数据中心制冷系统功耗的控制方法、装置及终端与流程

1.本发明涉及功耗控制技术领域，尤其涉及一种数据中心制冷系统功耗的控制方法、装置、终端及存储介质。


背景技术：

2.目前，pue(power usage effectiveness，电源使用效率)值已经成为国际上比较通行的数据中心电力使用效率的衡量指标。pue值是指数据中心消耗的所有能源与it负载消耗的能源之比。
3.数据中心制冷系统的功耗在其所有的能源消耗中占有较大比例，因此，控制制冷系统的功耗是提升数据中心电源使用效率的关键。
4.在数据中心制冷系统的功耗控制中，通常会采用功耗预测模型对制冷系统的功耗进行预测，以便选取较低功耗对应的设定参数，从而提升数据中心电源使用效率。
5.由于功耗预测模型是基于人工智能和机器学习实现的，在实际应用中，本技术的发明人发现，功耗预测模型实际反映的是制冷系统的功耗和其设定参数之间的对应关系，而功耗预测模型的预测准确度依赖于训练数据集以及对模型的前期训练，一旦训练完成，制冷系统的功耗和其设定参数之间的对应关系便可以确定。
6.然而实际上，数据中心的内外部环境条件并非固定不变，而是不断变化的，例如外部气象条件会发生变化、内部设备的扩容或减容，都会影响制冷系统的功耗与设定参数之间的对应关系。也就是说，功耗预测模型的预测精度会随时间(内外部条件发生变化)而衰减，这就导致功耗预测模型的预测精度降低，从而可能使得无法准确的通过控制制冷系统的功耗，来提升数据中心的电源使用效率。


技术实现要素：

7.本发明提供了一种数据中心制冷系统功耗的控制方法、装置、终端及存储介质，以解决现有技术中功耗预测模型的预测精度会随时间(内外部条件发生变化)而衰减，导致功耗预测模型的预测精度降低的问题。
8.第一方面，本发明实施例提供了一种数据中心制冷系统功耗的控制方法，包括：
9.获取功耗预测模型距离上次训练的时间间隔，其中，所述训练包括短周期训练和长周期训练；
10.若距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
11.若距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练；
12.利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，以获得较低功耗对应的待设定参数。
13.在一种可能的实现方式中，所述长周期数据库存储有制冷系统在第一时间段内的历史运行数据，所述短周期数据库存储有制冷系统在第二时间段内的历史运行数据，所述第一时间段大于所述第二时间段，所述历史运行数据至少包括一个时间段内所述制冷系统的多组设定参数以及对应每组设定参数的运行功耗。
14.在一种可能的实现方式中，所述每组设定参数包括：制冷系统的制冷主机的设定温度、制冷系统的空调设定温度和制冷系统的制冷水泵的设定运行频率。
15.在一种可能的实现方式中，所述长周期训练以及所述短周期训练的结束条件为：所述功耗预测模型的预测准确率达到预设值。
16.在一种可能的实现方式中，所述方法还包括：
17.获取功耗预测模型的预测准确率；
18.相应的，所述若距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练包括：
19.若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
20.相应的，所述若距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练包括：
21.若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练。
22.在一种可能的实现方式中，所述利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，以获得较低功耗对应的待设定参数包括：
23.利用训练后的功耗预测模型对制冷系统的第一组待设定参数进行功耗预测，得到第一预测功耗；
24.在所述第一组待设定参数所在的预设范围内，取值不同于所述第一组待设定参数的多组待设定参数，并利用训练后的功耗预测模型对所述多组待设定参数分别进行功耗预测，得到多组预测功耗；
25.确定多组预测功耗与第一预测功耗中的最低预测功耗对应的一组待设定参数作为目标待设定参数。
26.在一种可能的实现方式中，在所述确定多组预测功耗与第一预测功耗中的最低预测功耗对应的一组待设定参数作为目标待设定参数之后还包括：
27.基于所述目标待设定参数对所述制冷系统进行参数设定。
28.第二方面，本发明实施例提供了一种数据中心制冷系统功耗的控制装置，包括：
29.时间间隔获取单元，用于获取功耗预测模型距离上次训练的时间间隔，其中，所述训练包括短周期训练和长周期训练；
30.第一训练单元，用于若距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
31.第二训练单元，用于若距离上次长周期训练的时间间隔未达到所述长周期时长，
但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练；
32.参数确定单元，用于利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，以获得较低功耗对应的待设定参数。
33.在一种可能的实现方式中，所述长周期数据库存储有制冷系统在第一时间段内的历史运行数据，所述短周期数据库存储有制冷系统在第二时间段内的历史运行数据，所述第一时间段大于所述第二时间段，所述历史运行数据至少包括一个时间段内所述制冷系统的多组设定参数以及对应每组设定参数的运行功耗。
34.在一种可能的实现方式中，所述每组设定参数包括：制冷系统的制冷主机的设定温度、制冷系统的空调设定温度和制冷系统的制冷水泵的设定运行频率。
35.在一种可能的实现方式中，所述长周期训练以及所述短周期训练的结束条件为：所述功耗预测模型的预测准确率达到预设值。
36.在一种可能的实现方式中，所述装置还包括：
37.准确率获取单元，用于获取功耗预测模型的预测准确率；
38.相应的，第一训练单元具体用于，若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
39.相应的，第二训练单元具体用于，若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练。
40.在一种可能的实现方式中，所述装置还包括：
41.功耗预测单元，用于利用训练后的功耗预测模型对制冷系统的第一组待设定参数进行功耗预测，得到第一预测功耗；以及，在所述第一组待设定参数所在的预设范围内，取值不同于所述第一组待设定参数的多组待设定参数，并利用训练后的功耗预测模型对所述多组待设定参数分别进行功耗预测，得到多组预测功耗；
42.相应的，参数确定单元具体用于，确定多组预测功耗与第一预测功耗中的最低预测功耗对应的一组待设定参数作为目标待设定参数。
43.在一种可能的实现方式中，所述装置还包括：
44.参数设定单元，用于基于所述目标待设定参数对所述制冷系统进行参数设定。
45.第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
46.第四方面，本发明实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
47.本发明相对于现有技术的有益效果在于：
48.本发明通过获取功耗预测模型距离上次训练的时间间隔，在距离上次长周期训练的时间间隔达到预设的长周期时长时，利用预设的长周期数据库的历史运行数据对功耗预
测模型进行长周期训练；在距离上次长周期训练的时间间隔未达到长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对功耗预测模型进行短周期训练；可见，本发明基于训练间隔时间不同，对功耗预测模型分别自动进行长周期训练和短周期训练，一方面可以避免模型随时间而精度衰减的问题，另一方面短周期数据库相对于长周期数据库数据量少，训练时间短，可以避免频繁采用大量数据集对模型进行训练占用系统资源的问题。而后利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，可以获得较低功耗对应的待设定参数，从而可以降低制冷系统的功耗，有利于提升数据中心的电源使用效率。
附图说明
49.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
50.图1是本发明实施例提供的数据中心制冷系统功耗的控制方法的实现流程图；
51.图2是本发明实施例提供的数据中心制冷系统功耗的控制装置的结构示意图；
52.图3是本发明实施例提供的终端的示意图。
具体实施方式
53.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
54.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
55.首先，本发明实施例中的功耗预测模型是一种神经网络模型，可以利用机器学习的手段，以一组制冷系统的设定参数为输入，预测制冷系统在该设定参数条件下的运行功耗作为输出，通过一定数量的历史数据进行训练迭代，得到一定的预测精度。具体的模型架构可以参考现有技术，以实现上述功能为目的，具体的模型架构不作限定。
56.图1为本发明实施例提供的数据中心制冷系统功耗的控制方法的实现流程图，详述如下：
57.在步骤101中、获取功耗预测模型距离上次训练的时间间隔，其中，所述训练包括短周期训练和长周期训练；
58.在本发明实施例中，训练分为短周期训练和长周期训练，短周期训练是指以较短的一个时间段内较少的历史数据为训练集对模型进行的训练，长周期训练是指以较长一个时间段内较多的历史数据为训练集对模型进行的训练。
59.需要注意的是，模型创建之后的首次训练既可以视为一次短周期训练，也可以视为一次长周期训练。
60.由于训练之后，模型的预测精度是随时间衰减的，在本发明实施例中，通过监控模
型距离上次的时间间隔，以便在该时间间隔较长可能引起模型的预测精度衰减时对模型进行新的训练，以提升其预测精度。
61.在步骤102中、若距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
62.在步骤103中、若距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练；
63.在本发明实施例中，设定有长周期时长和短周期时长，短周期时长是指可能造成模型预测精度衰减的时长，长周期时长是指造成了模型预测精度衰减，并且，短周期训练已经不足以提升模型的预测精度至较高的精度的时长。从而，在时间间隔达到短周期时长时，利用短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练，在时间间隔达到长周期时长时，利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练。
64.在一个可能的实现方式中，长周期数据库存储有制冷系统在第一时间段内的历史运行数据，短周期数据库存储有制冷系统在第二时间段内的历史运行数据，第一时间段大于第二时间段，历史运行数据至少包括一个时间段内制冷系统的多组设定参数以及对应每组设定参数的运行功耗。
65.示例性的，第一时间段可以是半年或一年，第二时间段可以是一个月。
66.需要说明的是，每天的运行数据可以实时归入到长周期数据库和短周期数据库，示例性的，短周期数据库可以存储有近一个月的历史运行数据，并实时进行更新；长周期数据库可以存储有近一年的历史运行数据，并实时更新；在另一种实现方式中，长周期数据库还可以存储有更长时间至今的历史运行数据。
67.在一种实现方式中，上述每组设定参数可以包括：制冷系统的制冷主机的设定温度、制冷系统的空调设定温度和制冷系统的制冷水泵的设定运行频率。
68.在实际应用中，模型的输入除上述一组设定参数外，还可以包括制冷设备的工作电流、工作电压、室外温度等等设备参数或环境条件。
69.在一种实现方式中，上述长周期训练以及短周期训练的结束条件为：功耗预测模型的预测准确率达到预设值，例如功耗预测模型的预测准确率达到95％。
70.在一种可能的实现方式中，上述方法还可以包括：获取功耗预测模型的预测准确率；
71.相应的，上述步骤102可以包括：若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
72.相应的，上述步骤103可以包括：若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练。
73.在本发明实施例中，将模型的预测准确率和训练时间间隔相结合，可以更好的提升模型的预测精度，或者，减少训练次数。
74.在步骤104中、利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，以获得较低功耗对应的待设定参数。
75.在本发明实施例中，训练之后的模型具有更好的预测精度，从而可以较为准确的对制冷系统的待设定参数进行功耗预测，并可以通过对多组待设定参数分别进行功耗预测，来选取较低功耗对应的待设定参数。
76.在一种实现方式中，上述步骤104可以包括：
77.利用训练后的功耗预测模型对制冷系统的第一组待设定参数进行功耗预测，得到第一预测功耗；
78.在所述第一组待设定参数所在的预设范围内，取值不同于所述第一组待设定参数的多组待设定参数，并利用训练后的功耗预测模型对所述多组待设定参数分别进行功耗预测，得到多组预测功耗；
79.确定多组预测功耗与第一预测功耗中的最低预测功耗对应的一组待设定参数作为目标待设定参数。
80.在本发明实施例中，一组设定参数可以包括制冷系统的制冷主机的设定温度、制冷系统的空调设定温度和制冷系统的制冷水泵的设定运行频率；针对每项参数，可以在其初始设定参数的预设范围内进行取值，得到新的待设定参数，形成多组待设定参数进行功耗预测。
81.示例性的，一组设定参数中包括空调设定温度，空调设定温度的初始值为25摄氏度，预设范围为24
‑
26摄氏度，则可以在预设范围内进行多个取值，如24，24.5，25，25.5等，各参数的多个取值可以形成矩阵进行组合，得到多组待设定参数。
82.在一个实现方式中，在上述确定多组预测功耗与第一预测功耗中的最低预测功耗对应的一组待设定参数作为目标待设定参数之后还可以包括：基于所述目标待设定参数对所述制冷系统进行参数设定。
83.在本发明实施例中，通过对多组设定参数进行功耗预测，并将功耗预测结果进行比较，以最低的功耗预测对应的一组设定参数作为目标待设定参数，对制冷系统进行参数设定，从而可以使制冷系统运行于最小功耗下，有利于提升数据中心的电源使用效率。
84.由上可知，本发明通过获取功耗预测模型距离上次训练的时间间隔，在距离上次长周期训练的时间间隔达到预设的长周期时长时，利用预设的长周期数据库的历史运行数据对功耗预测模型进行长周期训练；在距离上次长周期训练的时间间隔未达到长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对功耗预测模型进行短周期训练；可见，本发明基于训练间隔时间不同，对功耗预测模型分别自动进行长周期训练和短周期训练，一方面可以避免模型随时间而精度衰减的问题，另一方面短周期数据库相对于长周期数据库数据量少，训练时间短，可以避免频繁采用大量数据集对模型进行训练占用系统资源的问题。而后利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，可以获得较低功耗对应的待设定参数，从而可以降低制冷系统的功耗，有利于提升数据中心的电源使用效率。
85.应理解，上述实施例中各步骤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。
86.以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
87.图2示出了本发明实施例提供的数据中心制冷系统功耗的控制装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
88.如图2所示，一种数据中心制冷系统功耗的控制装置2，包括：时间间隔获取单元21，第一训练单元22，第二训练单元23和参数确定单元24.
89.时间间隔获取单元21，用于获取功耗预测模型距离上次训练的时间间隔，其中，所述训练包括短周期训练和长周期训练；
90.第一训练单元22，用于若距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
91.第二训练单元23，用于若距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练；
92.参数确定单元24，用于利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，以获得较低功耗对应的待设定参数。
93.在一种可能的实现方式中，所述长周期数据库存储有制冷系统在第一时间段内的历史运行数据，所述短周期数据库存储有制冷系统在第二时间段内的历史运行数据，所述第一时间段大于所述第二时间段，所述历史运行数据至少包括一个时间段内所述制冷系统的多组设定参数以及对应每组设定参数的运行功耗。
94.在一种可能的实现方式中，所述每组设定参数包括：制冷系统的制冷主机的设定温度、制冷系统的空调设定温度和制冷系统的制冷水泵的设定运行频率。
95.在一种可能的实现方式中，所述长周期训练以及所述短周期训练的结束条件为：所述功耗预测模型的预测准确率达到预设值。
96.在一种可能的实现方式中，数据中心制冷系统功耗的控制装置2还包括：
97.准确率获取单元，用于获取功耗预测模型的预测准确率；
98.相应的，第一训练单元22具体用于，若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔达到预设的长周期时长，则利用预设的长周期数据库的历史运行数据对所述功耗预测模型进行长周期训练；
99.相应的，第二训练单元23具体用于，若所述预测准确率低于所述预设值，且，距离上次长周期训练的时间间隔未达到所述长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对所述功耗预测模型进行短周期训练。
100.在一种可能的实现方式中，数据中心制冷系统功耗的控制装置2还包括：
101.功耗预测单元，用于利用训练后的功耗预测模型对制冷系统的第一组待设定参数进行功耗预测，得到第一预测功耗；以及，在所述第一组待设定参数所在的预设范围内，取值不同于所述第一组待设定参数的多组待设定参数，并利用训练后的功耗预测模型对所述多组待设定参数分别进行功耗预测，得到多组预测功耗；
102.相应的，参数确定单元24具体用于，确定多组预测功耗与第一预测功耗中的最低预测功耗对应的一组待设定参数作为目标待设定参数。
103.在一种可能的实现方式中，数据中心制冷系统功耗的控制装置2还包括：
104.参数设定单元，用于基于所述目标待设定参数对所述制冷系统进行参数设定。
105.由上可知，本发明通过获取功耗预测模型距离上次训练的时间间隔，在距离上次长周期训练的时间间隔达到预设的长周期时长时，利用预设的长周期数据库的历史运行数据对功耗预测模型进行长周期训练；在距离上次长周期训练的时间间隔未达到长周期时长，但，距离上次短周期训练的时间间隔达到预设的短周期时长，则利用预设的短周期数据库的历史运行数据对功耗预测模型进行短周期训练；可见，本发明基于训练间隔时间不同，对功耗预测模型分别自动进行长周期训练和短周期训练，一方面可以避免模型随时间而精度衰减的问题，另一方面短周期数据库相对于长周期数据库数据量少，训练时间短，可以避免频繁采用大量数据集对模型进行训练占用系统资源的问题。而后利用训练后的功耗预测模型对制冷系统的待设定参数进行功耗预测，可以获得较低功耗对应的待设定参数，从而可以降低制冷系统的功耗，有利于提升数据中心的电源使用效率。
106.图3是本发明实施例提供的终端的示意图。如图3所示，该实施例的终端3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个数据中心制冷系统功耗的控制方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示单元21至24的功能。
107.示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如，所述计算机程序32可以被分割成图2所示的单元21至23。
108.终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端3的示例，并不构成对终端3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
109.所称处理器30可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
110.存储器31可以是终端3的内部存储单元，例如终端3的硬盘或内存。存储器31也可以是终端3的外部存储设备，例如终端3上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器31还可以既包括终端3的内部存储单元也包括外部存储设备。存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
111.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、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，在此不再赘述。
112.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
113.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
114.在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
115.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。
116.另外，在本发明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存在，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，也可以采用软件功能单元的形式实现。
117.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
118.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。