结合离散特征编码和聚类修正的广域网单点流量预测方法

摘要

本申请提出一种结合离散特征编码和聚类修正的广域网单点流量预测方法，包括：获取训练集、验证集和测试集，其中，所有数据集均包含流量时间序列和对应的小时信息、日期信息；使用K‑Means算法对训练集和验证集进行聚类得到聚类结果；对流量时间序列进行特征提取获得对应的流量时间序列关联特征；对小时信息、日期信息进行编码得到编码结果；将流量时间关联特征和编码结果进行拼接，拼接后的向量转换得到初步预测结果；根据聚类结果获取测试集包含的最后一个流量时间序列所属的聚类中心，将聚类中心与初步预测结果进行平均，得到最终预测结果。本申请利用广域网流量的周期性和潮汐性特征，提升了广域网单点流量预测的准确度。

说明书

技术领域

本申请涉及网络流量预测技术领域，尤其涉及一种结合离散特征编码和聚类修正的广域网单点流量预测方法和装置。

背景技术

网络流量是广域网管理和维护的关键指标，在广域网异常检测、广域网流量工程等多个领域起到重要作用。实时的网络流量采集和监控使得网络管理人员可以掌握网络的运行状态，并对潜在的网络异常进行检测、定位和排查。广域网流量主要存在自相似性、非线性和突发性等特征。

目前广域网单点流量预测的相关研究主要分为三类：基于统计/线性模型进行预测、基于机器学习/深度学习模型进行预测，以及基于组合模型进行预测。基于统计/线性模型进行广域网单点流量预测，无法拟合流量的非线性和长相关性特征，因此预测准确度较低；基于合适的机器学习/深度学习模型进行广域网单点预测，可以在拟合流量的非线性特征的同时很好地提取其长期依赖性，因此预测准确度较高。然而，相关工作考虑到的流量特征较为单一，大多仅以流量序列作为模型的输入，没有进一步考虑广域网流量的其他关联特征；基于合适的组合模型可以进一步降低广域网流量的预测误差，但是采用组合模型进行广域网单点流量预测的相关工作采用的基础预测算法还有待进一步改进，同时考虑到的流量特征也较为单一。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种结合离散特征编码和聚类修正的广域网单点流量预测方法，解决了现有方法预测准确度较低，且考虑到的流量特征较为单一的问题，在循环神经网络模型LSTM和GRU的基础上，进一步结合了离散特征编码嵌入和K-Means聚类修正，充分利用了广域网流量的周期性和潮汐性特征，提出了新的广域网单点流量预测模型，进一步提高了广域网单点流量预测的准确度。

本申请的第二个目的在于提出一种结合离散特征编码和聚类修正的广域网单点流量预测装置。

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种结合离散特征编码和聚类修正的广域网单点流量预测方法，包括：获取训练集、验证集和测试集，其中，所有数据集均包含流量时间序列和对应的小时信息、日期信息；使用K-Means算法对训练集和验证集进行聚类，得到聚类结果；对流量时间序列进行特征提取，获得对应的流量时间序列关联特征；对小时信息、日期信息进行编码，得到编码结果，编码结果包括小时信息编码结果和日期信息编码结果；将流量时间关联特征和编码结果进行拼接，之后将拼接后的向量进行转换，得到初步预测结果；根据聚类结果，获取测试集包含的最后一个流量时间序列所属的聚类中心，并将聚类中心与初步预测结果进行平均，得到最终预测结果。

可选地，在本申请的一个实施例中，使用K-Means算法对训练集和验证集进行聚类，包括以下步骤：

随机选择预设数目的初始聚类中心，其中，预设数目采用Canopy算法确定；

迭代计算数据点到每个初始聚类中心的距离，将数据点分配给最近的初始聚类中心，并对最近的初始聚类中心进行更新，最终将待聚类的数据集划分为预设数目数量的簇。

可选地，在本申请的一个实施例中，对流量时间序列进行特征提取，具体为将流量时间序列输入到LSTM网络中进行时间关联信息提取，其中，

LSTM网络的输入维度为一维，对于流量时间序列包含的每一时刻的流量，LSTM网络都会产生一个隐藏层输出，最后一步的隐藏层输出将作为对应的流量时间序列关联特征。

可选地，在本申请的一个实施例中，对小时信息、日期信息进行编码，具体采用Emdedding对小时信息、日期信息进行编码嵌入，包括以下步骤：

根据小时信息、日期信息和给定的编码维度生成对应的小时信息矩阵和日期信息矩阵；

取出小时信息矩阵和日期信息矩阵中与待预测时刻对应的行作为编码结果。

为达上述目的，本申请第二方面实施例提出了一种结合离散特征编码和聚类修正的广域网单点流量预测装置，包括：获取模块、聚类模块、特征提取模块、编码模块、拼接模块、预测结果生成模块，其中，

获取模块，用于获取训练集、验证集和测试集，其中，所有数据集均包含流量时间序列和对应的小时信息、日期信息；

聚类模块，用于使用K-Means算法对训练集和验证集进行聚类，得到聚类结果；

特征提取模块，用于对流量时间序列进行特征提取，获得对应的流量时间序列关联特征；

编码模块，用于对小时信息、日期信息进行编码，得到编码结果，编码结果包括小时信息编码结果和日期信息编码结果；

拼接模块，用于将流量时间关联特征和编码结果进行拼接，之后将拼接后的向量进行转换，得到初步预测结果；

预测结果生成模块，用于根据聚类结果，获取测试集包含的最后一个流量时间序列所属的聚类中心，并将聚类中心与初步预测结果进行平均，得到最终预测结果。

可选地，在本申请的一个实施例中，聚类模块，具体用于：

随机选择预设数目的初始聚类中心，其中，预设数目采用Canopy算法确定；

迭代计算数据点到每个初始聚类中心的距离，将数据点分配给最近的初始聚类中心，并对最近的初始聚类中心进行更新，最终将待聚类的数据集划分为预设数目数量的簇。

可选地，在本申请的一个实施例中，特征提取模块，具体为将流量时间序列输入到LSTM网络中进行时间关联信息提取，其中，

LSTM网络的输入维度为一维，对于流量时间序列包含的每一时刻的流量，LSTM网络都会产生一个隐藏层输出，最后一步的隐藏层输出将作为对应的流量时间序列关联特征。

可选地，在本申请的一个实施例中，编码模块，具体采用Emdedding对小时信息、日期信息进行编码嵌入，包括以下步骤：

根据小时信息、日期信息和给定的编码维度生成对应的小时信息矩阵和日期信息矩阵；

取出小时信息矩阵和日期信息矩阵中与待预测时刻对应的行作为编码结果。

为了实现上述目的，本申请第三方面实施例提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由处理器被执行时，能够执行一种结合离散特征编码和聚类修正的广域网单点流量预测方法。

本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法、结合离散特征编码和聚类修正的广域网单点流量预测装置和非临时性计算机可读存储介质，解决了现有方法预测准确度较低，且考虑到的流量特征较为单一的问题，在循环神经网络模型LSTM和GRU的基础上，进一步结合了离散特征编码嵌入和K-Means聚类修正，充分利用了广域网流量的周期性和潮汐性特征，提出了新的广域网单点流量预测模型，进一步提高了广域网单点流量预测的准确度。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例一所提供的一种结合离散特征编码和聚类修正的广域网单点流量预测方法的流程图；

图2为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的整体架构图；

图3为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的取值范围在[0，6]内的整数离散特征编码示意图；

图4为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM模型训练过程伪代码示例图；

图5为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM模型测试过程伪代码示例图；

图6为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM、GRU-EKM与baseline模型在不同的节点对部分序列上的预测偏差CDF曲线图；

图7为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM、GRU-EKM模型与不同参数的LSTM、LSTM-SA模型在六组网关集群入出流量序列上的预测偏差CDF曲线图；

图8为本申请实施例二所提供的一种结合离散特征编码和聚类修正的广域网单点流量预测装置的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法和装置。

图1为本申请实施例一所提供的一种结合离散特征编码和聚类修正的广域网单点流量预测方法的流程图。

如图1所示，该结合离散特征编码和聚类修正的广域网单点流量预测方法包括以下步骤：

步骤101，获取训练集、验证集和测试集，其中，所有数据集均包含流量时间序列和对应的小时信息、日期信息；

步骤102，使用K-Means算法对训练集和验证集进行聚类，得到聚类结果；

步骤103，对流量时间序列进行特征提取，获得对应的流量时间序列关联特征；

步骤104，对小时信息、日期信息进行编码，得到编码结果，编码结果包括小时信息编码结果和日期信息编码结果；

步骤105，将流量时间关联特征和编码结果进行拼接，之后将拼接后的向量进行转换，得到初步预测结果；

步骤106，根据聚类结果，获取测试集包含的最后一个流量时间序列所属的聚类中心，并将聚类中心与初步预测结果进行平均，得到最终预测结果。

本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法，通过获取训练集、验证集和测试集，其中，所有数据集均包含流量时间序列和对应的小时信息、日期信息；使用K-Means算法对训练集和验证集进行聚类，得到聚类结果；对流量时间序列进行特征提取，获得对应的流量时间序列关联特征；对小时信息、日期信息进行编码，得到编码结果，编码结果包括小时信息编码结果和日期信息编码结果；将流量时间关联特征和编码结果进行拼接，之后将拼接后的向量进行转换，得到初步预测结果；根据聚类结果，获取测试集包含的最后一个流量时间序列所属的聚类中心，并将聚类中心与初步预测结果进行平均，得到最终预测结果。由此，能够解决现有方法预测准确度较低，且考虑到的流量特征较为单一的问题，在循环神经网络模型LSTM和GRU的基础上，进一步结合了离散特征编码嵌入和K-Means聚类修正，充分利用了广域网流量的周期性和潮汐性特征，提出了新的广域网单点流量预测模型，进一步提高了广域网单点流量预测的准确度。

本申请在采用LSTM模型和GRU模型提取流量时间相关性的同时，还考虑了小时信息和日期信息，将离散的小时和日期特征进行编码并嵌入预测模型，以取得更高的预测准确度。同时，考虑到当流量较为平稳时，第k+1时刻的流量数据往往与第k时刻的流量数据较为接近，进一步结合了K-Means聚类算法，对流量预测结果进行修正，以降低预测误差，提出了LSTM-EKM和GRU-EKM算法。

进一步地，在本申请实施例中，使用K-Means算法对训练集和验证集进行聚类，包括以下步骤：

随机选择预设数目的初始聚类中心，其中，预设数目采用Canopy算法确定；

迭代计算数据点到每个初始聚类中心的距离，将数据点分配给最近的初始聚类中心，并对最近的初始聚类中心进行更新，最终将待聚类的数据集划分为预设数目数量的簇。

通过聚类的方式来对初步预测结果进行进一步修正。当广域网流量较为平稳时，第k+1时刻的流量数据与第k时刻的流量数据较接近，在聚类算法中更有可能被归到同一类。如果能够收集到较长的流量时间序列数据，并恰当地对其进行聚类，那么就可以采用第k时刻流量所属类的中心来修正第k+1时刻的预测结果。在流量平稳的情况下，聚类修正的方式可以进一步提高预测准确度。然而，当网络流量发生突发时，聚类修正的方式可能进一步放大预测误差。考虑到网络突发是不可预知的，大部分情况下广域网流量都具有周期潮汐性，本申请认为聚类修正的方式是利大于弊的。

训练集用来训练模型参数；验证集用来指导训练，若验证集上的效果一段时间内没有提升就停止训练，得到一个最终的模型，而测试集用于评估训练得到的模型最终的效果。

进一步地，在本申请实施例中，对流量时间序列进行特征提取，具体为将流量时间序列输入到LSTM网络中进行时间关联信息提取，其中，

LSTM网络的输入维度为一维，对于流量时间序列包含的每一时刻的流量，LSTM网络都会产生一个隐藏层输出，最后一步的隐藏层输出将作为对应的流量时间序列关联特征。

进一步地，在本申请实施例中，对小时信息、日期信息进行编码，具体采用Emdedding对小时信息、日期信息进行编码嵌入，包括以下步骤：

根据小时信息、日期信息和给定的编码维度生成对应的小时信息矩阵和日期信息矩阵；

取出小时信息矩阵和日期信息矩阵中与待预测时刻对应的行作为编码结果。

小时信息和日期信息是广域网流量的重要特征，将小时信息和日期信息嵌入模型进行学习，可以进一步提高广域网单点流量预测的准确度。由于小时信息和日期信息都是离散的值，在嵌入模型之前需要对其进行编码。

假设模型基于前k个历史流量数据来预测第k+1时刻的流量，那么输入是第k+1时刻的小时信息H

LSTM-EKM模型的训练过程主要涉及到训练集流量序列和训练集离散特征信息。在测试(预测)过程中，特征提取模块和编码模块仅参与计算，不进行网络参数调节。同时，聚类模块会参与计算，进一步修正模型的预测结果。

图2为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的整体架构图。

如图2所示，该结合离散特征编码和聚类修正的广域网单点流量预测方法，主要包含三个模块：时间序列提取模块、离散特征编码模块、聚类修正模块，其中，时间序列提取模块主要基于LSTM网络对流量时间序列数据进行时间关联信息提取；离散特征编码模块采用Embedding的方式对小时信息和日期信息进行编码嵌入；聚类修正模块采用K-Means算法对训练集和验证集数据进行聚类。

图3为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的取值范围在[0，6]内的整数离散特征编码示意图。

如图3所示，采用One-Hot和Embedding对一个取值范围在[0，6]内的整数离散特征进行编码，生成对应的编码矩阵。传统的编码方式是One-Hot编码(One-Hot Encoding)。假设离散特征具有M个取值，那么One-Hot编码会将离散特征编码为一个M*M的稀疏矩阵，矩阵的每一行只有一个值为1，其余值都为0，用于表示离散特征中的每一个值。One-Hot编码生成的稀疏矩阵易于计算和理解，但是当离散特征的取值范围较广时，One-Hot编码结果会过于稀疏，且无法学习离散特征不同取值间的关联性。另一种离散特征编码方式是Embedding。Embedding同样将有限维度的离散特征转化为编码矩阵。与One-Hot编码不同的是，Embedding产生的编码矩阵是密集矩阵，离散特征的每一个取值都会被编码为一个密集向量，相当于在One-Hot编码的基础上进一步实现了降维，从而能够学习到离散特征不同取值间的潜在关联信息。假设离散特征具有M个取值，每个值被编码后的维度为N，那么Embedding将会生成一个M*N的二维矩阵，矩阵的每一行代表离散特征一个取值的编码结果，每一行的值将随着模型的训练不断进行调整。其中，Embedding编码矩阵的维度设置为7*7。

图4为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM模型训练过程伪代码示例图。

如图4所示，该结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM模型的训练过程为：对于训练集中的每个流量时间序列y

图5为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM模型测试过程伪代码示例图。

如图5所示，该结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM模型的测试过程为：输入流量时间序列数据的训练集、验证集和测试集，以及离散特征数据的测试集，其中，离散特征数据的embedding网络的参数是在整个单点预测的训练过程中反向传播迭代的，并不是预先训练好的，是一个end-to-end的过程，不需要事先训练一个离散编码模块，再训练后续的预测模块；基于训练集和验证集，采用Canopy算法和K-Means算法进行聚类；对于测试集中的每个流量时间序列y

本申请在三个真实的教育网流量矩阵数据集和某云网络广域网网关集群流量数据集进行了测试。从Abilene、CERNET和

图6为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM、GRU-EKM与baseline模型在不同的节点对部分序列上的预测偏差CDF曲线图。

如图6所示，LSTM-EKM与GRU-EKM模型的预测偏差CDF曲线几乎重合，说明LSTM-EKM和GRU-EKM模型的预测性能较为接近。相比于不同参数的LSTM模型和LSTM-SA模型，LSTM-EKM和GRU-EKM可以获得更小的预测偏差，特别是在CERNET和

相较于baseline模型，在全部数据集上本申请提出的算法在各个评价指标上的提升幅度如表一所示

表一

本申请从某云网络服务提供商的日志数据中提取了三个网关集群(记为A、B、C)的入出流量速率数据，生成了六组网关集群入出流量时间序列，作为评估数据集。

图7为本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法的LSTM-EKM、GRU-EKM模型与不同参数的LSTM、LSTM-SA模型在六组网关集群入出流量序列上的预测偏差CDF曲线图。

如图7所示，在不同数据集上，LSTM-EKM与GRU-EKM模型的预测偏差CDF曲线几乎重合，说明LSTM-EKM和GRU-EKM模型的预测效果相当。相比于不同参数的LSTM模型和LSTM-SA模型，LSTM-EKM和GRU-EKM可以获得更小的预测偏差。

相较于baseline模型，在全部数据集上本发明提出的算法在各个评价指标上的提升幅度如表二所示。

表二

图8为本申请实施例二所提供的一种结合离散特征编码和聚类修正的广域网单点流量预测装置的结构示意图。

如图8所示，该结合离散特征编码和聚类修正的广域网单点流量预测装置，包括：获取模块、聚类模块、特征提取模块、编码模块、拼接模块、预测结果生成模块，其中，

获取模块10，用于获取训练集、验证集和测试集，其中，所有数据集均包含流量时间序列和对应的小时信息、日期信息；

聚类模块20，用于使用K-Means算法对训练集和验证集进行聚类，得到聚类结果；

特征提取模块30，用于对流量时间序列进行特征提取，获得对应的流量时间序列关联特征；

编码模块40，用于对小时信息、日期信息进行编码，得到编码结果，编码结果包括小时信息编码结果和日期信息编码结果；

拼接模块50，用于将流量时间关联特征和编码结果进行拼接，之后将拼接后的向量进行转换，得到初步预测结果；

预测结果生成模块60，用于根据聚类结果，获取测试集包含的最后一个流量时间序列所属的聚类中心，并将聚类中心与初步预测结果进行平均，得到最终预测结果。

进一步地，在本申请实施例中，聚类模块，具体用于：

随机选择预设数目的初始聚类中心，其中，预设数目采用Canopy算法确定；

迭代计算数据点到每个初始聚类中心的距离，将数据点分配给最近的初始聚类中心，并对最近的初始聚类中心进行更新，最终将待聚类的数据集划分为预设数目数量的簇。

进一步地，在本申请实施例中，特征提取模块，具体为将流量时间序列输入到LSTM网络中进行时间关联信息提取，其中，

LSTM网络的输入维度为一维，对于流量时间序列包含的每一时刻的流量，LSTM网络都会产生一个隐藏层输出，最后一步的隐藏层输出将作为对应的流量时间序列关联特征。

进一步地，在本申请实施例中，编码模块，具体采用Emdedding对小时信息、日期信息进行编码嵌入，包括以下步骤：

根据小时信息、日期信息和给定的编码维度生成对应的小时信息矩阵和日期信息矩阵；

取出小时信息矩阵和日期信息矩阵中与待预测时刻对应的行作为编码结果。

本申请实施例的结合离散特征编码和聚类修正的广域网单点流量预测装置，包括获取模块、聚类模块、特征提取模块、编码模块、拼接模块、预测结果生成模块，其中，获取模块，用于获取训练集、验证集和测试集，其中，所有数据集均包含流量时间序列和对应的小时信息、日期信息；聚类模块，用于使用K-Means算法对训练集和验证集进行聚类，得到聚类结果；特征提取模块，用于对流量时间序列进行特征提取，获得对应的流量时间序列关联特征；编码模块，用于对小时信息、日期信息进行编码，得到编码结果，编码结果包括小时信息编码结果和日期信息编码结果；拼接模块，用于将流量时间关联特征和编码结果进行拼接，之后将拼接后的向量进行转换，得到初步预测结果；预测结果生成模块，用于根据聚类结果，获取测试集包含的最后一个流量时间序列所属的聚类中心，并将聚类中心与初步预测结果进行平均，得到最终预测结果。由此，能够解决现有方法预测准确度较低，且考虑到的流量特征较为单一的问题，在循环神经网络模型LSTM和GRU的基础上，进一步结合了离散特征编码嵌入和K-Means聚类修正，充分利用了广域网流量的周期性和潮汐性特征，提出了新的广域网单点流量预测模型，进一步提高了广域网单点流量预测的准确度。

为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例的结合离散特征编码和聚类修正的广域网单点流量预测方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。