数据处理方法及装置与流程

1.本说明书一个或多个实施例涉及计算机技术领域，尤其涉及一种数据处理方法及装置。


背景技术：

2.随着边缘计算的兴起，边缘计算和云计算能够结合形成终端设备、边缘计算和云计算协同的分布式计算架构（端边云架构）。在端边云架构中，边缘节点上可以部署有各类深度学习模型，并向端节点和云节点提供服务。
3.相关技术中，边缘节点上部署的深度学习模型通常基于流式计算策略完成模型的推理和数据回流。然而在对数据实时性要求不高的应用场景下，流式计算策略会占用较多的系统资源，从而造成资源的浪费。因此，如何使当前边缘节点上的流式计算链路能够兼容批量计算策略便成了亟待解决的问题。


技术实现要素：

4.有鉴于此，本说明书一个或多个实施例提供一种数据处理方法及装置。
5.为实现上述目的，本说明书一个或多个实施例提供技术方案如下：根据本说明书一个或多个实施例的第一方面，提出了一种数据处理方法，应用于端边云架构中的边缘节点，端边云架构包括相互连接的端节点、边缘节点和云节点，该方法包括：构建特征数据集，特征数据集包括至少一个初始特征数据，初始特征数据由端节点采集后上传至边缘节点；将特征数据集输入深度学习模型，生成至少一个中间特征数据；将至少一个中间特征数据回流至端节点和/或云节点，以使端节点和/或云节点根据至少一个中间特征数据进行模型推理或模型训练。
6.根据本说明书一个或多个实施例的第二方面，提出了一种数据处理装置，应用于端边云架构中的边缘节点，端边云架构包括相互连接的端节点、边缘节点和云节点，该装置包括：构建模块，用于构建特征数据集，特征数据集包括至少一个初始特征数据，初始特征数据由端节点采集后上传至边缘节点；生成模块，用于将特征数据集输入深度学习模型，生成至少一个中间特征数据；回流模块，用于将至少一个中间特征数据回流至端节点和/或云节点，以使端节点和/或云节点根据至少一个中间特征数据进行模型推理或模型训练。
7.根据本说明书一个或多个实施例的第三方面，提出了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器通过运行可执行指令以实现如第一方面的方法。
8.根据本说明书一个或多个实施例的第四方面，提出了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面方法的步骤。
9.本说明书提供的数据处理方法，可以应用于端边云架构中的边缘节点。其中，端边云架构包括相互连接的端节点、边缘节点和云节点。具体地，该方法包括：构建特征数据集，特征数据集包括至少一个初始特征数据，初始特征数据由端节点采集后上传至边缘节点；将特征数据集输入深度学习模型，生成至少一个中间特征数据；将至少一个中间特征数据回流至端节点和/或云节点，以使端节点和/或云节点根据至少一个中间特征数据进行模型推理或模型训练。本说明书提供的方案，通过将端节点上传的初始特征数据构建为容量不固定的特征数据集，从而控制深度学习模型中同时输入的初始特征数据的数量，进而使边缘节点上的数据处理链路能够同时兼容流式计算策略和批量计算策略。
附图说明
10.图1是一示例性实施例提供的一种系统架构示意图。
11.图2是一示例性实施例提供的一种数据处理方法的流程示意图。
12.图3是一示例性实施例提供的云节点、边缘节点和端节点的交互过程示意图。
13.图4是一示例性实施例提供的一种设备的结构示意图。
14.图5是一示例性实施例提供的一种数据处理装置的结构示意图。
具体实施方式
15.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
16.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
17.为便于理解，首先对本说明书出现的术语进行解释。
18.流式计算（stream computing）是指对实时数据流进行逐条处理的方式。在流式计算中，无需等待所有数据到达才开始计算。数据以连续、持续的方式进入系统，被分成若干个小的区块，然后逐个处理。流式计算适用于需要实时响应和快速处理数据的场景，如实时监控、广告投放、网络安全等。
19.批量计算（batch computing）是对一组数据进行批量处理的方式。在批量计算中，数据被分成批次后，整批进行处理。批量计算通常在大规模、离线的数据集上进行，可以高效地进行复杂的计算任务。批量计算适用于对实时性要求相对较低的场景，如数据分析、机器学习训练等。
20.边缘计算，是一种将软件处理逻辑部署在更靠近用户设备和数据产生方的网络架
构上的计算和通讯方式。相较于传统的云计算或中央计算模式，边缘计算可以显著降低中心带宽节省成本并降低延迟，带来更好的用户体验。
21.随着边缘计算的兴起，边缘计算和云计算能够结合形成终端设备、边缘计算和云计算协同的分布式计算架构（端边云架构）。在端边云架构中，边缘节点上可以部署有各类深度学习模型，并向端节点和云节点提供服务。
22.相关技术中，边缘节点上部署的深度学习模型通常基于流式计算策略完成模型的推理和数据回流。然而在对数据实时性要求不高的应用场景下，流式计算策略会持续占用较多的系统资源，从而造成资源的浪费。与之相对的，批量计算策略虽然能够短时间完成大量的数据的处理，但无法满足一些应用对实时性传输的要求。
23.因此，为了使边缘节点能使实现较优的资源分配，可以使边缘节点根据具体的应用场景选择不同的计算策略。由此，如何使当前边缘节点上的流式计算链路能够兼容批量计算策略便成了亟待解决的问题。
24.有鉴于此，本说明书提供的方案，通过构建特征数据集，特征数据集包括至少一个初始特征数据，初始特征数据由端节点采集后上传至边缘节点；将特征数据集输入深度学习模型，生成至少一个中间特征数据；将至少一个中间特征数据回流至端节点和/或云节点，以使端节点和/或云节点根据至少一个中间特征数据进行模型推理或模型训练。本说明书提供的方案，通过将端节点上传的初始特征数据构建为容量不固定的特征数据集，从而控制深度学习模型中同时输入的初始特征数据的数量，进而使边缘节点上的数据处理链路能够同时兼容流式计算策略和批量计算策略。
25.示例性地，图1示出了可以应用于本说明书实施例的数据处理方法或数据处理装置的示例性系统架构示意图。
26.如图1所示，本说明书实施例提供的方案可应用于端边云架构100。端边云架构是一种分布式计算架构，通过将终端设备、边缘计算和云计算相结合，从而优化网络性能、降低延迟和增强数据隐私。该架构的核心思想是在不同的层次上处理和存储数据，使计算能力更加灵活地部署各级设备上。
27.请继续参照图1，端边云架构100可以包括云节点101、边缘节点102和端节点103，其中，云节点101和边缘节点102之间可通过网络进行通信，边缘节点102和端节点103之间可通过网络进行通信。
28.具体地，云节点101是传统云计算的中心节点，拥有大规模的计算和存储资源。云节点101负责处理大规模的数据处理、分析和存储任务，为边缘节点102和端节点103提供支持。
29.边缘节点102是指位于端节点103和云节点101之间的节点，通常是分布在各个地区的服务器、网关或其他网络设备。边缘节点102可以将计算和存储资源放置在距离端节点103更接近的地方，以减少数据的传输延迟，并提供实时数据处理和决策能力。
30.端节点103指的是终端设备，如传感器、物联网设备、移动设备等。这些设备通常具有有限的计算和存储能力，但通过端边云架构，它们可以与云端节点和边缘进行通信，并协同远程计算资源来完成复杂的任务。
31.在一些实施例中，边缘节点102上部署有深度学习模型，该深度学习模型可以接收端节点103上传的初始特征数据，并输出可供云节点101和/或端节点103调用的中间特征数
据。根据应用场景的不同，该深度学习模型可以基于流式计算策略或批量计算策略对初始特征数据进行处理，从而满足相应应用场景中对数据实时性的需求或对系统性能优化的需求。
32.本领域技术人员可以知晓，图1中示出的云节点、边缘节点和端节点的数量仅仅是示意性的，根据实际需要，可以具有任意数目的云节点、边缘节点和端节点，本说明书对此不做限制。
33.下面将结合附图及实施例对本示例实施方式进行详细说明。
34.首先，本说明书实施例中提供了一种数据处理方法，该方法可以由任意电子设备执行。
35.图2是一示例性实施例提供的一种数据处理方法的流程示意图，应用于端边云架构中的边缘节点，其中，端边云架构包括相互连接的端节点、边缘节点和云节点。如图2所示，该数据处理方法包括如下步骤。
36.s201，边缘节点构建特征数据集，特征数据集包括至少一个初始特征数据，初始特征数据由端节点采集后上传至边缘节点。
37.在一些实施例中，初始特征数据可以由端节点采集用户在终端设备上执行的行为获得。其中，用户执行的行为可以是用户在终端设备上的具体操作、操作的频次、操作的时长和触发的对象等。
38.例如，基于深度学习技术，可以在用户购买商品后的支付页面中为用户推荐更多可能感兴趣的商品。此时，初始特征数据可以是用户在购买商品前执行的一系列操作，购买的商品类目等。
39.可以理解的是，基于对用户行为的深入分析，还可以获得用户行为中隐含的特征。例如，基于用户经常浏览的商品类目结合浏览时间，可以确定用户感兴趣的商品类目。例如，当用户的浏览频次和浏览时长均大于预设的阈值时，则认为用户对该商品类目感兴趣。
40.在一些实施例中，初始特征数据可以是端节点采集到的原始数据，也可以是经端节点上预设的脚本处理后生成的特征向量，本说明书实施例对此不做限定。
41.需要说明的是，特征数据集可以理解为初始特征数据的集合。对应于不同应用场景的需求，特征数据集中的初始特征数据可以是一个，也可以是多个。
42.示例性地，特征数据集可以通过如下方式构建：确定计算策略；根据计算策略，构建特征数据集。其中，计算策略为流式计算策略或批量计算策略。
43.在一些实施例中，计算策略可以根据初始特征数据携带的应用标识确定。具体地，应用标识由端节点在采集初始特征数据时生成，可用于反应该初始特征数据对应的应用场景，进而使边缘节点可以根据应用场景确定针对该初始特征数据的计算策略。示例性地，可以在边缘节点上预先建立应用标识与计算策略之间的映射关系，从而使边缘节点根据映射关系匹配相应地计算策略。
44.在一些实施例中，在计算策略为流式计算策略的情况下，特征数据集包含一个初始特征数据。也就是说，每个特征数据集仅能包含一个用于流式计算的初始特征数据，从而保证流式计算的实时性。
45.在另一些实施例中，在计算策略为批量计算策略的情况下，根据计算策略，构建特征数据集，包括：基于时间窗口汇聚端节点上传的初始特征数据，特征数据集包括时间窗口
内端节点上传的至少一个初始特征数据。也就是说，每个特征数据集可以包含多个用于批量计算的初始特征数据，从而使多个初始特征数据能够并行处理，避免对系统资源长时间占用。
46.s202，边缘节点将特征数据集输入深度学习模型，生成至少一个中间特征数据。
47.在一些实施例中，边缘节点在将特征数据集输入深度学习模型之前，可以对特征数据集中的初始特征数据进行数据清洗等预处理操作，从而避免无用的数据被输入深度学习模型。在对特征数据集中的初始特征数据进行预处理后，可以通过格式转换操作，将其转换为深度学习模型能够识别的格式。
48.需要说明的是，边缘节点通过将够构建的特征数据集输入深度学习模型后，深度学习模型可以基于动态批处理（dynamic batch）能力，动态的调整模型入参的数量。
49.当收到仅包含一个初始特征数据的特征数据集时，直接将该初始特征数据输入深度学习模型进行推理，实时得到推理结果，从而保证推理结果的实时传输。当收到包含多个初始特征数据的特征数据集时，将多个初始特征数据共同作为深度学习模型的入参，并行进行推理，分别得到相应地推理结果，从而减少对系统资源的占用时间。
50.示例性地，深度学习模型可以部署于基于trition架构的推理服务器，其上可以搭载有onnx、pytorch等推理引擎，本说明书对此不做限定。
51.需要说明的是，边缘节点上深度学习模型生成的中间特征数据，可以是用于辅助其他模型进行推理或训练的数据。示例性地，该深度学习模型可用于生成embedding（嵌入）数据或进行实体意图的抽取等任务。例如，该深度学习模型可以从采集到的初始特征数据（例如，用户的行为链）中抽取用户的意图，并将抽取到的意图作为中间特征数据回流至云节点和/或端节点，从而使云节点和端节点能够根据抽取到的意图，进行例如媒体内容推荐、商品推荐等模型的推理和训练。
52.s203，边缘节点将至少一个中间特征数据回流至端节点和/或云节点，以使端节点和/或云节点根据至少一个中间特征数据进行模型推理或模型训练。
53.在一些实施例中，对应于前述计算策略的确定，在将中间特征数据回流的过程中，可以首先确定中间特征数据的回流策略，随后根据回流策略，将至少一个中间特征数据回流至端节点和/或云节点。其中，回流策略包括流式传输策略和批量传输策略中的至少一种。
54.值得注意的是，与前述计算策略不同的是，回流策略可以是流式传输策略，可以是批量传输策略，还可以同时使用流式传输策略和批量传输策略。
55.示例性地，边缘节点可以结合端节点和云节点上的应用场景，确定中间特征数据的回流策略。例如，若端节点需要调用中间特征数据进行实时的模型推理，而云节点仅需将中间特征数据存储用于后续模型的训练，此时由于端节点对中间特征数据的实时性要求较高，而云节点对中间特征数据没有实时性要求，因此可以将中间特征数据通过流式传输策略回流至端节点，并通过批量传输策略回流至云节点。
56.在一些实施例中，在回流策略为流式回流策略的情况下，深度学习模型生成的每个中间特征数据将实时回流至端节点和/或云节点。
57.在另一些实施例中，在回流策略为批量回流策略的情况下，可以构建批量回流缓存，随后根据指定时间间隔（例如，每5秒），将批量回流缓存中汇聚到的中间特征数据回流
至端节点和/或云节点。其中，批量回流缓存用于汇聚深度学习模型生成的中间特征数据。
58.在一些实施例中，在中间特征数据回流至云节点后，云节点可以通过指定的网关将中间特征数据存储至数据表中，以供云节点上部署的深度学习模型进行推理或训练。
59.在另一些实施例中，在中间特征数据回流至端节点后，端节点可以通过将中间特征数据存储，以供端节点上部署的深度学习模型进行推理或训练。
60.在一些实施例中，为了进一步提升边缘节点与云节点和端节点之间的数据传输效率，可以使端节点在向边缘节点上传初始特征数据之间，对初始特征数据进行压缩处理。并使边缘节点在将中间特征数据向云节点和/或端节点进行数据回流前，对中间特征数据进行压缩处理。
61.本说明书实施例提供的方案，可以为边缘节点上的流式计算策略和批量计算策略提供统一的数据链路，使边缘节点在进行模型推理和数据回流的过程中能够同时兼容流式计算/传输策略和批量计算/传输策略，并使边缘节点可将中间特征数据同时回流云节点和端节点，供云节点和端节点使用。
62.进一步地，本说明书实施例通过构建不同大小的特征数据集，基于边缘节点上深度学习模型的动态批处理能力，实现了对实时性要求高的初始特征数据进行实时处理以保证其实时性，并对实时性要求低的初始特征数据进行批量处理，从而减少对系统资源的长期占用。
63.此外，本说明书实施例提供的方案还能够减少数据在端节点、边缘节点和云节点之间的传输成本。一方面，由于边缘节点上的深度学习模型是用于提取中间特征数据的模型，其推理结果（例如，embedding、实体、意图等）将远小于该深度学习模型的初始入参。而在数据回流的过程中，仅回流中间特征数据即可满足云节点和端节点的需求，从而有效减少了用于传输的数据的体积。另一方面，通过在每次传输前进行数据压缩，可以进一步减少用于传输的数据的体积。
64.为便于理解，下面将结合实际场景，具体说明本说明书实施例中云节点、边缘节点和端节点之间的交互过程。
65.图3是一示例性实施例提供的云节点、边缘节点和端节点的交互过程示意图。
66.如图3所示，端节点可以采集用户在终端上执行的点击/浏览等行为，并进行相应地特征采集，得到初始特征数据。初始特征数据经过压缩后，端侧软件开发工具包（software development kit，sdk）可以根据具体应用场景，选择指定的路由策略，将压缩后的初始特征数据上传至边缘节点（例如，内容分发网络网关）。其中，端节点和边缘节点之间的连接可以保持，直到边缘节点返回中间特征数据。
67.边缘节点在接收到初始特征数据后，可以为初始特征数据确定相应地计算策略（例如，流式计算策略、或批量计算策略），并构建相应地特征数据集。其中，在计算策略为批量计算策略的情况下，可通过时间窗口对初始特征数据进行汇聚。
68.在完成特征数据集的构建后，可以对特征数据集中的初始特征数据进行数据解析、数据过滤等预处理操作，从而剔除无用数据，减少数据量级，随后将特征数据集转换为边缘节点上深度学习模型能够识别的格式，并发送至深度学习模型。
69.深度学习模型基于动态批处理的能力，对包含单一初始特征数据的特征数据集进行流式的推理计算，并对包含多个初始特征数的特征数据集进行批量的推理计算，从而得
到中间特征数据。其中，可以对于得到的中间特征数据进行压缩，以便减少数据回流时需要传输的数据量级。
70.边缘节点可根据具体应用场景，确定中间特征数据的回流策略，例如，流式传输策略、批量传输策略。当回流策略为流式传输策略时，中间特征数据将被实时回流至云节点和/或端节点。而当回流策略为批量传输策略时，中间特征数据将被存储至批量回流缓存，并以指定的事件间隔将批量回流缓存中的数据同时回流至云节点和/或端节点。
71.在中间特征数据回流至云节点后，云节点可以通过指定的网关将中间特征数据存储至数据表中，以供云节点上部署的深度学习模型进行推理或训练。而在中间特征数据回流至端节点后，端节点可以通过将中间特征数据存储，以供端节点上部署的深度学习模型进行推理或训练。值得注意的是，由于边缘节点对端节点没有直接的请求能力，因此在边缘节点将中间特征数据回流至端节点时采用的通信链路仍为端节点在上传初始特征数据时建立的通信链路。
72.图4是一示例性实施例提供的一种设备的结构示意图。请参考图4，在硬件层面，该设备包括处理器402、内部总线404、网络接口406、内存408以及非易失性存储器410，当然还可能包括其他应用场景所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器402从非易失性存储器410中读取对应的计算机程序到内存408中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
73.请参考图5，图5提供了一种数据处理装置500，可以应用于如图4所示的设备中，以实现本说明书的技术方案。
74.示例性地，该数据处理装置500可应用于端边云架构中的边缘节点，端边云架构包括相互连接的端节点、边缘节点和云节点。
75.具体地，该数据处理装置500可以包括：构建模块501，用于构建特征数据集，特征数据集包括至少一个初始特征数据，初始特征数据由端节点采集后上传至边缘节点。
76.生成模块502，用于将特征数据集输入深度学习模型，生成至少一个中间特征数据。
77.回流模块503，用于将至少一个中间特征数据回流至端节点和/或云节点，以使端节点和/或云节点根据至少一个中间特征数据进行模型推理或模型训练。
78.在一些实施例中，构建模块501用于，确定计算策略，计算策略为流式计算策略或批量计算策略；根据计算策略，构建特征数据集。
79.在一些实施例中，在计算策略为流式计算策略的情况下，特征数据集包含一个初始特征数据。
80.在一些实施例中，在计算策略为批量计算策略的情况下，构建模块501具体用于，基于时间窗口汇聚端节点上传的初始特征数据，特征数据集包括时间窗口内端节点上传的至少一个初始特征数据。
81.在一些实施例中，回流模块503用于确定回流策略，回流策略包括流式传输策略和批量传输策略中的至少一种；根据回流策略，将至少一个中间特征数据回流至端节点和/或
云节点。
82.在一些实施例中，在回流策略为流式回流策略的情况下，回流模块503具体用于，将深度学习模型生成的每个中间特征数据实时回流至端节点和/或云节点。
83.在一些实施例中，在回流策略为批量回流策略的情况下，回流模块503具体用于，构建批量回流缓存，批量回流缓存用于汇聚深度学习模型生成的中间特征数据；根据指定时间间隔，将批量回流缓存中汇聚到的中间特征数据回流至端节点和/或云节点。
84.在一些实施例中，数据处理装置500还包括压缩模块（图中未示出）。压缩模块用于，对至少一个中间特征数据进行压缩处理。
85.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
86.在一个典型的配置中，计算机包括一个或多个处理器 (cpu)、输入/输出接口、网络接口和内存。
87.内存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)。内存是计算机可读介质的示例。
88.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、磁盘存储、量子存储器、基于石墨烯的存储介质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。
89.需要说明的是，本技术所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
90.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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
91.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来
执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
92.在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
93.应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
94.以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。