模型训练方法、故障确定方法、电子设备和程序产品与流程

1.本公开的实施例总体上涉及计算机技术，具体地涉及模型训练方法、故障确定方法、电子设备和计算机程序产品，可用于磁盘管理领域和数据保护领域。


背景技术：

2.已经提出了许多技术以用于防止由于磁盘故障导致的数据丢失。然而，这些技术通常以关注于整个磁盘故障上，而很少会关注细粒度级别的磁盘健康状况。同时，由于传统的磁盘故障确定技术关注于整个磁盘，因而导致在确定磁盘中存在故障时，也会针对整个磁盘进行统一处理。实际上，当磁盘出现故障时，这些故障经常只会存在于磁盘中的一部分扇区中。因此，传统的磁盘故障确定技术在精细度中存在不足，从而无法支持对磁盘进行细粒度的处理，并且难以满足磁盘的用户和管理员的使用需求。


技术实现要素：

3.本公开的实施例提供了模型训练方法、故障确定方法、电子设备和计算机程序产品。
4.在本公开的第一方面中，提供了一种模型训练方法。该方法包括：获取与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集；获取与至少一个故障扇区相关联的、在第一时间段之后的预定时间点被采集的另一磁盘故障数据集，另一磁盘故障数据集指示关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息；以及基于多个磁盘故障数据集和故障信息来训练故障确定模型，使得经训练的故障确定模型基于多个磁盘故障数据集所确定的、在预定时间点的预测故障信息与故障信息匹配的概率大于第一阈值概率。
5.在本公开的第二方面中，提供了一种故障确定方法。该方法包括：获取与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集；以及基于根据本公开的第一方面而得到的经训练的故障确定模型和多个磁盘故障数据集，确定在第一时间段之后的预定时间点、关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息。
6.在本公开的第三方面中，提供了一种电子设备。该电子设备包括：至少一个处理单元；以及至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得设备执行动作，动作包括：获取与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集；获取与至少一个故障扇区相关联的、在第一时间段之后的预定时间点被采集的另一磁盘故障数据集，另一磁盘故障数据集指示关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息；以及基于多个磁盘故障数据集和故障信息来训练故障确定模型，使得经训练的故障确定模型基于多个磁盘故障数据集所确定的、在预定时间点的预测故障信息与故障信息匹配的概率大于第一阈值概率。
7.在本公开的第四方面中，提供了一种电子设备。该电子设备包括：至少一个处理单元；以及至少一个存储器，至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令，指令当由至少一个处理单元执行时，使得设备执行动作，动作包括：获取与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集；以及基于根据本公开的第三方面而得到的经训练的故障确定模型和多个磁盘故障数据集，确定在第一时间段之后的预定时间点、关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息。
8.在本公开的第五方面中，提供了一种计算机程序产品。该计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令，机器可执行指令在被执行使得机器执行根据本公开的第一方面所描述的方法的任意步骤。
9.在本公开的第六方面中，提供了一种计算机程序产品。该计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令，机器可执行指令在被执行使得机器执行根据本公开的第二方面所描述的方法的任意步骤。
10.提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的实施例的关键特征或必要特征，也无意限制本公开的实施例的范围。
附图说明
11.通过结合附图对本公开的示例性实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开的示例性实施例中，相同的参考标号通常代表相同部件。
12.图1示出了根据本公开的实施例的设备和/或方法可以在其中被实施的模型训练环境100的示意图；
13.图2示出了根据本公开的实施例的模型训练方法200的流程图；
14.图3示出了根据本公开的实施例的模型训练方法300的流程图；
15.图4示出了根据本公开的实施例的故障确定方法400的流程图；以及
16.图5示出了可以用来实施本公开的实施例的示例设备500的示意性框图。
17.在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
18.下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例，然而应该理解，可以按照各种形式实现本公开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使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
19.在本文中使用的术语“包括”及其变形表示开放性包括，例如，“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
20.如以上在背景技术中所描述的，传统的磁盘故障确定技术在精细度中存在不足，从而无法支持对磁盘进行细粒度的处理，并且难以满足磁盘的用户和管理员的使用需求。
21.为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个问题，本公开的实施例提出了一种以细粒度来监测磁盘健康状况、进而针对磁盘进行故障确定的方法。总体而言，在本公开的实施例中，可以将包括大量扇区的一块磁盘划分成例如相同大小的扇区集合，这些扇区集合可以被称为存储块，并且可以被用做虚拟磁盘。此外，在本公开的实施例中，可以关注于磁盘中的扇区或者扇区集合的健康状况，而不是整个磁盘的健康状况。
22.磁盘中的扇区的扇区故障可以包括静默故障和输入输出访问故障。
23.磁盘的扇区的静默故障是指扇区在没有任何访问的空闲期间出现故障，这在磁盘的备份/归档场景中较为常见。然而，在不对扇区进行访问的情况下通常难以确定静默故障。当出现这种故障的扇区数目增加时，将严重影响整个系统存储的可靠性。例如，当某天对磁盘进行读取时，发现独立磁盘冗余阵列无法恢复的故障太多，就会导致数据链路故障。现有的解决方案是定期清理整个磁盘，但这可能会带来意想不到的额外中央处理单元或者输入输出成本。
24.磁盘的输入输出访问故障是指由故障扇区导致的磁盘上的输入输出访问缓慢，这是由磁盘的内部命令重试和恢复引起的。
25.针对以上问题以及潜在的其他问题，本公开关注于如何确定磁盘中的故障扇区集合，并进一步关注于如何确定故障扇区集合的扇区集合故障类型。在本公开的实施例中，利用包括例如后台介质扫描日志的磁盘故障数据集来确定磁盘中的故障扇区，并且通过构建和训练故障确定模型来预测磁盘中将会出现故障的扇区集合以及扇区集合故障类型。以此方式，能够预测出磁盘将会出现故障的扇区集合，以可以预先采取相应的策略，从而能够提高系统可靠性、降低存储成本、提高访问速度等。
26.图1示出了可以在其中实现本公开的某些实施例中的模型训练方法的模型训练环境100的示意性框图。根据本公开的实施例，模型训练环境100可以是云环境。
27.如图1中所示，模型训练环境100包括计算设备110。在模型训练环境100中，例如包括与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集，指示关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息的、与至少一个故障扇区相关联的、在第一时间段之后的预定时间点被采集的另一磁盘故障数据集，或者前述数据的一部分的训练相关数据120作为计算设备110的输入被提供给计算设备110。根据本公开的实施例，训练相关数据120还可以包括训练故障确定模型130所需的其他相关数据和参数等。
28.计算设备110可以与故障确定模型130进行交互，例如，计算设备110可以将训练相关数据120中的至少一部分提供给故障确定模型130，从故障确定模型130接收由故障确定模型130基于训练相关数据120而确定的预测故障信息，以及通过确定由故障确定模型130确定的预测故障信息是否与由另一磁盘故障数据集指示的故障信息匹配来向故障确定模型130发出停止训练的指令。
29.应当理解，模型训练环境100仅仅是示例性而不是限制性的，并且其是可扩展或者可限缩的。例如，模型训练环境100中可以包括更多的计算设备110，并且可以向计算设备
110提供更多的训练相关数据120作为输入，计算设备110也可以与更多的故障确定模型130进行交互，从而使得可以满足更多用户同时利用更多的计算设备110，甚至利用更多的训练相关数据120来同时或者非同时地训练故障确定模型130的需求。
30.在图1所示的模型训练环境100中，向计算设备110输入训练相关数据120以及计算设备110与故障确定模型130之间的交互可以通过网络来进行。
31.以下以图1中所包括的计算设备110，训练相关数据120以及故障确定模型130为例来说明图2、图3和图4中所示出的模型训练方法200、模型训练方法300和故障确定方法400。
32.图2示出了根据本公开的实施例的模型训练方法200的流程图。方法200可以由图1中所示的计算设备110来实现，也可以由其他适当的设备来实现。应当理解，模型训练方法200还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本公开的实施例的范围在此方面不受限制。
33.框202，计算设备110获取与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集。根据本公开的实施例，获取多个磁盘故障数据集可以包括获取在第一时间段内的第一时间点采集的、关于至少一个故障扇区中的每个故障扇区的以下至少一项参数：后台介质扫描日志；日志计数，其指示在后台介质扫描日志中、与故障扇区相关联的后台介质扫描日志的数目；故障扇区所属于的扇区集合的故障计数；以及与故障扇区所属于的扇区集合相邻的扇区集合的故障计数。根据本公开的实施例，第一时间段内的第一时间点可以是指在第一时间段内，采集多个磁盘故障数据集中的任一磁盘故障数据集的时间点，并且与故障扇区所属于的扇区集合相邻的扇区集合可以是在磁盘中按照地址在故障扇区所属于的扇区集合之前和/或之后的预定数目的相邻的扇区集合。
34.后台介质扫描(bms)是磁盘固件内部的后台扫描机制。通过后台介质扫描可以确定磁盘中的故障扇区。故障扇区包括难以读取或者恢复的扇区，无法读取或者恢复的扇区，以及出现相关联的日志出现问题的扇区。通过后台介质扫描，可以针对磁盘中的每个扇区每次出现故障都生成一个后台介质扫描日志。换言之，如果一个磁盘的某个扇区中出现了三次故障，则通过后台介质扫描将针对这个扇区生成三个后台介质扫描日志。前述日志计数可以用于体现针对同一扇区生成的后台介质扫描日志的数目。
35.后台介质扫描日志可以包括以下至少一项：上电时间(pom)，指示在故障扇区出现故障时磁盘的总上电时间；故障扇区的标识；以及故障扇区的故障类型。故障扇区的标识例如可以包括用于指示故障扇区的逻辑块地址。故障扇区的故障类型例如可以包括扇区介质故障或者扇区恢复故障，其可以由后台介质扫描日志中的sense key字段指示。当由于介质缺陷导致无法对磁盘中的扇区进行读取或写入时，会出现扇区介质故障。当命令成功完成，但需要磁盘固件内部的重试或纠错才能取回数据时，会出现扇区恢复故障。
36.在框204，计算设备110获取与至少一个故障扇区相关联的、在第一时间段之后的预定时间点被采集的另一磁盘故障数据集。根据本公开的实施例，另一磁盘故障数据集指示关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息。
37.根据本公开的实施例，在第一时间段内采集多个磁盘故障数据集和在第一时间段之后的预定时间点采集另一磁盘故障数据集的方式可以相同。并且采集多个磁盘故障数据集中的相邻的两个磁盘故障数据集的间隔时间可以与第一时间段的结束到前述预定时间点之间的间隔时间相同。换言之，采集多个磁盘故障数据集可以是指前n次采集，并且采集
另一磁盘故障数据集可以是指第n 1次采集。
38.根据本公开的实施例，磁盘中的故障扇区可以具有较高的空间局域性，并且故障扇区之间可以具有较高的相关性，这意味着与故障扇区或者故障扇区集合相邻的故障扇区或者故障扇区集合在下一次后台介质扫描中往往会被检测到发生故障。在一个示例中，所有故障扇区可以集中在一个小区域内，该区域仅占磁盘总容量的0.0014％。
39.在框206，计算设备110基于多个磁盘故障数据集和故障信息来训练故障确定模型，使得经训练的故障确定模型基于多个磁盘故障数据集所确定的、在预定时间点的预测故障信息与故障信息匹配的概率大于第一阈值概率。
40.根据本公开的实施例，故障确定模型可以是基于随机森林方法而被构建的、用于进行故障扇区集合预测的机器学习模型。
41.根据本公开的实施例，框202和框204涉及获取用于训练故障确定模型的样本，其中框202涉及获取用于确定故障信息所需的数据，框204涉及获取用于确认由经训练的故障确定模型所确定的预测故障信息是否正确的参考标准答案。因此，在框206中，计算设备110可以不断调整训练中的故障确定模型的参数，从而使得经训练的故障确定模型基于多个磁盘故障数据集所确定的、在预定时间点的预测故障信息与故障信息匹配的概率大于第一阈值概率，即预测故障信息收敛到由在框204获取的另一磁盘故障数据集指示的故障信息。
42.图3示出了根据本公开的实施例的模型训练方法300的流程图。方法300可以由图1中所示的计算设备110来实现，也可以由其他适当的设备来实现。应当理解，模型训练方法300还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本公开的实施例的范围在此方面不受限制。
43.在框302，计算设备110获取与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集。框302所涉及的内容与框202所涉及的内容相同，在此不再赘述。
44.在框304，计算设备110获取与至少一个故障扇区相关联的、在第一时间段之后的预定时间点被采集的另一磁盘故障数据集。框304所涉及的内容与框204所涉及的内容相同，在此不再赘述。
45.在框306，计算设备110获取与至少一个故障扇区集合相关联的扇区集合故障类型。根据本公开的实施例，框302同样涉及获取用于确定故障信息所需的数据，并且框304同样涉及获取用于确认由经训练的故障确定模型所确定的预测故障信息是否正确的参考标准答案，因此与至少一个故障扇区集合相关联的扇区集合故障类型可以是由人工标注的扇区集合故障类型。
46.在框308，计算设备110基于多个磁盘故障数据集和故障信息来训练故障确定模型，使得经训练的故障确定模型基于多个磁盘故障数据集所确定的、在预定时间点的预测故障信息与故障信息匹配的概率大于第一阈值概率，并且使得经训练的故障确定模型基于多个磁盘故障数据集所确定的预测扇区集合故障类型与所获取的扇区集合故障类型匹配的概率大于第二阈值概率。框308中所涉及的计算设备110基于多个磁盘故障数据集和故障信息来训练故障确定模型，使得经训练的故障确定模型基于多个磁盘故障数据集所确定的、在预定时间点的预测故障信息与故障信息匹配的概率大于第一阈值概率与框206所涉及的内容相同，在此不再赘述。
47.根据本公开的实施例，框302、框304和框306涉及获取用于训练故障确定模型的样本，其中框306涉及获取用于确认由经训练的故障确定模型所确定的预测扇区集合故障类型是否正确的参考标准答案。因此，在框308中，计算设备110可以不断调整训练中的故障确定模型的参数，从而使得经训练的故障确定模型基于多个磁盘故障数据集所确定的预测扇区集合故障类型与所获取的扇区集合故障类型匹配的概率大于第二阈值概率，即预测扇区集合故障类型收敛到在框306获取的扇区集合故障类型。
48.在框310，计算设备110基于多个磁盘故障数据集确定至少一个故障扇区集合中的故障扇区集合的数目是否大于第一阈值数目。当计算设备110基于多个磁盘故障数据集确定至少一个故障扇区集合中的故障扇区集合的数目大于第一阈值数目时，方法300前进到框312；否则，方法300前进到框314。
49.根据本公开的实施例，第一阈值数目可以是根据磁盘所包括扇区集合的数目而被设置的预设数目。磁盘所包括扇区集合的数目越大，第一阈值数目也可以越大。
50.在框312，计算设备110将预测扇区集合故障类型确定为第一扇区集合故障类型。根据本公开的实施例，第一扇区集合故障类型指示磁盘中的故障扇区集合的数目较大。
51.在框314，计算设备110将针对至少一个故障扇区集合中的、故障扇区的数目大于第二阈值数目的故障扇区集合的扇区集合故障类型确定为第二扇区集合故障类型。
52.根据本公开的实施例，第二阈值数目可以是根据磁盘所包括扇区集合中的扇区的数目而被设置的预设数目。扇区集合中所包括扇区的数目越大，第二阈值数目也可以越大。
53.根据本公开的实施例，第二扇区集合故障类型指示某个扇区集合中的故障扇区的数目较大。
54.根据本公开的实施例，当某个故障扇区集合既不是第一扇区集合故障类型也不是第二扇区集合故障类型，计算设备110可以将这一故障扇区集合确定为第三扇区类型，第三扇区集合故障类型指示某个扇区集合中的故障扇区的数目较小。
55.应当理解，方法300包括比方法200更多的步骤，并且可以被认为是对方法200的扩展。
56.图4示出了根据本公开的实施例的故障确定方法400的流程图。方法400可以由图1中所示的计算设备110来实现，也可以由其他适当的设备来实现。应当理解，故障确定方法400还可以包括未示出的附加步骤和/或可以省略所示出的步骤，本公开的实施例的范围在此方面不受限制。
57.在框402，计算设备110获取与磁盘的至少一个故障扇区相关联的、在第一时间段内被采集的多个磁盘故障数据集。框402所涉及的内容与框202和框302所涉及的内容相同，在此不再赘述
58.在框404，计算设备110基于根据模型训练方法200或者模型训练方法300而得到的经训练的故障确定模型和在框402获取的多个磁盘故障数据集，确定在第一时间段之后的预定时间点、关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息。
59.根据本公开的实施例，确定在第一时间段之后的预定时间点、关于至少一个故障扇区所属于的至少一个故障扇区集合的故障信息可以包括确定前述故障信息以及与至少一个故障扇区集合相关联的扇区集合故障类型。
60.根据本公开的一些实施例，确定扇区集合故障类型可以包括如果确定至少一个故
障扇区集合中的故障扇区集合的数目大于第一阈值数目，则将扇区集合故障类型确定为第一扇区集合故障类型。
61.根据本公开的另一些实施例，确定扇区集合故障类型可以包括如果确定至少一个故障扇区集合中的故障扇区集合的数目小于等于第一阈值数目，则将针对至少一个故障扇区集合中的、故障扇区的数目大于第二阈值数目的故障扇区集合的扇区集合故障类型确定为第二扇区集合故障类型。
62.以上参考图1至图4描述了根据本公开的实施例的设备和/或方法可以在其中被实施的模型训练环境100、根据本公开的实施例的模型训练方法200、根据本公开的实施例的模型训练方法300以及根据本公开的实施例的故障确定方法400的相关内容。应当理解，上述描述是为了更好地展示本公开的实施例中所记载的内容，而不是以任何方式进行限制。
63.应当理解，本公开的实施例以及各个附图中所采用的各种元件的数目和物理量的大小仅为举例，而并不是对本公开的实施例的保护范围的限制。上述数目和大小可以根据需要而被任意设置，而不会对本公开的实施例的正常实施产生影响。
64.通过以上参考图1到图4的描述，根据本公开的实施例的技术方案，提出了一种模型训练方法和故障确定方法，可以基于与故障扇区相关联的磁盘故障数据集来预测磁盘所包括的扇区集合将出现的故障信息，从而可以使得磁盘的用户或者管理员可以预先得知磁盘的扇区集合将会出现的故障状况。此外，基于根据本公开的实施例的技术方案所提出的模型训练方法和故障确定方法，还可以确定故障扇区集合的扇区集合故障类型，从而使得磁盘的用户或者管理员可以预先得知磁盘的扇区集合将会具有的故障类型。
65.以下结合两个示例、利用真阳率(tpr)和假阳率(fpr)来描述根据本公开的实施例的故障确定方法的技术效果。在本公开的示例中，真阳率是指未来会发生故障的扇区集合被正确标识的百分比，假阳率是指未来将不会发生故障的扇区集合被错误标识的百分比。在两个示例中，针对具有固件“gs1f”的4tb磁盘，基于采集到的磁盘故障数据集进行故障确定的真阳率达到98.21％，而假阳率仅为0.913％；针对具有固件“um02”的8tb磁盘，基于采集到的磁盘故障数据集进行故障确定的真阳率达到98.17％，而假阳率仅为0.4％。由此可见，根据本公开的故障确定方法具有非常高的可信度。
66.图5图示出了可以用来实施本公开的实施例的示例设备500的示意性框图。根据本公开的实施例，图1中的计算设备110可以由设备500来实施。如图所示，设备500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序指令，来执行各种适当的动作和处理。在ram 503中，还可以存储设备500操作所需的各种程序和数据。cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
67.设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
68.上文所描述的例如方法200、300和400的各个过程和处理可由处理单元501执行。例如，在一些实施例中，方法200、300和400可以被实现为计算机软件程序，其被有形地包含于例如存储单元508的机器可读介质中。在一些实施例中，计算机程序的部分或者全部可以
经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到ram 503并由cpu 501执行时，可以执行上文描述的方法200、300和400的一个或多个动作。
69.本公开的实施例可以涉及方法、设备、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的实施例的各个方面的计算机可读程序指令。
70.计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是、但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的作为非穷举的列表的更具体的示例包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、例如通过光纤电缆的光脉冲的通过波导或其他传输媒介传播的电磁波、或者通过电线传输的电信号。
71.这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
72.用于执行本公开的实施例的操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c 等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以例如利用因特网服务提供方来通过因特网连接连接到外部计算机。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开的实施例的各个方面。
73.这里参照根据本公开的实施例的方法、设备/系统和计算机程序产品的流程图和/或框图描述了本公开的实施例的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
74.这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定
的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
75.也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
76.附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
77.以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。