一种无线资源调度方法、装置，WiFi设备及存储介质与流程

一种无线资源调度方法、装置，wifi设备及存储介质
技术领域
1.本技术涉及通信技术领域，具体而言，涉及一种无线资源调度方法、装置，wifi设备及存储介质。


背景技术：

2.随着移动通信的发展和人们生活水平的不断提高，各种终端设备如手机、平板、个人计算机的使用越来越普及，各种终端设备已经成为人们生活中不可缺少的通信工具。
3.目前wifi(一种无线网络通信技术)技术已经在终端设备得到广泛的应用，然而，当wifi技术应用到复杂的无线环境中，往往会出现连接不稳定、卡顿、流量不通畅等问题。


技术实现要素：

4.本技术实施例的目的在于提供一种无线资源调度方法、装置，wifi设备及存储介质，改善wifi设备所处的无线环境中的使用性能。
5.本发明是这样实现的：
6.第一方面，本技术实施例提供一种无线资源调度方法，应用于wifi设备，所述方法包括：获取检测信息；其中，所述检测信息包括所述wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的至少一个；将所述检测信息输入到预先训练好的神经网络计算模型中，得到所述wifi设备所处环境的无线环境参数；其中，所述无线环境参数包括所述wifi设备所在信道的业务繁忙程度；基于所述无线环境参数进行无线资源调度。
7.在复杂的无线环境中，wifi设备出现连接不稳定、卡顿、流量不通畅等问题是由于信道拥塞所导致的。因此，在本技术实施例中，wifi设备在使用过程中，当获取到检测信息，可以将其输入至预先训练好的神经网络模型中，进而得到自身所处环境的无线环境参数，最后，利用无线环境参数来进行无线资源的动态调度，通过该方式，能够有效地解决信道拥塞所导致的连接不稳定、卡顿、流量不通畅等问题。
8.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述无线环境参数还包括：所述wifi设备与其他wifi设备的相对位置信息和/或所述其他wifi设备的发射功率。
9.在本技术实施例中，wifi设备可以结合wifi设备与其他wifi设备的相对位置信息和/或其他wifi设备的发射功率来进行无线资源调度，以进一步地提高无线资源调度的合理性和准确性。
10.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述无线环境参数同时包括所述wifi设备所在信道的业务繁忙程度、所述wifi设备与所述其他wifi设备的相对位置信息及所述其他wifi设备的发射功率时，所述神经网络计算模型包括第一神经网络计算模型、第二神经网络计算模型及第三神经网络计算模型，所述将所述检测信息输入到预先训练好的神经网络计算模型中，得到所述wifi设备所处环境的无线环境参数，包括：将所述检测信息输入到所述第一神经网络计算模型中，得到所述wifi设备所在信道的业务
繁忙程度；将所述检测信息输入到所述第二神经网络计算模型中，得到所述wifi设备与所述其他wifi设备的相对位置信息；将所述检测信息输入到所述第三神经网络计算模型中，得到所述其他wifi设备的发射功率。
11.由于每个神经网络计算模型仅用于输出一类信息，因此，在训练时能够更好的调节每个神经网络计算模型的网络参数，进而使得通过三个神经网络计算模型所得到的三类信息更加准确，进而可以进一步地提高无线资源调度的有效性。
12.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述无线资源包括频率资源、空间资源、时间资源中的至少一种。
13.结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述业务帧信息包括所述其他wifi设备的mac地址以及rssi信息。
14.结合上述第一方面提供的技术方案，在一些可能的实现方式中，通过如下步骤得到所述神经网络计算模型，包括：获取训练样本数据；其中，所述训练样本数据包括样本检测信息以及与所述样本检测信息所对应参考信息；其中，所述样本检测信息包括样本wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的至少一个；所述参考信息包括所述样本wifi设备所处环境的无线环境参数；基于所述训练样本数据对初始的神经网络计算模型进行有监督训练，得到所述神经网络计算模型。
15.第二方面，本技术实施例提供一种无线资源调度装置，应用于wifi设备，所述装置包括：获取模块，用于获取检测信息；其中，所述检测信息包括所述wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的至少一个；预测模块，用于将所述检测信息输入到预先训练好的神经网络计算模型中，得到所述wifi设备所处环境的无线环境参数；其中，所述无线环境参数包括所述wifi设备所在信道的业务繁忙程度；调度模块，用于基于所述无线环境参数进行无线资源调度。
16.第三方面，本技术实施例提供一种wifi设备，包括：处理器和存储器；所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于运行存储在所述存储器中的程序，执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
17.结合上述第三方面提供的技术方案，在一些可能的实现方式中，所述wifi设备为ap设备或sta站点。
18.第四方面，本技术实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时，执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法。
附图说明
19.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
20.图1为本技术实施例提供的一种无线通信系统的模块框图。
21.图2为本技术实施例提供的一种wifi设备的模块框图。
22.图3为本技术实施例提供的一种无线资源调度方法的步骤流程图。
23.图4为本技术实施例提供的一种模型训练方法的步骤流程图。
24.图5为本技术实施例提供的一种无线资源调度装置的模块框图。
25.图标：10-无线通信系统；100-ap设备；110-处理器；120-存储器；200-sta站点；300-无线资源调度装置；310-获取模块；320-预测模块；330-调度模块。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
27.请参阅图1，本技术实施例提供一种无线通信系统10，包括：ap(access point，访问接入点)设备100以及sta(station，工作站)站点200。
28.其中，ap设备100以及sta站点200均可以作为一个wifi设备以实现通过wifi通信。
29.两个以上能够相互通信的wifi设备组成一个bss(basic service set，基本服务集)，而若干bss组成一个ess(extended service set，扩展服务单元)。
30.上述的sta站点200可以是手机、笔记本电脑、平板电脑等无线终端。
31.上述的ap设备100具有接入上层网络、支持路由等功能，其可以是无线路由器，对此，本技术不作限定。
32.请参阅图2，本技术实施例提供的一种应用无线资源调度方法及装置的wifi设备的示意性结构框图。本技术实施例中，wifi设备可以是上述的ap设备100或sta站点200，本技术不作限定。
33.在结构上，wifi设备可以包括处理器110和存储器120。
34.处理器110与存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。无线资源调度装置包括至少一个可以软件或固件(firmware)的形式存储在存储器120中或固化在wifi设备的操作系统(operating system，os)中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，无线资源调度装置所包括的软件功能模块及计算机程序等，以实现无线资源调度方法。处理器110可以在接收到执行指令后，执行计算机程序。
35.其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是中央处理器(central processing unit，cpu)、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
36.存储器120可以是，但不限于，随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、可编程只读存储器(programmable read-only memory，prom)、可擦可编程序只读存储器(erasable programmable read-only memory，eprom)，以及电可擦编程只读存储器(electric erasable programmable read-only memory，eeprom)。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
37.需要说明的是，图2所示的结构仅为示意，本技术实施例提供的wifi设备还可以具有比图2更少或更多的组件，或是具有与图2所示不同的配置。此外，图2所示的各组件可以
通过软件、硬件或其组合实现。
38.请参阅图3，图3为本技术实施例提供的无线资源调度方法的步骤流程图，该方法应用于图2所示的wifi设备。需要说明的是，本技术实施例提供的无线资源调度方法不以图3及以下所示的顺序为限制，该方法包括：步骤s101-步骤s103。
39.步骤s101：获取检测信息。
40.其中，检测信息包括wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的至少一个。即，检测信息可以仅包括wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的任意一个，也可以是包括wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的任意两个。检测信息也可以同时包括wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息。
41.其中，wifi设备中预先配置有cca(clear channel assessment，空闲信道评估)功能以及信道侦听功能，wifi设备在使用过程中可以通过cca功能获取空闲信道评估信息、以及通过信道侦听功能获取信道侦听信息。
42.cca功能可以包括载波侦听和/或能量检测。载波侦听主要获取的空闲信道评估信息包括扩频信号和/或载波频率。能量检测主要获取的空闲信道评估信息包括信号能量。
43.而通过信道侦听功能获取的信道侦听信息主要包括信道估计参数；需要说明的是，信道估计参数主要用于表示信道的通信质量或变化。
44.wifi设备在使用过程中，会预先配置其所在信道。以2.4g频段为例，其可使用的信道一共有13个。wifi设备可以预先配置在这13个信道中的任意一个。
45.业务帧信息主要是wifi设备所接收到的帧信息，其可以是无线通信系统中的其他wifi设备发给本wifi设备的，也可以不是发给本wifi设备的，本技术不作限定。
46.一实施例中，业务帧信息可以具体包括其他wifi设备的mac(media access control address，媒体存取控制位址)地址以及rssi(received signal strength indicator，接收信号的强度指示)信息。
47.步骤s102：将检测信息输入到预先训练好的神经网络计算模型中，得到wifi设备所处环境的无线环境参数。
48.其中，无线环境参数包括wifi设备所在信道的业务繁忙程度。业务繁忙程度可以通过百分制呈现，比如业务繁忙程度的范围从0％至100％。数值越大，该信道的业务越繁忙。
49.在获取到上述的检测信息后，将其输入至预先已经训练好的神经网络计算模型中进行计算，进而得到wifi设备所处环境的无线环境参数。
50.具体的，预先训练好神经网络计算模型后，将其配置在wifi设备中。在wifi设备的工作过程中，wifi设备可以持续的获取上述检测信息，然后调用配置在自身的神经网络计算模型，利用神经网络计算模型内部已经训练好的网络参数，对检测信息进行计算，进而得到wifi设备所在信道的业务繁忙程度。
51.步骤s103：基于无线环境参数进行无线资源调度。
52.最后，wifi设备可以根据当前信道的繁忙程度，进行无线资源调度。具体的，该无线资源可以是频率资源。频率资源可以具体包括信道资源或者该信道的子频带资源。
53.示例性的，若当前信道为繁忙状态，则wifi设备可以进行信道切换，比如当前信道
为信道12，则可以将当前信道切换为11。
54.在其他实施例中，也可以是改变该信道的资源分配，比如当wifi-6中引入ofdma(orthogonal frequency division multiple access，正交频分多址)时，可以改变子载波资源分配，对此，本技术不作限定。
55.在复杂的无线环境中，wifi设备出现连接不稳定、卡顿、流量不通畅等问题是由于信道拥塞所导致的。因此，在本技术实施例中，wifi设备在使用过程中，当获取到检测信息，可以将其输入至预先训练好的神经网络模型中，进而得到自身所处环境的无线环境参数，最后，利用无线环境参数来进行无线资源的动态调度，通过该方式，能够有效地解决信道拥塞所导致的连接不稳定、卡顿、流量不通畅等问题。通过该方式，也进一步提高无线资源的利用效率，提高吞吐率。
56.请参阅图4，下面对上述神经网络计算模型的训练过程进行说明，该方法包括：步骤s201-步骤s202。
57.步骤s201：获取训练样本数据。
58.其中，训练样本数据包括样本检测信息以及与样本检测信息所对应参考信息。
59.其中，样本检测信息包括样本wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的至少一个。样本wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息可以参考前述实施例中对wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息的说明，此处不作重复说明。
60.参考信息包括样本wifi设备所处环境的无线环境参数。由于神经网络计算模型为有监督训练，因此，需要预先构建理论输出值，理论输出值即为此处的样本wifi设备所处环境的无线环境参数。其中，样本wifi设备所处环境的无线环境参数可以包括样本wifi设备所在信道的业务繁忙程度。业务繁忙程度可以通过百分制呈现，比如业务繁忙程度的范围从0％至100％。数值越大，信道的业务越繁忙。
61.步骤s202：基于训练样本数据对初始的神经网络计算模型进行有监督训练，得到神经网络计算模型。
62.在得到训练样本数据后，对初始的神经网络计算模型进行有监督训练直至模型收敛，得到神经网络计算模型。需要说明的是，本技术实施例所提供的初始的神经网络计算模型可以采用目前已有的神经网络模型，本技术不作过多说明。
63.可选地，为了能够提高神经网络计算模型的预测效果，还需要对该神经网络计算模型进行评估。因此，在获取训练样本数据之前，所述方法还包括：获取训练样本数据集合；将训练样本数据集合按照预设的比例分为训练样本数据和测试样本数据。
64.本技术实施例中的预设的比例为3比1，也即，将训练样本数据集合按照3比1的比例分为训练样本数据和测试样本数据，训练样本数据占3份，测试样本数据占1份。
65.可以理解的是，在其他实施例中，预设的比例还可以是4比1、5比1，甚至还可以是1比1。对此，本技术不作限定。
66.然后根据比例，将训练样本数据输入至初始的神经网络计算模型中，进行训练。比如，在本技术实施例中预设比例为3比1，则将占3份训练样本数据输入深度神经网络分割模型中，进行模型训练。
67.在将训练样本数据输入至初始的神经网络计算模型中，进行模型训练之后，所述
方法还包括：将测试样本数据输入至神经网络计算模型中，采用评估指标对神经网络计算模型进行评估。
68.上述的评估指标可以包括但不限于误差、准确率等等。
69.在完成上述神经网络计算模型的训练后，将其配置在wifi设备中，以便于wifi设备在后续使用过程中能够调用该神经网络计算模型进行实现无线资源调度。
70.在一实施例中，基于神经网络计算模型得到的无线环境参数还可以包括wifi设备与其他wifi设备的相对位置信息以及其他wifi设备的发射功率。
71.一实施例中，神经网络计算模型的输入和输出均可以包括三类信息。
72.神经网络计算模型的输入包括：wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息。
73.而神经网络计算模型的输出包括：wifi设备所在信道的业务繁忙程度、wifi设备与其他wifi设备的相对位置信息以及其他wifi设备的发射功率。
74.其中，wifi设备与其他wifi设备的相对位置信息可以包括wifi设备与其他wifi设备的直线距离，或者以wifi设备作为中点，此时wifi设备与其他wifi设备的角度信息，对此，本技术不作限定。
75.需要说明的是，wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息均与wifi设备与其他wifi设备的相对位置信息相关联，比如，空闲信道评估信息包括信号能量时，可以根据信号能量估计出自身与对端的距离，如信号能量越强，则在一定程度上表征距离越近。又比如，信道侦听信息包括信道估计参数，信道估计参数主要用于表征信道的通信质量，通信质量越好，则在一定程度上表征距离越近。又比如，业务帧信息中的rssi信息用于表征接收信号的强度，强度越强，则在一定程度上表征距离越近(信号强弱还与遮挡物有关)。于本技术实施例中，同时结合wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息确定出wifi设备与其他wifi设备的相对位置信息。
76.同理，wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息均与其他wifi设备的发射功率相关联。
77.由于神经网络计算模型能够输出wifi设备与其他wifi设备的相对位置信息以及其他wifi设备的发射功率，因此，wifi设备在后续无线资源调度时，能够参考这两项信息进而实现更加合理且有效地无线资源调度。
78.比如，无线资源还可以包括空间资源以及时间资源。
79.其中，空间资源可以包括能量的发射范围、空间流数目等等；而时间资源定义为时间片上不同业务和不同用户的分配。
80.示例性的，wifi设备可以结合自身与其他wifi设备的相对位置信息来确定空闲的区域，比如，wifi设备的右侧的其他wifi设备过多，则此时可以将能量向wifi设备的左侧空间发射。
81.具体的，wifi设备还可以通过位置信息来动态调整cca门限，以控制监听范围。由于wifi设备的移动性，wifi网络中监听到的同频干扰不是静态，因此引入该动态cca机制，来改善同频信道间的干扰，通过自身位置信息，动态调整cca门限，提升系统吞吐容量。示例性的，wifi设备在自身位置，且门限值为-82dbm监听到该信道被占用，则将cca门限从当前的-82dbm提升到-72dbm。
82.当然，在其他实施例中，无线资源也可以是包括频率资源和空间资源，无线资源也可以是包括频率资源和时间资源，对此，本技术不作限定。
83.此外，在其他实施例中，神经网络计算模型的输出也可以是前述三类信息中的任意两种，比如，神经网络计算模型的输出可以是wifi设备所在信道的业务繁忙程度和wifi设备与其他wifi设备的相对位置信息。神经网络计算模型的输出也可以是wifi设备所在信道的业务繁忙程度和其他wifi设备的发射功率。神经网络计算模型的输出还可以是wifi设备与其他wifi设备的相对位置信息以及其他wifi设备的发射功率，对此，本技术不作限定。
84.需要说明的是，神经网络计算模型的输出由神经网络计算模型进行何种训练所决定。比如，在神经网络模型的训练过程中，若参考信息包括样本wifi设备所在信道的业务繁忙程度，则训练好的神经网络模型可用于预测出wifi设备所在信道的业务繁忙程度。而若参考信息同时包括样本wifi设备所在信道的业务繁忙程度以及样本wifi设备与其他wifi设备的相对位置信息，则训练好的神经网络模型可用于预测wifi设备所在信道的业务繁忙程度以及wifi设备与其他wifi设备的相对位置信息。而若参考信息包括样本wifi设备所在信道的业务繁忙程度、其他wifi设备的发射功率以及样本wifi设备与其他wifi设备的相对位置信息时，则训练好的神经网络模型可用于wifi设备所在信道的业务繁忙程度、其他wifi设备的发射功率以及wifi设备与其他wifi设备的相对位置信息。
85.此外，为了提高对三类信息的预测的准确性，于本技术实施例中，可以同时构建三个神经网络计算模型。比如训练好的升级网络计算模型可以包括：第一神经网络计算模型、第二神经网络计算模型及第三神经网络计算模型。
86.其中，第一神经网络计算模型可以用于预测wifi设备所在信道的业务繁忙程度，第二神经网络计算模型可以用于预测wifi设备与所述其他wifi设备的相对位置信息，而第三神经网络计算模型可以用于预测其他wifi设备的发射功率。
87.相应的，步骤s102可以具体包括：将检测信息输入到第一神经网络计算模型中，得到wifi设备所在信道的业务繁忙程度；将检测信息输入到第二神经网络计算模型中，得到wifi设备与其他wifi设备的相对位置信息；将检测信息输入到第三神经网络计算模型中，得到其他wifi设备的发射功率。
88.可见，由于每个神经网络计算模型仅用于输出一类信息，因此，在训练时能够更好的调节每个神经网络计算模型的网络参数，进而使得通过三个神经网络计算模型所得到的三类信息更加准确，进而可以进一步地提高无线资源调度的有效性。
89.请参阅图5，基于同一发明构思，本技术实施例还提供一种无线资源调度装置300，应用于wifi设备，所述装置包括：
90.获取模块310，用于获取检测信息；其中，所述检测信息包括所述wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的至少一个；
91.预测模块320，用于将所述检测信息输入到预先训练好的神经网络计算模型中，得到所述wifi设备所处环境的无线环境参数；其中，所述无线环境参数包括所述wifi设备所在信道的业务繁忙程度；
92.调度模块330，用于基于所述无线环境参数进行无线资源调度。
93.可选地，所述无线环境参数还包括：所述wifi设备与其他wifi设备的相对位置信息和/或所述其他wifi设备的发射功率。
94.可选地，所述无线环境参数同时包括所述wifi设备所在信道的业务繁忙程度、所述wifi设备与所述其他wifi设备的相对位置信息及所述其他wifi设备的发射功率时，所述神经网络计算模型包括第一神经网络计算模型、第二神经网络计算模型及第三神经网络计算模型，预测模块320还具体用于将所述检测信息输入到所述第一神经网络计算模型中，得到所述wifi设备所在信道的业务繁忙程度；将所述检测信息输入到所述第二神经网络计算模型中，得到所述wifi设备与所述其他wifi设备的相对位置信息；将所述检测信息输入到所述第三神经网络计算模型中，得到所述其他wifi设备的发射功率。
95.可选地，所述无线资源包括频率资源、空间资源、时间资源中的至少一种。
96.可选地，所述业务帧信息包括所述其他wifi设备的mac地址以及rssi信息。
97.可选地，该装置还包括训练模块。训练模块用于获取训练样本数据；其中，所述训练样本数据包括样本检测信息以及与所述样本检测信息所对应参考信息；其中，所述样本检测信息包括样本wifi设备所在信道的空闲信道评估信息、信道侦听信息以及业务帧信息中的至少一个；所述参考信息包括所述样本wifi设备所处环境的无线环境参数；基于所述训练样本数据对初始的神经网络计算模型进行有监督训练，得到所述神经网络计算模型。
98.基于同一发明构思，本技术实施例还提供一种存储介质，其上存储有计算机程序，计算机程序在被计算机运行时执行上述实施例中提供的方法。
99.该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
100.在本技术所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。
101.另外，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。
102.再者，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
103.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
104.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。