一种能源工业云网的数据接入方法及相关设备与流程

1.本发明涉及计算机技术领域，尤其涉及一种能源工业云网的数据接入方法及相关设备。


背景技术：

2.随着科学技术的发展，工业互联网中的数据处理技术不断提高。
3.在能源电力领域，能源工业云网是工业互联网的具体实践和重要载体。能源工业云网可以接收在工业生产场地中的不同类型的电力设备所发送的运行数据，实现设备运行数据在设备控制现场、供应商侧系统和用户侧间的数据共享。其中，工业生产场地中的不同类型的电力设备所发送的运行数据属于多源异构数据。
4.但是，能源工业云网无法有效接收多源异构数据。


技术实现要素：

5.鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的能源工业云网的数据接入方法及相关设备，技术方案如下：
6.一种能源工业云网的数据接入方法，包括：
7.建立基于强化学习体系结构训练好的数据编码模型；
8.获得由至少一个工业现场设备输出的多源异构数据；
9.使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据；
10.将所述多源异构融合数据输入至所述能源工业云网。
11.可选的，所述强化学习体系结构中包括智能代理单元和环境单元；所述智能代理单元为数据规范样本集，所述环境单元中包括数据编码规范、多源异构数据编码方案、跨专业跨系统单元和编码单元。
12.可选的，在基于所述强化学习体系结构对所述数据编码模型进行训练的过程中，所述智能代理单元获得所述环境单元输出的环境状态s
t
和奖赏值r
t
，生成作用于所述环境单元的环境动作t，所述t为规范样本；
13.所述环境单元基于所述t进行规范化编码，获得规范化编码信息，衡量规范化编码信息的广泛兼容性、灵活扩展性和方便使用性，根据衡量结果向所述智能代理单元输出新的环境状态s
t 1
和新的奖赏值r
t 1
；
14.所述方法还包括：循环执行所述智能代理单元与所述环境单元之间的交互过程，直至所述环境单元输出的环境状态和奖赏值符合精度要求。
15.一种能源工业云网的数据接入装置，包括：建立单元、第一获得单元、第二获得单元和输入单元，其中：
16.所述建立单元，用于建立基于强化学习体系结构训练好的数据编码模型；
17.所述第一获得单元，用于获得由至少一个工业现场设备输出的多源异构数据；
18.所述第二获得单元，用于使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据；
19.所述输入单元，用于将所述多源异构融合数据输入至所述能源工业云网。
20.可选的，所述强化学习体系结构中包括智能代理单元和环境单元；所述智能代理单元为数据规范样本集，所述环境单元中包括数据编码规范、多源异构数据编码方案、跨专业跨系统单元和编码单元。
21.可选的，所述装置还包括循环执行单元；其中：
22.所述智能代理单元，用于在基于所述强化学习体系结构对所述数据编码模型进行训练的过程中，获得所述环境单元输出的环境状态s
t
和奖赏值r
t
，生成作用于所述环境单元的环境动作t，所述t为规范样本；
23.所述环境单元，用于基于所述t进行规范化编码，获得规范化编码信息，衡量规范化编码信息的广泛兼容性、灵活扩展性和方便使用性，根据衡量结果向所述智能代理单元输出新的环境状态s
t 1
和新的奖赏值r
t 1
；
24.所述循环执行单元，用于循环执行所述智能代理单元与所述环境单元之间的交互过程，直至所述环境单元输出的环境状态和奖赏值符合精度要求。
25.一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述能源工业云网的数据接入方法。
26.一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述能源工业云网的数据接入方法。
27.本发明提出的能源工业云网的数据接入方法及相关设备，通过建立基于强化学习体系结构训练好的数据编码模型，获得由至少一个工业现场设备输出的多源异构数据，使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据，将所述多源异构融合数据输入至所述能源工业云网，可以实现能源工业云网对多源异构数据的有效接入。
28.上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
29.为了更清楚地说明本技术实施例或现有技术中的技术方案，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技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
30.图1示出了本发明实施例提供的一种能源工业云网的数据接入方法的流程图；
31.图2示出了本发明实施例提供的一种强化学习算法的工作机制示意图；
32.图3示出了本发明实施例提供的一种强化学习体系结构的示意图；
33.图4示出了本发明实施例提供的一种能源工业云网的数据接入装置的结构示意图；
34.图5示出了本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
35.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。
36.如图1所示，本实施例提出了一种能源工业云网的数据接入方法，该方法可以包括以下步骤：
37.s101、建立基于强化学习体系结构训练好的数据编码模型；
38.需要说明的是，数据接入难度和成本是制约工业互联网平台应用的核心痛点之一，而能源工业云网作为工业互联网在能源行业的应用载体，同样会存在相同的问题。具体的，数据量的暴增及数据类型的多样化，导致工业互联网中智能设备接入的接口规范不统一，协议间的模式不匹配，从而导致数据传输受阻。为提高能源工业云网的时效性，避免数据传输延时，本发明可以提供基于强化学习算法训练获得的数据编码模型，使用数据编码模型在对多源异构数据进行有效的数据压缩融合、去除冗余和降噪处理之后，再输入至能源工业云网，使得能源工业云网可以实现无缝切换不同的数据接口以适应不同的通信网络的多样化模式，提高数据兼容性，为电工装备智慧互联体系与应用提供更好的规范与机制。
39.具体的，强化学习算法可以为一种机器学习算法，可以是学习状态和行为之间的一个映射关系，能够使得数据回报达到最大化。如图2所示，强化学习算法可以包括环境单元、状态s、强化信号r、智能代理单元、动作a和新状态s
′
。
40.可选的，所述强化学习体系结构中包括智能代理单元和环境单元；所述智能代理单元为数据规范样本集，所述环境单元中包括数据编码规范、多源异构数据编码方案、跨专业跨系统单元和编码单元。
41.具体的，如图3所示，本发明可以分别将数据规范样本集、数据规范样本、多源异构数据编码方案和规范编码的信息有效性，与强化学习中的智能代理、动作空间、环境奖赏与环境状态进行功能映射。
42.其中，在图3中，智能代理单元中可以包括样本生成策略，可以生成样本0、样本1
……
样本t
‑
2，样本t
‑
1和样本t。
43.其中，在图3中，数据编码规范是指在数据接口规范生成策略的学习过程中，有多种规范方式，常用的有马尔科夫决策过程四元组，从而形成状态空间、动作空间、状态转移概率和奖赏值。具体的，规范后的样本构成规范样本集。
44.其中，多源异构数据编码方案可以为现有技术中的编码方案。具体的，多源异构数据编码方案可以由基础数据模型和专业数据模型组成的标准化数据模型构成，可以根据不同的数据源传输的数据进行模型的选取，从而为形成统一的数据编码形式做准备。具体的，多源异构数据编码方案中可以包括电厂标识系统和电路设备编码等。
45.其中，跨专业跨系统单元可以实现跨系统跨专业的数据共享交互。具体的，当外接系统通过接口接入模型后，跨专业跨系统单元可以将外接系统所提交的数据封装为共享交互消息在模型内进行传递，并且外接系统通过跨专业跨系统单元，可以调用共享交互服务
来完成外接系统的数据请求服务，最终接口将共享交互消息中的数据取出传递给外接系统。
46.其中，编码单元是环境单元的最后环节，对前几个环节传送来的数据进行统一编码处理，从而为实现统一接入奠定基础。
47.需要说明的是，强化学习算法结合能源工业云网的数据接入过程，可以体现出强化学习算法在优化过程中的优势与本质。本发明在利用强化学习体系结构训练数据编码模型的整个过程中，主要可以由两个流程步骤构成一个强化学习的闭环。
48.可选的，在基于所述强化学习体系结构对所述数据编码模型进行训练的过程中，所述智能代理单元获得所述环境单元输出的环境状态s
t
和奖赏值r
t
，生成作用于所述环境单元的环境动作t，所述t为规范样本；
49.所述环境单元基于所述t进行规范化编码，获得规范化编码信息，衡量规范化编码信息的广泛兼容性、灵活扩展性和方便使用性，根据衡量结果向所述智能代理单元输出新的环境状态s
t 1
和新的奖赏值r
t 1
；此时，上述方法还可以包括：循环执行所述智能代理单元与所述环境单元之间的交互过程，直至所述环境单元输出的环境状态和奖赏值符合精度要求。
50.具体的，整个学习过程中之初，智能代理单元可以根据环境状态s
t
与奖赏值r
t
来生成作用于环境的环境动作t，也就是规范样本t。环境单元可以在内部分别对规范化编码信息的广泛兼容性、灵活扩展性和方便使用性进行衡量，根据衡量结果生成当前新的环境状态s
t 1
，并返回一个奖赏值r
t 1
，根据系统制定的优化原理及优化标准，最终符合精度标准的环境状态及奖赏值，即为多源异构融合数据，用于形成接入平台的相关数据源。
51.可选的，本发明可以充分利用强化学习理论来选择累积回报最大的数据接口规范设计。在数据接口规范生成策略的学习过程中，本发明可以明确任务所对应的马尔科夫决策过程四元组，也就是状态空间、动作空间、状态转移概率和奖赏。本发明在对策略进行评估时，可以将策略的累积奖赏定义为下述公式(1)和公式(2)：
[0052][0053][0054]
其中，公式(1)表示“t步累积奖赏”在有模型学习中的计算方式，公式(2)表示“γ折扣累积奖赏”在有模型学习中的计算方式。和均可以表示从状态x出发，使用策略π所带来的累积奖赏。
[0055]
s102、获得由至少一个工业现场设备输出的多源异构数据；
[0056]
其中，多源异构数据可以包括不同工业现场设备输出的、不同类型的运行数据。
[0057]
s103、使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据；
[0058]
具体的，本发明在获得多源异构数据之后，可以使用数据编码模型对多源异构数据进行编码处理，将编码处理后所获得的数据确定为多源异构融合数据。
[0059]
s104、将所述多源异构融合数据输入至所述能源工业云网。
[0060]
具体的，本发明在获得多源异构融合数据之后，即可以将多源异构融合数据输入
至能源工业云网。
[0061]
具体的，本发明将多源异构融合数据输入至能源工业云网，可以加快协议间的模式匹配，更好的降低数据传输延迟，提高能源工业云网的时效性，更为重要的是可以实现无缝切换不同的数据接口以适应不同网络通讯模式的智能化。
[0062]
可选的，本发明可以提出一种能源工业云网智能接入体系架构。该架构可以由第一部分、第二部分和第三部分依次构成。其中，第一部分可以进行通用协议智能解析，在第一部分中，本发明可以通过机器学习方案，数据通过有线、无线设备接口，进行机理建模；运用模式识别，将数据运用已有、未有的协议进行智能解析；利用决策匹配进行数据提取；继而对数据进行格式化处理，数据预处理，并对处理后的数据进行存储。其中，第二部分可以为多源异构数据融合，本发明可以在第二部分中使用基于强化学习体系结构训练获得的数据编码方案；其中，第三部分可以为数据接入体系架构，可以包括编码规范、通用协议、数据融合和智能优化等过程。
[0063]
具体的，本发明通过轻量化的机器学习策略及强化学习算法构建智能解析与数据分析算法，利用数据采样策略，有效地解决多种类多品类设备接入的不匹配、数据分析难和资源利用率低的难题，提高了设备数据接入的通用性，并最大化的兼容不同装备的表示编码，从而提高协议解析与数据分析的正确性，为多种类感知设备的数据接入提供了应用基础。
[0064]
需要说明的是，现有工业互联网数据接入系统边缘设备从“功能机”走向“智能机”已经成为平台发展必然趋势，将大幅提升边缘应用深度和广度。当前主要聚焦网络设备的智能化，未来将进一步向工业设备延伸。现阶段“通用处理器 通用操作系统”成为边缘网关的主流架构，能够支持高性能电机控制等边缘工业需求，但是现实却是工业用户的实时性、可靠性要求严重不足，差异化数据融合方面明显受到现有技术的束缚，缺乏统一的数据接入标准，在大量数据共享和数据交互过程中得不到底层技术和算法保障。本发明可以通过标准化建模的数据共享交互模型，解决跨专业跨系统的数据共享与交互困难的问题，设计基于强化学习算法的接口服务为基础的数据共享交互机制，提出实现设备智能物联平台以及供应商侧系统间的数据共享与高效交互解决方案，使得接受和处理多源异构数据的能力大大加强。
[0065]
本实施例提出的能源工业云网的数据接入方法，通过建立基于强化学习体系结构训练好的数据编码模型，获得由至少一个工业现场设备输出的多源异构数据，使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据，将所述多源异构融合数据输入至所述能源工业云网，可以实现能源工业云网对多源异构数据的有效接入。
[0066]
与图1所示步骤相对应，如图4所示，本实施例提出了一种能源工业云网的数据接入装置，该装置可以包括：建立单元101、第一获得单元102、第二获得单元103和输入单元104，其中：
[0067]
所述建立单元101，用于建立基于强化学习体系结构训练好的数据编码模型；
[0068]
需要说明的是，数据接入难度和成本是制约工业互联网平台应用的核心痛点之一，而能源工业云网作为工业互联网在能源行业的应用载体，同样会存在相同的问题。具体的，数据量的暴增及数据类型的多样化，导致工业互联网中智能设备接入的接口规范不统
一，协议间的模式不匹配，从而导致数据传输受阻。为提高能源工业云网的时效性，避免数据传输延时，本发明可以提供基于强化学习算法训练获得的数据编码模型，使用数据编码模型在对多源异构数据进行有效的数据压缩融合、去除冗余和降噪处理之后，再输入至能源工业云网，使得能源工业云网可以实现无缝切换不同的数据接口以适应不同的通信网络的多样化模式，提高数据兼容性，为电工装备智慧互联体系与应用提供更好的规范与机制。
[0069]
具体的，强化学习算法可以为一种机器学习算法，可以是学习状态和行为之间的一个映射关系，能够使得数据回报达到最大化。
[0070]
可选的，所述强化学习体系结构中包括智能代理单元和环境单元；所述智能代理单元为数据规范样本集，所述环境单元中包括数据编码规范、多源异构数据编码方案、跨专业跨系统单元和编码单元。
[0071]
具体的，本发明可以分别将数据规范样本集、数据规范样本、多源异构数据编码方案和规范编码的信息有效性，与强化学习中的智能代理、动作空间、环境奖赏与环境状态进行功能映射。
[0072]
其中，智能代理单元中可以包括样本生成策略，可以生成样本0、样本1
……
样本t
‑
2，样本t
‑
1和样本t。
[0073]
其中，数据编码规范是指在数据接口规范生成策略的学习过程中，有多种规范方式，常用的有马尔科夫决策过程四元组，从而形成状态空间、动作空间、状态转移概率和奖赏值。具体的，规范后的样本构成规范样本集。
[0074]
其中，多源异构数据编码方案可以为现有技术中的编码方案。具体的，多源异构数据编码方案可以由基础数据模型和专业数据模型组成的标准化数据模型构成，可以根据不同的数据源传输的数据进行模型的选取，从而为形成统一的数据编码形式做准备。具体的，多源异构数据编码方案中可以包括电厂标识系统和电路设备编码等。
[0075]
其中，跨专业跨系统单元可以实现跨系统跨专业的数据共享交互。具体的，当外接系统通过接口接入模型后，跨专业跨系统单元可以将外接系统所提交的数据封装为共享交互消息在模型内进行传递，并且外接系统通过跨专业跨系统单元，可以调用共享交互服务来完成外接系统的数据请求服务，最终接口将共享交互消息中的数据取出传递给外接系统。
[0076]
其中，编码单元是环境单元的最后环节，对前几个环节传送来的数据进行统一编码处理，从而为实现统一接入奠定基础。
[0077]
需要说明的是，强化学习算法结合能源工业云网的数据接入过程，可以体现出强化学习算法在优化过程中的优势与本质。本发明在利用强化学习体系结构训练数据编码模型的整个过程中，主要可以由两个流程构成一个强化学习的闭环。
[0078]
可选的，所述装置还包括循环执行单元；其中：
[0079]
所述智能代理单元，用于在基于所述强化学习体系结构对所述数据编码模型进行训练的过程中，获得所述环境单元输出的环境状态s
t
和奖赏值r
t
，生成作用于所述环境单元的环境动作t，所述t为规范样本；
[0080]
所述环境单元，用于基于所述t进行规范化编码，获得规范化编码信息，衡量规范化编码信息的广泛兼容性、灵活扩展性和方便使用性，根据衡量结果向所述智能代理单元输出新的环境状态s
t 1
和新的奖赏值r
t 1
；
[0081]
所述循环执行单元，用于循环执行所述智能代理单元与所述环境单元之间的交互过程，直至所述环境单元输出的环境状态和奖赏值符合精度要求。
[0082]
具体的，整个学习过程中之初，智能代理单元可以根据环境状态s
t
与奖赏值r
t
来生成作用于环境的环境动作t，也就是规范样本t。环境单元可以在内部分别对规范化编码信息的广泛兼容性、灵活扩展性和方便使用性进行衡量，根据衡量结果生成当前新的环境状态s
t 1
，并返回一个奖赏值r
t 1
，根据系统制定的优化原理及优化标准，最终符合精度标准的环境状态及奖赏值，即为多源异构融合数据，用于形成接入平台的相关数据源。
[0083]
可选的，本发明可以充分利用强化学习理论来选择累积回报最大的数据接口规范设计。在数据接口规范生成策略的学习过程中，本发明可以明确任务所对应的马尔科夫决策过程四元组，也就是状态空间、动作空间、状态转移概率和奖赏。本发明在对策略进行评估时，可以将策略的累积奖赏定义为下述公式(1)和公式(2)：
[0084][0085][0086]
其中，公式(1)表示“t步累积奖赏”在有模型学习中的计算方式，公式(2)表示“γ折扣累积奖赏”在有模型学习中的计算方式。和均可以表示从状态x出发，使用策略π所带来的累积奖赏。
[0087]
所述第一获得单元102，用于获得由至少一个工业现场设备输出的多源异构数据；
[0088]
其中，多源异构数据可以包括不同工业现场设备输出的、不同类型的运行数据。
[0089]
所述第二获得单元103，用于使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据；
[0090]
具体的，本发明在获得多源异构数据之后，可以使用数据编码模型对多源异构数据进行编码处理，将编码处理后所获得的数据确定为多源异构融合数据。
[0091]
所述输入单元104，用于将所述多源异构融合数据输入至所述能源工业云网。
[0092]
具体的，本发明在获得多源异构融合数据之后，即可以将多源异构融合数据输入至能源工业云网。
[0093]
具体的，本发明将多源异构融合数据输入至能源工业云网，可以加快协议间的模式匹配，更好的降低数据传输延迟，提高能源工业云网的时效性，更为重要的是可以实现无缝切换不同的数据接口以适应不同网络通讯模式的智能化。
[0094]
可选的，本发明可以提出一种能源工业云网智能接入体系架构。该架构可以由第一部分、第二部分和第三部分依次构成。其中，第一部分可以进行通用协议智能解析，在第一部分中，本发明可以通过机器学习方案，数据通过有线、无线设备接口，进行机理建模；运用模式识别，将数据运用已有、未有的协议进行智能解析；利用决策匹配进行数据提取；继而对数据进行格式化处理，数据预处理，并对处理后的数据进行存储。其中，第二部分可以为多源异构数据融合，本发明可以在第二部分中使用基于强化学习体系结构训练获得的数据编码方案；其中，第三部分可以为数据接入体系架构，可以包括编码规范、通用协议、数据融合和智能优化等过程。
[0095]
具体的，本发明通过轻量化的机器学习策略及强化学习算法构建智能解析与数据
分析算法，利用数据采样策略，有效地解决多种类多品类设备接入的不匹配、数据分析难和资源利用率低的难题，提高了设备数据接入的通用性，并最大化的兼容不同装备的表示编码，从而提高协议解析与数据分析的正确性，为多种类感知设备的数据接入提供了应用基础。
[0096]
需要说明的是，现有工业互联网数据接入系统边缘设备从“功能机”走向“智能机”已经成为平台发展必然趋势，将大幅提升边缘应用深度和广度。当前主要聚焦网络设备的智能化，未来将进一步向工业设备延伸。现阶段“通用处理器 通用操作系统”成为边缘网关的主流架构，能够支持高性能电机控制等边缘工业需求，但是现实却是工业用户的实时性、可靠性要求严重不足，差异化数据融合方面明显受到现有技术的束缚，缺乏统一的数据接入标准，在大量数据共享和数据交互过程中得不到底层技术和算法保障。本发明可以通过标准化建模的数据共享交互模型，解决跨专业跨系统的数据共享与交互困难的问题，设计基于强化学习算法的接口服务为基础的数据共享交互机制，提出实现设备智能物联平台以及供应商侧系统间的数据共享与高效交互解决方案，使得接受和处理多源异构数据的能力大大加强。
[0097]
本实施例提出的能源工业云网的数据接入装置，通过建立基于强化学习体系结构训练好的数据编码模型，获得由至少一个工业现场设备输出的多源异构数据，使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据，将所述多源异构融合数据输入至所述能源工业云网，可以实现能源工业云网对多源异构数据的有效接入。
[0098]
上述能源工业云网的数据接入装置包括处理器和存储器，上述建立单元、第一获得单元、第二获得单元和输入单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0099]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现能源工业云网的数据接入。
[0100]
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述能源工业云网的数据接入方法。
[0101]
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述能源工业云网的数据接入方法。
[0102]
如图5所示，本发明实施例提供了一种电子设备100，电子设备100包括至少一个处理器200、以及与处理器200连接的至少一个存储器300、总线400；其中，处理器200、存储器300通过总线400完成相互间的通信；处理器200用于调用存储器300中的程序指令，以执行上述能源工业云网的数据接入方法。本发明中的电子设备可以是服务器、pc、pad、手机等。
[0103]
本发明还提供了一种计算机程序产品，当在电子设备上执行时，适于执行初始化有如下方法步骤的程序：
[0104]
建立基于强化学习体系结构训练好的数据编码模型；
[0105]
获得由至少一个工业现场设备输出的多源异构数据；
[0106]
使用所述数据编码模型对所述多源异构数据进行编码处理，以获得多源异构融合数据；
[0107]
将所述多源异构融合数据输入至所述能源工业云网。
[0108]
本发明是参照根据本发明实施例的方法、装置、电子设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0109]
在一个典型的配置中，电子设备包括一个或多个处理器(cpu)、存储器和总线。电子设备还可以包括输入/输出接口、网络接口等。
[0110]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
[0111]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0112]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0113]
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0114]
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。