Wi-Fi指纹地图重建方法、装置、终端设备及介质

摘要

本发明公开了一种Wi‑Fi指纹地图重建方法、装置、终端设备及介质，包括：构建场景地图，并采集场景地图上采集点的Wi‑Fi指纹数据，生成Wi‑Fi指纹地图；根据Wi‑Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像；对信号强度分布图像进行最近邻下采样操作，获得低分辨率图像；根据低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型；将所有AP接入点对应的低分辨率图像作为超分辨率重建模型的输入，根据超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi‑Fi指纹地图。本发明能有效解决现有技术中重建的Wi‑Fi指纹地图较为平滑而丢失细节的问题，提升了重建效果，并大大减少了训练时间。

说明书

技术领域

本发明涉及室内定位技术领域，尤其涉及Wi-Fi指纹地图重建方法、装置、终端设备及介质。

背景技术

基于卫星的导航系统在室外广泛普及，取得了较高的精度，但是由于建筑物墙壁的遮挡，室内场景中其定位精度显著下降，不能满足室内定位的精度需求。

室内定位是指在室内环境中实现位置定位，随着信息技术的不断发展，室内定位的实用性和必要性日趋显著。现今主要的室内定位技术包括Wi-Fi、地磁、蓝牙、射频识别(RFID)、声波、可见光和计算机视觉技术等等。随着无线以太网的广泛应用以及支持Wi-Fi移动设备的普及，基于Wi-Fi的室内定位方案实施的成本降低，其定位精度一般能达到3-5m左右，在室内取得了较好的定位效果。

Wi-Fi指纹定位的核心操作是通过获取到的信息值与先前建立的Wi-Fi指纹地图(Wi-Fi信号数据库)进行匹配确定待测点的定位结果。算法主要分为离线采集和在线定位两个阶段。Wi-Fi指纹地图重建，是由稀疏的Wi-Fi指纹地图结合场景等信息生成稠密的Wi-Fi指纹地图，从而减少采集和维护数据库的成本。

为了提升定位精度和降低采集成本，目前Wi-Fi指纹地图重建的研究主要集中在三个方向：一是建立信号传播模型：定义传播模型(如对数距离路径损耗模型、衰减因子模型等)预测位置信息，但模型在受到外界干扰及场景变化时容易导致模型失效；二是采用众包方式更新：通过人为采集数据来更新指纹地图，该方法采集工作量大，指纹地图各区域数据密度不同导致无效数据增加；三是基于深度学习：通过神经网络学习稀疏地图到稠密地图的映射关系减少指纹数据采集的工作量，本技术也属于基于深度学习的Wi-Fi指纹地图重建。

目前，Wi-Fi指纹地图重建研究主要存在以下问题：现有Wi-Fi指纹地图重建方法得到的细粒度地图较原始地图偏平滑，丢失了部分细节，且离线训练时间较长。

发明内容

本发明实施例提供一种Wi-Fi指纹地图重建方法、装置、终端设备及介质，能有效解决现有技术中重建的Wi-Fi指纹地图较为平滑而丢失细节的问题，能有效提高重建后的Wi-Fi指纹地图的信息量，提升了重建效果，并大大减少了训练时间。

本发明一实施例提供一种Wi-Fi指纹地图重建方法，包括：

构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图；

根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像；

对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像；

根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型；

将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图。

在一些实施例中，所述构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图，包括：

使用移动机器人搭载激光雷达构建场景地图，并获取所述场景地图中标设的采集点对应的采集点坐标；

使用所述移动机器人搭载Wi-Fi信号采集设备，对所述采集点进行数据采集，得到所述采集点的Wi-Fi指纹数据，所述Wi-Fi指纹数据包括Wi-Fi信号强度、MAC地址、AP接入点及采集时间；

对不同AP接入点下所有采集点的Wi-Fi指纹数据进行汇总，生成Wi-Fi指纹地图。

在一些实施例中，所述根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型，包括：

将所述低分辨率图像按照预设的比例划分为图像训练样本、图像验证样本以及图像测试样本；

采用所述图像训练样本对预设的神经网络模型进行训练，得到超分辨率重建模型；

采用所述图像验证样本对所述超分辨率重建模型进行参数调优；

采用所述图像测试样本对调优后的超分辨率重建模型进行测试。

在一些实施例中，所述神经网络模型包括依次相连的输入模块、特征提取模块和输出模块；所述输入模块为输入卷积层；所述特征提取模块由16个残差块构成，每个残差块包含2个卷积层和1个ReLu激活层；所述输出模块包括相连的上采样层和输出卷积层。

在一些实施例中，所述采用所述图像测试样本对调优后的超分辨率重建模型进行测试，包括：

将所述图像测试样本输入到所述超分辨率重建模型，输出超分辨率测试图像，整合成重建后的测试Wi-Fi指纹地图；

选取测试采集点，并从所述重建后的测试Wi-Fi指纹地图中获取所述测试采集点对应的Wi-Fi指纹数据；

根据所述测试采集点对应的Wi-Fi指纹数据，计算所述测试采集点的坐标；

将计算得到的坐标与所述Wi-Fi指纹地图中所述测试采集点对应的采集点坐标进行比对。

在一些实施例中，所述方法还包括：

定期使用所述移动机器人对所述采集点进行数据采集，以更新Wi-Fi指纹地图；

按照时间序列将更新后的低分辨率图像样本输入到所述超分辨率重建模型进行训练。

在一些实施例中，所述神经网络模型通过如下损失函数进行训练，具体如下公式(1)：

其中，

本发明另一实施例对应提供了一种Wi-Fi指纹地图重建装置，包括：

Wi-Fi指纹地图生成模块，用于构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图；

信号强度分布图像生成模块，用于根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像；

图像处理模块，用于对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像；

模型训练模块，用于根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型；

Wi-Fi指纹地图重建模块，用于将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图。

本发明另一实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的Wi-Fi指纹地图重建方法。

本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的Wi-Fi指纹地图重建方法。

与现有技术相比，本发明实施例公开的一种Wi-Fi指纹地图重建方法，通过构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图，根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像，对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像，进而根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型，从而将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图，这样基于残差网络超分辨率的方式，能有效解决现有技术中重建的Wi-Fi指纹地图较为平滑而丢失细节的问题，能有效提高重建后的Wi-Fi指纹地图的信息量，具有更多的细节信息，提升了重建效果，并大大减少了训练时间。

附图说明

图1是本发明一实施例提供的一种Wi-Fi指纹地图重建方法的流程示意图；

图2是本发明一实施例提供的场景地图示意图；

图3是本发明一实施例提供的Wi-Fi指纹地图示意图；

图4是本发明一实施例提供的一AP接入点的Wi-Fi信号强度分布图；

图5是本发明一实施例提供的神经网络模型的结构示意图；

图6是本发明一实施例提供的一种Wi-Fi指纹地图重建装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，是本发明一实施例提供的一种Wi-Fi指纹地图重建方法的流程示意图，所述方法包括步骤S101至S105。

S101、构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图。

在一些实施例中，参见图2，是本发明一实施例提供的场景地图示意图，步骤S101包括：

使用移动机器人搭载激光雷达构建场景地图，并获取所述场景地图中标设的采集点对应的采集点坐标；

使用所述移动机器人搭载Wi-Fi信号采集设备，对所述采集点进行数据采集，得到所述采集点的Wi-Fi指纹数据，所述Wi-Fi指纹数据包括Wi-Fi信号强度、MAC地址、AP接入点及采集时间；

对不同AP接入点下所有采集点的Wi-Fi指纹数据进行汇总，生成Wi-Fi指纹地图。

具体的，Wi-Fi信号采集设备为具有Wi-Fi信号采集功能的仪器或设备。移动机器人可以是机器人小车、无人机等可移动的智能监测设备。示例性的，移动机器人为机器人小车Turtlebot2，通过机器人小车搭载RPLIDAR-A3激光雷达使用开源gmapping程序包构建场景地图，并在地图上标设采集点的数量及其位置坐标，如图2所示，图2中21为采集点。进一步，机器人小车搭载Wi-Fi信号采集设备，根据场景地图上标注的采集点位置，环绕场地进行数据采集，将采集到的Wi-Fi信号强度、MAC地址、AP接入点(即设备名称)、采集时间、采集点坐标等数据生成Wi-Fi指纹数据，Wi-Fi指纹数据如下表1所示。其中，参见图3，是本发明一实施例提供的Wi-Fi指纹地图示意图，移动机器人在每个采集点采集来自不同AP接入点的Wi-Fi信号强度，将Wi-Fi指纹地图按照不同的Wi-Fi信号发送设备(Access Point，AP)分类，这样将每个采集点在所有AP接入点下的Wi-Fi指纹数据进行汇总，得到指纹数据库，即Wi-Fi指纹地图。

表1

因此，本实施例中通过移动机器人进行Wi-Fi信号采集及更新，降低了地图维护成本及人工成本，大大提高了信号采集的效率。

S102、根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像。

S103、对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像。

具体的，参见图4是本发明一实施例提供的一AP接入点的Wi-Fi信号强度分布图，图4(a)为AP接入点的Wi-Fi信号强度数字分布图，图4(b)为AP接入点的Wi-Fi信号强度分布图。获取一AP接入点对应的信号强度值，如图4(a)所示，将信号强度按像素与其数值比例转换为可视化图像，如图4(b)所示，生成原始的HR(High Resolution，高分辨率)数据集，对HR数据集的图像进行最近邻下采样操作，生成对应的LR(Low Resolution，低分辨率)数据集。

S104、根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型。

在一些实施例中，步骤S104包括：

将所述低分辨率图像按照预设的比例划分为图像训练样本、图像验证样本以及图像测试样本；

采用所述图像训练样本对预设的神经网络模型进行训练，得到超分辨率重建模型；

采用所述图像验证样本对所述超分辨率重建模型进行参数调优；

采用所述图像测试样本对调优后的超分辨率重建模型进行测试。

示例性的，将低分辨率图像按照8：1：1的比例划分为图像训练样本、图像验证样本以及图像测试样本。

在上述实施例的基础上，在一些实施例中，参见图5，是本发明一实施例提供的神经网络模型的结构示意图，所述神经网络模型包括依次相连的输入模块、特征提取模块和输出模块；所述输入模块为输入卷积层(Conv)；所述特征提取模块由16个残差块(ResBlock)构成，每个残差块包含2个卷积层(Conv)和1个ReLu激活层(ReLu)；所述输出模块包括相连的上采样层(UnSample)和输出卷积层(Conv)。

在本实施例中，请参见图5，LR(Low Resolution，低分辨率)图像作为神经网络模型的输入，SR(Super Resolution，超分辨率)图像作为神经网络模型的输出。具体的，将LR图像输入到输入卷积层(Conv)，输入卷积层与16个残差块(ResBlock)相连接，残差块中ReLu激活层连接在两个卷积层之间，残差块亦与上采样层(UnSample)连接，进而上采样层和输出卷积层连接，从而输出SR图像。

优选的，所述神经网络模型通过如下损失函数进行训练，具体如下公式(1)：

其中，

在一些实施例中，所述采用所述图像测试样本对调优后的超分辨率重建模型进行测试，包括：

将所述图像测试样本输入到所述超分辨率重建模型，输出超分辨率测试图像，整合成重建后的测试Wi-Fi指纹地图；

选取测试采集点，并从所述重建后的测试Wi-Fi指纹地图中获取所述测试采集点对应的Wi-Fi指纹数据；

根据所述测试采集点对应的Wi-Fi指纹数据，计算所述测试采集点的坐标；

将计算得到的坐标与所述Wi-Fi指纹地图中所述测试采集点对应的采集点坐标进行比对。

在本实施例中，使用图像测试样本的LR图像输入超分辨率重建模型，得到SR图像，将所有AP的可视化图像整合为重建后的测试Wi-Fi指纹地图，即可在场景中选择测试采集点，获取该点在重建后的测试Wi-Fi指纹地图中的Wi-Fi信号强度、MAC地址等，根据KNN(KNearest Neighbors，最近邻)定位算法计算出该点坐标，与先前建立的Wi-Fi指纹地图上该点的坐标进行比较，评估重建指纹地图的定位精度。

S105、将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图。

在一些实施例中，所述方法还包括：

定期使用所述移动机器人对所述采集点进行数据采集，以更新Wi-Fi指纹地图；

按照时间序列将更新后的低分辨率图像样本输入到所述超分辨率重建模型进行训练。

在本实施例中，通过在网络中引入时间约束，让模型学习Wi-Fi信号随时间动态变化的情况，提高Wi-Fi指纹地图重建的实时效果。

本发明实施例提供的一种Wi-Fi指纹地图重建方法，通过构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图，根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像，对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像，进而根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型，从而将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图，这样基于残差网络超分辨率的方式，能有效解决现有技术中重建的Wi-Fi指纹地图较为平滑而丢失细节的问题，能有效提高重建后的Wi-Fi指纹地图的信息量，具有更多的细节信息，提升了重建效果，并大大减少了训练时间。同时，本实施例通过使用少量新场景的数据，对模型进行微调提升迁移效果。

参见图6，是本发明一实施例提供的一种Wi-Fi指纹地图重建装置的结构示意图，包括：

Wi-Fi指纹地图生成模块201，用于构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图；

信号强度分布图像生成模块202，用于根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像；

图像处理模块203，用于对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像；

模型训练模块204，用于根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型；

Wi-Fi指纹地图重建模块205，用于将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图。

优选的，Wi-Fi指纹地图生成模块201包括：

场景地图构建单元，用于使用移动机器人搭载激光雷达构建场景地图，并获取所述场景地图中标设的采集点对应的采集点坐标；

Wi-Fi指纹数据采集单元，用于使用所述移动机器人搭载Wi-Fi信号采集设备，对所述采集点进行数据采集，得到所述采集点的Wi-Fi指纹数据，所述Wi-Fi指纹数据包括Wi-Fi信号强度、MAC地址、AP接入点及采集时间；

数据汇总单元，用于对不同AP接入点下所有采集点的Wi-Fi指纹数据进行汇总，生成Wi-Fi指纹地图。

优选的，模型训练模块204包括：

样本划分单元，用于将所述低分辨率图像按照预设的比例划分为图像训练样本、图像验证样本以及图像测试样本；

训练单元，用于采用所述图像训练样本对预设的神经网络模型进行训练，得到超分辨率重建模型；

验证单元，用于采用所述图像验证样本对所述超分辨率重建模型进行参数调优；

测试单元，用于采用所述图像测试样本对调优后的超分辨率重建模型进行测试。

优选的，所述神经网络模型包括依次相连的输入模块、特征提取模块和输出模块；所述输入模块为输入卷积层；所述特征提取模块由16个残差块构成，每个残差块包含2个卷积层和1个ReLu激活层；所述输出模块包括相连的上采样层和输出卷积层。

优选的，测试单元包括：

重建后的测试Wi-Fi指纹地图构建单元，用于将所述图像测试样本输入到所述超分辨率重建模型，输出超分辨率测试图像，整合成重建后的测试Wi-Fi指纹地图；

测试采集点信息获取单元，用于选取测试采集点，并从所述重建后的测试Wi-Fi指纹地图中获取所述测试采集点对应的Wi-Fi指纹数据；

测试采集点坐标计算单元，用于根据所述测试采集点对应的Wi-Fi指纹数据，计算所述测试采集点的坐标；

比对单元，用于将计算得到的坐标与所述Wi-Fi指纹地图中所述测试采集点对应的采集点坐标进行比对。

优选的，该装置还包括：

定期更新单元，用于定期使用所述移动机器人对所述采集点进行数据采集，以更新Wi-Fi指纹地图；

模型训练更新单元，用于按照时间序列将更新后的低分辨率图像样本输入到所述超分辨率重建模型进行训练。

优选的，模型训练模块204包括：

损失函数计算单元，用于所述神经网络模型通过如下损失函数进行训练，具体如下公式(1)：

其中，

本发明实施例提供的一种Wi-Fi指纹地图重建装置，通过构建场景地图，并采集所述场景地图上采集点的Wi-Fi指纹数据，生成Wi-Fi指纹地图，根据所述Wi-Fi指纹地图，获取任一AP接入点对应的信号强度值，并生成对应的信号强度分布图像，对所述信号强度分布图像进行最近邻下采样操作，获得低分辨率图像，进而根据所述低分辨率图像对预设的神经网络模型进行训练，得到超分辨率重建模型，从而将所有AP接入点对应的低分辨率图像作为所述超分辨率重建模型的输入，根据所述超分辨率重建模型输出的超分辨率图像，整合成重建后的Wi-Fi指纹地图，这样基于残差网络超分辨率的方式，能有效解决现有技术中重建的Wi-Fi指纹地图较为平滑而丢失细节的问题，能有效提高重建后的Wi-Fi指纹地图的信息量，具有更多的细节信息，提升了重建效果，并大大减少了训练时间。同时，本实施例通过使用少量新场景的数据，对模型进行微调提升迁移效果。该实施例的终端设备包括：处理器、存储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，例如Wi-Fi指纹地图重建程序。所述处理器执行所述计算机程序时实现上述各个Wi-Fi指纹地图重建方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序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中，并由所述处理器执行，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在所述终端设备中的执行过程。

所述终端设备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。所述终端设备可包括，但不仅限于，处理器、存储器。

所称处理器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)、现成可编程门阵列(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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/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，可实现上述各个方法实施例的步骤。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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、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电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。