取故障特征，来找寻相对应的故障原因，并根据故障原因进行对应修复规则的查询，并根据查询结果进行故障修复，或更新修复规则。实现了基站设备故障在线智能诊断和修复，极大地提高了基站设备运维的智能化水平和用户体验。

附图说明

图1是本申请的一实施例提供的基站设备内部结构示意图；

图2是本申请的一实施例提供的故障智能诊断系统的内部框图；

图3是本申请的一实施例提供的故障修复方法的流程图；

图4是本申请的一实施例提供的ACPR盲识别方法的流程图；

图5是本申请的一实施例提供的规则库的结构示意图；

图6是本申请的一实施例提供的故障修复方法交互流程图；

图7是本申请的一实施例提供的故障修复装置的结构示意图；

图8是本申请的一实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本申请的一实施例涉及一种故障修复方法，包括：获取故障的故障特征；判断是否有与所述故障特征对应的故障原因；在存在对应的故障原因的情况下，判断是否有与所述故障原因对应的修复规则；在存在对应的修复规则的情况下，根据所述修复规则，修复所述故障；在不存在对应的修复规则的情况下，上报所述故障原因，在获取修复指令后，根据所述修复指令，修复所述故障，并更新所述修复规则库，本实施例实现了基站设备故障在线智能诊断和修复。

本申请实施例的故障修复方法，应用于基站，其中，本申请实施例的故障修复方法可以通过在基站中预装一个诊断系统实现，本申请实施例的故障修复方法可以应用于基站设备实验室调测、产线生产、外场等场景。

下面对本实施例的数据调度方法实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。

如图1所示，本申请中，将基站设备简化为基带模块、中频模块、DA/AD模块、射频链路、功放和天线阵列等部分组成，以便于在线诊断。诊断系统的输入由两个部分组成：一部分是基站设备各模块工作状态，另一部分是通道功放口或者天线口的反馈信号，诊断系统的输出为故障修复指令和人机交互界面。诊断系统包括：特征提取、规则库、诊断推理、故障修复、解释器和人机交互等模块；其中，系统模块输入为RRU(Remote Radio Unit，射频拉远单元)或AAU(Active Antenna Unit，有源天线处理单元)各模块故障特征、关键点数据等；系统输出为故障根因和修复指令

故障智能诊断系统内部实现如图2所示，诊断系统可以由图2中的特征提取、规则库、诊断推理、故障修复和人机交互和解释器各个模块组成：

其中，诊断系统的工作原理如下：利用特征提取模块生成故障特征集，再结合规则库进行诊断推理，明确故障根因上报，同时利用在线修复规则库，给出故障修复指令，最后再重新检测故障是否修复，并进行新一轮诊断；若在基于规则诊断推理过程中发现当前故障暂无规则对应，此时会使用机器学习诊断推理，泛化推理出故障根因，并将故障特征集和诊断结果上报给工程师进行判断，工程师根据诊断系统收集到的信息给出新的诊断结果存储到诊断系统，形成修复指令。最后再重新检测故障是否修复，并进行新一轮诊断。若故障已解决，诊断系统将该故障特征集和诊断结果添加至机器学习训练样本，生成新的故障规则，最后采用已知故障根因的故障样本进行自检，若新规则添加后自检通过，则添加至规则库中。其中，故障根因和过程解释可以通过人机接口传递给用户界面呈现。

各个模块实现的具体功能如下：

(1)特征提取：提取基站设备各模块故障特征标志，分为功能类和性能类故障特征。功能类故障特征采用各模块关键节点标志，性能类故障特征需要采用各模块迭代数据盲识别计算。诊断系统不需要采集基站设备各个通道数据，收集各通道各模块上报的故障特征即可；

(2)规则库：根据基站设备工作原理、模块划分建立各模块故障特征标志之间相互影响的关系，即规则库。为了进一步提高诊断推理效率，规则库建立采用各模块规则分离、模块内部规则分层建立、顶层模块间规则协同的方法。新增在线修复规则库实现故障根因在线修复；

(3)诊断推理：包含基于规则诊断推理和机器学习诊断推理。基于规则推理采用正向或者反向推理算法，根据诊断系统故障特征、模块级规则库和模块内部规则库推理出故障根因；基于机器学习推理，采用决策树等低复杂度的学习算法，对无明确规则的复杂故障样本进行规则训练，并利用已知故障根因样本库完成规则自检，向规则库中补充新的规则；

(4)故障修复：根据故障根因和在线修复规则库，判断当前故障根因是否可在线修复，若支持，即对故障进行在线修复；

(5)人机交互和解释器：将故障特征集、故障根因、推理过程进行必要解释，通过人机接口图形化显示在用户界面上，一方面便于与工程师交互，另一方面提高用户体验。

本申请的故障修复方法的具体流程如图3示，可包括如下步骤：

在步骤301中，获取故障的故障特征。

具体地说，基站提取基站设备各模块故障特征标志，其中，故障特征分为功能类和性能类，功能类故障特征采用基站设备各模块关键节点标志，性能类故障特征采用各模块迭代数据盲识别计算；功能故障特征，用于表征各设备功能模块的硬件状态；性能故障特征，用于表征各所述设备功能模块的信号处理性能，其中，功能类故障特征可以由各设备功能模块实时上报给诊断系统，性能故障特征可以由基站中的一个检测模块根据各所述设备功能模块的信号处理性能参数得到。

在一个例子中，基站首先对故障特征进行提取，然后再生成故障特征集，即在诊断系统的故障特征获取可以通过各模块会上传基础特征，诊断系统对基础特征进行进一步的提取，最后得到诊断系统可用的故障特征。

在一个例子中，基站通过以下方式获取性能故障特征：获基站获取设备功能模块的收发信号；基站识别所述收发信号的配置参数；基站根据所述配置参数计算所述设备功能模块的性能指标；基站根据所述性能指标得到所述性能故障特征。

在一个例子中，基站通过计算ACPR(Adjacent Channel Power Ratio，邻道功率抑制比)指标，提取性能故障特征。ACPR盲识别方法如图4所示，具体流程如下：

首先，ACPR计算模块需要先盲识别出待分析信号配置参数(载波个数、频点和带宽等)，即盲识别方法：采集待分析信号，对待分析信号数据进行加窗，然后PSD(PowerSpectral Densitt，功率谱密度)计算功率谱，通过设置功率门限判断出待分析信号的载波个数、带宽大小、载波频点等信息。

其中，为了提高多载波不等功率信号盲识别的准确度，待分析信号为时延对齐后的前向和反馈信号；前向信号为基站设备中发射通道DPD(digital pre-distortion，数字预失真)模块前的无非线性失真的信号，用于信号配置参数盲识别；反馈信号为功放输出耦合回的包含功放非线性失真的信号，用于计算ACPR指标，衡量单通道非线性程度；前向信号和反馈信号时延对齐后，前向信号识别的信号配置参数可提供给反馈信号ACPR计算使用。

另外，ACPR盲识别计算可在基站设备DPD模块等迭代过程中实现，不用单独采集样本和时延对齐等步骤，不影响基站设备正常工作流程，即可上报ACPR性能指标；

在一个例子中，基站设备性能指标还可以是EVM指标、通道间幅相差等，也可以将上述指标均作为衡量基站设备性能水平的指标。

本实施例中，利用功能类故障特征实时上报，性能类故障特征盲识别的方法，一方面可以脱离外界仪器仪表等限制，实现故障特征在线实时提取，另一方面将设备的大量故障数据提前转换为故障特征，诊断系统与被诊设备之间采用故障特征进行传输，可降低诊断系统输入数据量。故障特征提取脱离外界限制和降低传输数据量是实现基站设备故障在线智能诊断的重要前提。

在步骤302中，基站判断是否有与所述故障特征对应的故障原因。

具体地说，基站判断故障所在的设备功能模块；根据预设的诊断规则库中与设备功能模块对应的诊断规则，获取与故障特征对应的故障原因，其中，诊断规则是故障特征与故障原因的对应关系。

在一个例子中，本申请实施例的故障原因可以基于规则诊断推理得到，所以需要建立一个规则库，规则库采用“各模块规则分离、模块内部规则层次清晰”的思想进行建立，通过顶层模块级规则建立各个模块之间的关系。具体模块划分和相互关系根据基站设备工作原理建立。在故障诊断推理过程中，先利用模块级规则库明确故障根因存在的模块，再对故障模块内部进行诊断推理，可以避免不相关模块规则参与故障推理，从而提高诊断效率。规则库的结构示意图如图5所示。

另外，同一平台基站设备规则库可以共用，若不同平台的各基站设备存在部分差异时，只需要根据工作原理修改模块以及模块内对应的规则即可。

在一个例子中，若规则库中有与故障特征对应的规则，则基站认为有与故障特征对应的故障原因，那么执行步骤303；若规则库中没有与故障特征对应的规则，则基站认为没有与故障特征对应的故障原因，那么基站开始机器学习诊断推理，推理出泛化故障根因，并将故障特征集和诊断结果上报给工程师进行判断，工程师根据诊断系统收集到的信息给出新的诊断结果存储到诊断系统，形成修复指令。工程师将故障修复正常后，诊断系统将新的故障特征集和诊断参数，最后采用已知故障根因的故障样本对新规则和诊断参数进行自检，若自检通过，则将新规则添加至规则库中，并更新机器学习诊断参数；若自检不通过，则优化机器学习参数重新训练。其中，故障根因和过程解释通过人机接口传递给用户界面呈现。其中，在更新规则库之后进行自检，保证了修复规则的正确性。

在一个例子中，机器学习算法选择复杂度低、可解释性强的决策树算法(实际运用中不限于决策树算法，也可以选择其他复杂度低、可解释性强的机器学习算法，如向量机算法)。

决策树是基于机器学习理论的智能方法之一，包括决策节点、分支和叶结点。本质上是从一层层的if/else问题中进行学习，并得出结论。决策树的分枝等价于故障规则，沿根结点到叶结点上属性及其取值相当于规则条件，叶结点是规则结论。决策树复杂度低、具备自学习和一定的泛化推理能力。

例如，决策树C4.5算法采用信息增益率作为选择标准，具体C4.5构建决策树的步骤如下：

(1)将获取到的故障特征集，计算各特征的信息增益和信息增益率，选择信息增益率最大的特征，作为当前故障特征节点，得到决策树根节点；

(2)根据节点属性的每个可能取值对应一个子集，对样本子集递归操作，执行步骤(1)过程，直到每个子集中数据在分类属性上取值都相同，从而生成决策树；

(3)根据构造的决策树提取故障规则，对新的故障特征集进行诊断自检。诊断系统根据已有规则库或者预先存储的已知根因的故障样本集进行自检；

(4)在保证准确度的前提下，针对生成的决策树进行适当剪枝处理，精简决策树结构。

其中，信息熵：

其中P(C

属性A条件熵表示为：

其中P(A

通过计算信息熵和条件熵，属性A的信息增益Gain(A)即可得到：

Gain(A)＝I(A)-E(A)

信息增益率为：

在上述的诊断推理方法中，采用复杂度更低，可解释性强，是和小样本量的机器学习算法代替神经网络算法，解决了神经网络算法等复杂算法难以在基站设备实现在线诊断推理的问题，从而实现故障诊断规则在线自学习和自检等功能。

在步骤303中，在存在对应的故障原因的情况下，基站判断是否有与故障原因对应的修复规则。

在一个例子中，基站在判断是否存在与故障原因对应的修复规则之前，基站基于规则诊断推理确定故障根因，其中，基于规则诊断推理用到的推理算法，采用传统的正向推理算法，基站设备故障特征集与规则库进行匹配，匹配成功的规则进行保留，直到将待匹配的规则库中的所有规则匹配完，最终保留下来的规则即可诊断出故障根因。

具体地说，基站基于规则诊断推理并明确故障根因后，根据在线修复规则库确定故障根因是否可在线修复，即判断是否有所述故障原因对应的修复规则。

在步骤304中，在存在对应的修复规则的情况下，基站根据修复规则，修复故障，即执行步骤304-1；在不存在对应的修复规则的情况下，基站上报故障原因，在获取修复指令后，根据修复指令，修复故障，并更新修复规则库，即执行步骤304-2。

在一个例子中，若故障原因没有对应的修复规则，则将故障根因上报给人机接口，通过用户界面提示给工程师，由工程师根据故障根因进行修复，修复成功后将该故障根因的修复规则更新至在线修复规则库中；

本申请实施例采用人机交互接口，将RRU或者AAU整体故障情况界面化显示，对基站设备各模块故障或者潜在故障一目了然。可以大幅提升用户体验。

本申请实施例主要是结合故障诊断和人工智能技术，提出了基站设备故障智能诊断的方法，可以脱离外界环境和仪器仪表等限制，实现基站设备故障在线诊断、预测和修复等功能，并且具备在线自学习和自检功能，极大地提高了基站设备运维的智能化水平和基站设备故障智能诊断的应用范围。由于本申请实施例能实现基站设备故障在线智能诊断和修复，同时也具备在线自学习和自修复等功能，因此对网络环境等要求低。

为了使本申请实施例中的故障修复方法的过程更加明了，本实施例还提供了一种故障修复方法如图6所示，具体步骤如下：

在步骤601中，基站获取故障的故障特征。

在步骤602中，基站判断是否有与所述故障特征对应的故障原因。

在一个例子中，若规则库中没有与故障特征对应的规则，则认为没有与故障特征对应的故障原因，那么执行步骤604至608中的对应操作；若规则库中有与障特征对应的规则，则认为有与故障特征对应的故障原因，那么执行步骤603以及后续步骤。

在步骤604中，机器学习诊断推理提供泛化故障根因，上报故障特征集和故障根因。

具体地说，若规则库中没有与故障特征对应的规则，则基站认为没有与故障特征对应的故障原因，那么基站此时将开始机器学习诊断推理，推理出泛化故障根因，并将故障特征集和诊断结果上报给工程师进行判断。

在步骤605中，工程师诊断修复故障，将修复指令发送给基站，基站在获取修复指令后，根据修复指令，修复故障，并更新修复规则库。

具体地说，基站可以通过机器学习新增修复规则，在获取修复指令后，以修复指令作为机器学习训练新样本，产生新规则和诊断参数，更新修复规则库。其中，机器学习推理，是采用决策树等低复杂度的学习算法，对无明确规则的复杂故障样本进行规则训练，并利用已知故障根因样本库完成规则自检，向规则库中补充新的规则。

在一个例子中，工程师根据诊断系统收集到的信息给出新的诊断结果存储到诊断系统，形成修复指令。工程师将故障修复正常后，诊断系统将新的故障特征集和诊断结果添加至机器学习训练样本，机器学习训练产生新的故障规则和诊断参数。

在步骤606中，新规则库和诊断参数正确性自检。

在一个例子中，机器学习训练产生新的故障规则和诊断参数后，基站采用已知故障根因的故障样本对新规则和诊断参数进行自检，若自检通过，则进行步骤607，即将新规则添加至规则库中，并更新机器学习诊断参数；若自检不通过，则进行步骤608，,即优化机器学习参数重新训练。其中，机器学习推理，是采用决策树等低复杂度的学习算法，对无明确规则的复杂故障样本进行规则训练，并利用已知故障根因样本库完成规则自检，向规则库中补充新的规则。

在步骤603中，基于规则诊断推理确定故障根因，其中，基于规则诊断推理用到的推理算法，采用传统的正向推理算法，基站设备故障特征集与规则库进行匹配，匹配成功的规则进行保留，直到将待匹配的规则库中的所有规则匹配完，最终保留下来的规则即可诊断出故障根因。

在步骤609中，判断是否有与所述故障原因对应的修复规则。

在一个例子中，基站根据步骤603中确定的故障根因，判断是否有与所述故障原因对应的修复规则，若判断出没有与故障原因对应的修复规则，那么执行上述步骤605至608中对应的操作，具体地说，若无对应的修复规则，则将故障根因上报给人机接口，通过用户界面提示给工程师，由工程师根据故障根因进行修复，修复成功后将该故障根因的修复规则更新至在线修复规则库中；若判断出有与所述故障原因对应的修复规则。那么执行步骤610以及后续步骤。

在步骤610中，根据所述修复规则，修复所述故障。

具体地说，基站结合在线修复规则库判断故障根因可以修复后，给出故障修复指令对故障进行修复。

在步骤611中，判断故障是否成功修复。

其中，若故障已被修复，则进行步骤612；若故障没有被成功修复，则再次执行步骤601。

在步骤612中，对诊断或者修复结果进行解释说明，其中，解释说明通过人机接口传递给用户界面呈现。

在一个例子中，经过上述步骤607后，即更新规则库和诊断参数以后，同样也需要对诊断结果进行解释说明。

另外，本申请不限于基站设备故障智能在线诊断，例如：

(1)射频算法故障诊断领域。例如CFR模块、DPD模块等射频算法故障诊断领域。利用本专利申请，只需要在CFR、DPD等模块中添加适当的功能和性能类特征标志，按照工作原理建立对应规则库即可实现射频算法故障在线智能诊断；

(2)基带处理故障诊断领域。例如BBU(Building Base band Unite，室内基带处理单元)系统等各模块故障智能诊断。利用本专利申请，只需要在对应模块中添加适当功能和性能特征标志，按照工作原理建立对应的规则库即可实现基带处理故障在线智能诊断；

(3)硬件设备故障诊断领域。例如收发单元和射频等模块。利用本专利申请，只需要在对应模块中添加适当功能和性能特征标志，按照工作原理建立对应的规则库即可实现硬件设备处理故障在先智能诊断。

本申请实施例主要是结合故障诊断和人工智能技术，提出了基站设备故障智能诊断的方法，可以脱离外界环境和仪器仪表等限制，实现基站设备故障在线诊断、预测和修复等功能，并且具备在线自学习和自检功能，极大地提高了基站设备运维的智能化水平和基站设备故障智能诊断的应用范围。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本申请的实施例还提供了一种故障修复装置,如图7所示，包括：特征模块701、诊断模块702以及修复模块703。

具体地说，特征模块701，用于获取故障的故障特征；诊断模块702，用于根据所述故障特征，获取所述故障的故障原因；修复模块703，用于搜索修复规则库中是否存在与所述故障原因对应的修复规则；若存在，则根据所述修复规则，修复所述故障；若不存在，则上报所述故障原因，在获取修复指令后，根据所述修复指令，修复所述故障，并更新所述修复规则库。

在一个例子中，故障特征分为功能类和性能类，功能故障特征，用于表征各设备功能模块的硬件状态；性能故障特征，用于表征各所述设备功能模块的信号处理性能，其中，功能类故障特征实时上报，性能故障特征根据各所述设备功能模块的信号处理性能参数得到。

在一个例子中，特征模块701通过以下方式获取性能故障特征：获基站获取设备功能模块的收发信号；基站识别所述收发信号的配置参数；基站根据所述配置参数计算所述设备功能模块的性能指标；基站根据所述性能指标得到所述性能故障特征。

具体地说，诊断模块702判断故障所在的设备功能模块；根据预设的诊断规则库中与设备功能模块对应的诊断规则，获取与故障特征对应的故障原因，其中，诊断规则是故障特征与故障原因的对应关系。

另外，在不存在对应的故障原因的情况下，根据已有的故障特征与故障原因的对应关系，自学习推理得到所述故障原因，所述自学习选择决策树算法或支持向量机算法，也可以选择其他复杂度低，可解释性强的机器学习算法。

在一个例子中，当获取到故障的故障原因后，基于规则诊断推理并明确故障根因，明确故障根因后，根据在线修复规则库确定故障根因是否可在线修复，若存在修复规则，则给出故障修复指令，最后检测故障是否修复正常，并进行新一轮的检测诊断。若不存在修复规则，则将故障根因上报给人机接口，通过用户界面提示给工程师，由工程师根据故障根因进行修复并上传修复指令，诊断系统根据修复指令自学习生成新修复规则；根据故障、故障原因以及新修复规则，检测新修复规则的正确性，若检测新修复规则正确，则将该故障根因的修复规则更新至在线修复规则库中；若检测新修复规则不正确，则调整自学习算法参数，重新生成新修复规则并检测重新生成的新修复规则的正确性。

本实施例提供的故障修复装置，可以实现基站设备故障在线智能诊断和修复、复杂故障在线自学习和自检等功能，可脱离外界计算机和仪器仪表等限制，广泛运用于实验室、生产制造、外场等场景，极大地提高了基站设备运维的智能化水平和用户体验。

不难发现，本实施方式为上述故障修复方法实施例相对应的装置实施例，本实施方式可与上述故障修复方法实施例互相配合实施。上述故障修复方法实施例提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述故障修复方法实施例中。

值得一提的是，本申请上述实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本申请的创新部分，本实施方式中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本申请的实施例还提供一种电子设备，如图8所示，包括至少一个处理器801；以及，与所述至少一个处理器801通信连接的存储器802；其中，所述存储器802存储有可被所述至少一个处理器801执行的指令，所述指令被所述至少一个处理器801执行，以使所述至少一个处理器能够执行上述故障修复方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。

处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本申请的实施例还提供一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

上述实施例是提供给本领域普通技术人员来实现和使用本申请的，本领域普通技术人员可以在脱离本申请的发明思想的情况下，对上述实施例做出种种修改或变化，因而本申请的保护范围并不被上述实施例所限，而应该符合权利要求书所提到的创新性特征的最大范围。