生产参数确定方法及装置、系统、存储介质和电子设备与流程

本公开涉及半导体制造技术领域，具体而言，涉及一种生产参数确定方法、生产参数确定装置、生产参数确定系统、存储介质和电子设备。

背景技术：

随着半导体产品集成度和制造产能的不断提高，半导体制造工艺也变得越来越复杂，对半导体制造设备及其控制性能的要求也越来越高。批次控制(runtorun，r2r)技术作为影响半导体产品良率、再工次数的重要手段之一，其作用直接影响企业的产能和经济效益。

目前，一方面，考虑到现有r2r控制方法计算能力的限制以及测量成本，无法实时计算反馈值而造成预测生产参数时精度较差；另一方面，由于现有r2r控制方法所参考的数据量巨大，这会导致生产参数的反馈时间较长，进而引起生产过程中断，造成生产效能的损失。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种生产参数确定方法、生产参数确定装置、生产参数确定系统、存储介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的无法较好地确定生产参数的问题。

根据本公开的一个方面，提供一种生产参数确定方法，包括：确定一工艺制程的历史工艺数据；利用历史工艺数据对一神经网络模型进行训练，以确定训练后的神经网络模型；将工艺制程中工艺机台的一目标环境参数输入神经网络模型，以预测目标环境参数对应的目标制程结果；根据目标制程结果确定出建议的生产参数。

可选地，历史工艺数据包括历史生产参数以及与历史生产参数对应的历史制程结果和历史环境参数，历史环境参数为工艺制程中工艺机台历史工作时产生的环境参数；其中，利用历史工艺数据对以神经网络模型进行训练包括：利用历史生产参数对应的历史制程结果和历史环境参数对一神经网络模型进行训练。

可选地，利用历史生产参数对应的历史制程结果和历史环境参数对一神经网络模型进行训练包括：对历史环境参数进行数据清洗以确定历史环境参数中的历史关键参数；利用历史关键参数和历史制程结果对一神经网络模型进行训练。

可选地，将工艺制程中工艺机台的一目标环境参数输入神经网络模型包括：对工艺制程中工艺机台的一目标环境参数进行数据清洗以确定目标环境参数对应目标关键参数；将目标关键参数输入神经网络模型。

可选地，根据目标制程结果确定出建议的生产参数包括：根据制程结果与生产参数的映射关系确定目标制程结果对应的目标生产参数；采用指数加权移动平均方法对目标生产参数进行处理，以确定出建议的生产参数。

可选地，生产参数确定方法还包括：将建议的生产参数发送至一机台控制单元，以便机台控制单元将建议的生产参数与一预设参数阈值范围进行比较；其中，如果建议的生产参数未超出预设参数阈值范围，则机台控制单元将建议的生产参数发送至工艺机台。

可选地，生产参数确定方法还包括：将建议的生产参数反馈给工艺人员，以便工艺人员确定工艺机台是否执行建议的生产参数。

可选地，生产参数确定方法还包括：将工艺制程产生的工艺数据存储至一大数据分布式平台；其中，历史工艺数据、目标环境参数存储于大数据分布式平台中。

根据本公开的一个方面，提供一种生产参数确定装置，包括历史数据确定模块、模型训练模块、制程结果预测模块和生产参数确定模块。

具体的，历史数据确定模块用于确定一工艺制程的历史工艺数据；模型训练模块用于利用历史工艺数据对一神经网络模型进行训练，以确定训练后的神经网络模型；制程结果预测模块用于将工艺制程中工艺机台的一目标环境参数输入神经网络模型，以预测目标环境参数对应的目标制程结果；生产参数确定模块用于根据目标制程结果确定出建议的生产参数。

可选地，历史工艺数据包括历史生产参数以及与历史生产参数对应的历史制程结果和历史环境参数，历史环境参数为工艺制程中工艺机台历史工作时产生的环境参数；其中，模型训练模块包括模型训练单元。

具体的，模型训练单元用于利用历史生产参数对应的历史制程结果和历史环境参数对一神经网络模型进行训练。

可选地，模型训练单元包括关键参数确定子单元和模型训练子单元。

具体的，关键参数确定子单元用于对历史环境参数进行数据清洗以确定历史环境参数中的历史关键参数；模型训练子单元用于利用历史关键参数和历史制程结果对一神经网络模型进行训练。

可选地，制程结果预测模块包括关键参数确定单元和关键参数输入单元。

具体的，关键参数确定单元用于对工艺制程中工艺机台的一目标环境参数进行数据清洗以确定目标环境参数对应目标关键参数；关键参数输入单元用于将目标关键参数输入神经网络模型。

可选地，生产参数确定模块包括目标参数确定单元和生产参数确定单元。

具体的，目标参数确定单元用于根据制程结果与生产参数的映射关系确定目标制程结果对应的目标生产参数；生产参数确定单元用于采用指数加权移动平均方法对目标生产参数进行处理，以确定出建议的生产参数。

可选地，生产参数确定装置还包括参数发送模块。

具体的，参数发送模块用于将建议的生产参数发送至一机台控制单元，以便机台控制单元将建议的生产参数与一预设参数阈值范围进行比较；其中，如果建议的生产参数未超出预设参数阈值范围，则机台控制单元将建议的生产参数发送至工艺机台。

可选地，生产参数确定装置还包括参数反馈模块。

具体的，参数反馈模块用于将建议的生产参数反馈给工艺人员，以便工艺人员确定工艺机台是否执行建议的生产参数。

可选地，生产参数确定装置还包括数据存储模块。

具体的，数据存储模块用于将工艺制程产生的工艺数据存储至一大数据分布式平台；其中，历史工艺数据、目标环境参数存储于大数据分布式平台中。

根据本公开的一个方面，提供一种生产参数确定系统，包括大数据分布式平台，用于存储一工艺制程产生的工艺数据，并执行如上述任意一项的生产参数确定方法；机台控制单元，用于将大数据分布式平台确定出建议的生产参数与一预设参数阈值范围进行比较，如果建议的生产参数未超出预设参数阈值范围，则将建议的生产参数发送至工艺机台；工艺机台，用于接收机台控制单元发送的生产参数，以便执行工艺过程。

根据本公开的一个方面，提供一种存储介质，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任意一项的生产参数确定方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行上述任意一项的生产参数确定方法。

在本公开的一些实施例所提供的技术方案中，通过历史工艺数据训练一神经网络，将目标环境参数输入该神经网络中，以预测目标环境参数对应的目标制程结果，并根据目标制程结果确定出建议的生产参数，本方案通过利用神经网络预测环境参数对应的制程结果，并根据预测的制程结果可以实时对生产参数进行调整，由此，使得生产过程能够及时得到反馈，进而提高了半导体产品的良率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。在附图中：

图1示意性示出了根据本公开的示例性实施方式的生产参数确定方法；

图2示意性示出了根据本公开的第一示例性实施方式的生产参数确定装置的方框图；

图3示意性示出了根据本公开的示例性实施方式的模型训练模块的方框图；

图4示意性示出了根据本公开的示例性实施方式的模型训练单元的方框图；

图5示意性示出了根据本公开的示例性实施方式的制程结果预测模块的方框图；

图6示意性示出了根据本公开的第二示例性实施方式的生产参数确定模块的方框图；

图7示意性示出了根据本公开的第三示例性实施方式的生产参数确定装置的方框图；

图8示意性示出了根据本公开的第四示例性实施方式的生产参数确定模块的方框图；

图9示意性示出了根据本公开的第五示例性实施方式的生产参数确定装置的方框图；

图10示意性示出了根据本公开的示例性实施方式的生产参数确定系统的方框图；

图11示出了根据本公开的示例性实施方式的存储介质的示意图；以及

图12示意性示出了根据本公开的示例性实施方式的电子设备的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

下面描述的生产参数确定方法可以由服务器来实现，也就是说，服务器可以实现本公开的生产参数确定方法的各个步骤，在这种情况下，本公开所述生产参数确定装置可以包含于该服务器内。另外，此处所述的服务器可以部署在一大数据分布式平台上，以便对分布式平台上存储的工艺数据进行处理。

图1示意性示出了本公开的示例性实施方式的生产参数确定方法的流程图。参考图1，所述生产参数确定方法可以包括以下步骤：

s12.确定一工艺制程的历史工艺数据。

以半导体制造加工过程为例，本公开所述工艺制程可以是对晶圆进行光刻、蚀刻、研磨、离子注入或气相沉积等的过程。工艺数据可以是在对晶圆进行工艺处理过程中使用或生成的数据。

历史工艺数据可以被存储至一大数据分布式平台，该大数据分布式平台可以例如基于hadoop框架来构建。在这种情况下，服务器可以从该大数据分布式平台获取针对一工艺制程的历史工艺数据。然而，不限于此，本公开对历史工艺数据的存储方式和利用的存储框架不做特殊限定。

历史工艺数据可以包括历史生产参数以及与各历史生产参数对应的历史制程结果和历史环境参数。

具体的，生产参数可以是向制程中机台发送的用于控制工艺过程的参数，该生产参数可以与工艺制程的配方匹配；环境参数可以是机台基于生产参数进行工艺处理时机台内部工作实际产生的数据，环境参数例如可以包括机台实时温度、电压、压力、气体流量等；制程结果可以是机台基于生产参数运行后得到的生产结果。

s14.利用历史工艺数据对一神经网络模型进行训练，以确定训练后的神经网络模型。

在本公开的示例性实施方式中，可以利用开源的神经网络资源构建本公开所采用的神经网络模型，具体的，可以利用资源框架(如tensorflow和keras)来构建神经网络模型。

在步骤s12确定历史工艺数据后，可以将历史工艺数据作为模型训练的样本构建训练集，以便对神经网络模型进行训练。

根据本公开的一些实施例，可以利用历史生产参数对应的历史制程结果与历史环境参数对神经网络模型进行训练。首先，可以对历史环境参数进行预处理，具体的，可以对历史环境参数进行数据清洗以确定历史环境参数中的历史关键参数，例如，可以基于工艺人员的经验和/或环境参数中与其他工艺数据的关联程度确定关键参数，本示例性实施方式中对此不做特殊限定；接下来，可以利用历史关键参数和历史制程结果对神经网络模型进行训练。神经网络模型的输入为历史环境参数中的历史关键参数，与该历史关键参数对应的历史制程结果作为神经网络模型的输出。

根据本公开的另一些实施例，可以以历史生产参数和历史关键参数作为神经网络模型的输入，对应的历史制程结果作为神经网络模型的输出对神经网络模型进行训练。

s16.将工艺制程中工艺机台的一目标环境参数输入神经网络模型，以预测目标环境参数对应的目标制程结果。

在本公开的示例性实施方式中，目标环境参数可以是机台运行过程中实时产生的环境参数。然而，目标环境参数还可以是机台上一处理过程中产生的环境参数。

在神经网络模型是基于历史制程结果与历史环境参数进行训练的实例中，可以对目标环境参数进行数据清洗以确定目标环境参数对应的目标关键参数，并将目标关键参数输入该神经网络模型。

在将目标环境参数输入神经网络模型后，模型的输出为与目标环境参数对应的目标制程结果。

s18.根据目标制程结果确定出建议的生产参数。

根据本公开的一些实施例，可以预先构建制程结果与生产参数的映射关系，在步骤s16确定出目标制程结果后，可以根据制程结果与生产参数的映射关系确定出目标生产参数，并将该目标生产参数作为建议的生产参数。

根据本公开的另一些实施例，在确定出目标生产参数后，可以采用指数加权移动平均(exponentiallyweighedmovingaverage，ewma)方法对目标生产参数进行处理，以确定出建议的生产参数。采用ewma方法，可以基于过往的生产参数以及权重信息使确定出的生产参数更精确。

在确定出建议的生产参数后，服务器可以将生产参数发送至一机台控制单元。该机台控制单元可以是一r2r模块，用于将服务器的信息转送给各机台，以起到机台控制的作用。

机台控制单元可以将建议的生产参数与一预设参数阈值范围进行比较。其中，该预设参数阈值范围可以由工艺人员根据机台处理情况自行设定。如果建议的生产参数未超出预设参数阈值范围，则机台控制单元可以将建议的生产参数发送至工艺机台，以便机台对当前工艺进行调整；如果建议的生产参数超出预设参数阈值范围，则表明机台可能存在故障，在这种情况下，机台控制单元可以向工艺人员发送告警信息。

此外，根据确定出的建议的生产参数，还可以通过预先构建的生产参数与工艺配方的关系，直接对机台运行的工艺配方进行调整。例如，可以将工艺配方划分为配方a至配方e共六种配方，不同生产参数对应不同工艺配方。

根据本公开的另一些实施例，服务器可以将建议的生产参数反馈给工艺人员，以便工艺人员确定工艺机台是否执行建议的生产参数。具体的，服务器可以向工艺人员发送提醒信息，并基于建议的生产参数以及当前的环境参数绘制出预测的工艺曲线，以便工艺人员直观分析执行建议的生产参数以及维持当前生产参数的制程结果，并作出相应的判断。

根据本公开的另一些实施例，可以将工艺制程中产生或使用的工艺数据存储至一大数据分布式平台，以解决现有r2r控制方法参考的数据量巨大，处理速度慢的问题。

综上所述，根据本公开的示例性实施方式的生产参数确定方法，通过利用神经网络预测环境参数对应的制程结果，并根据预测的制程结果可以实时对生产参数进行调整，由此，使得生产过程能够及时得到反馈，进而提高了半导体产品的良率。另外，通过一实施例中，将神经网络与ewma方法相结合，提高了确定生产参数的精度。此外，相比于相关技术，本公开采用环境参数作为确定生产参数的依据，更符合实际的工艺过程，并且有助于实时更新生产过程。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中还提供了一种生产参数确定装置。

图2示意性示出了本公开的示例性实施方式的生产参数确定装置2的方框图。参考图2，根据本公开的示例性实施方式的生产参数确定装置2可以包括历史数据确定模块21、模型训练模块23、制程结果预测模块25和生产参数确定模块27。

具体的，历史数据确定模块21可以用于确定一工艺制程的历史工艺数据；模型训练模块23可以用于利用历史工艺数据对一神经网络模型进行训练，以确定训练后的神经网络模型；制程结果预测模块25可以用于将工艺制程中工艺机台的一目标环境参数输入神经网络模型，以预测目标环境参数对应的目标制程结果；生产参数确定模块27可以用于根据目标制程结果确定出建议的生产参数。

根据本公开的示例性实施方式的生产参数确定装置，通过利用神经网络预测环境参数对应的制程结果，并根据预测的制程结果可以实时对生产参数进行调整，由此，使得生产过程能够及时得到反馈，进而提高了半导体产品的良率。

根据本公开的示例性实施例，历史工艺数据包括历史生产参数以及与历史生产参数对应的历史制程结果和历史环境参数，历史环境参数为工艺制程中工艺机台历史工作时产生的环境参数；其中，参考图3，模型训练模块23可以包括模型训练单元301。

具体的，模型训练单元301可以用于利用历史生产参数对应的历史制程结果和历史环境参数对一神经网络模型进行训练。

根据本公开的示例性实施例，参考图4，模型训练单元301可以包括关键参数确定子单元401和模型训练子单元403。

具体的，关键参数确定子单元401可以用于对历史环境参数进行数据清洗以确定历史环境参数中的历史关键参数；模型训练子单元403可以用于利用历史关键参数和历史制程结果对一神经网络模型进行训练。

根据本公开的示例性实施例，参考图5，制程结果预测模块25可以包括关键参数确定单元501和关键参数输入单元503。

具体的，关键参数确定单元501可以用于对工艺制程中工艺机台的一目标环境参数进行数据清洗以确定目标环境参数对应目标关键参数；关键参数输入单元503可以用于将目标关键参数输入神经网络模型。

根据本公开的示例性实施例，参考图6，生产参数确定模块27可以包括目标参数确定单元601和生产参数确定单元603。

具体的，目标参数确定单元601可以用于根据制程结果与生产参数的映射关系确定目标制程结果对应的目标生产参数；生产参数确定单元603可以用于采用指数加权移动平均方法对目标生产参数进行处理，以确定出建议的生产参数。

根据本公开的示例性实施例，参考图7，生产参数确定装置7相比于生产参数确定装置2，还可以包括参数发送模块71。

具体的，参数发送模块71可以用于将建议的生产参数发送至一机台控制单元，以便机台控制单元将建议的生产参数与一预设参数阈值范围进行比较；其中，如果建议的生产参数未超出预设参数阈值范围，则机台控制单元将建议的生产参数发送至工艺机台。

根据本公开的示例性实施例，参考图8，生产参数确定装置8相比于生产参数确定装置7，还可以包括参数反馈模块81。

具体的，参数反馈模块81可以用于将建议的生产参数反馈给工艺人员，以便工艺人员确定工艺机台是否执行建议的生产参数。

根据本公开的示例性实施例，参考图9，生产参数确定装置9相比于生产参数确定装置2，还可以包括数据存储模块91。

具体的，数据存储模块91可以用于将工艺制程产生的工艺数据存储至一大数据分布式平台；其中，历史工艺数据、目标环境参数存储于大数据分布式平台中。

由于本发明实施方式的程序运行性能分析装置的各个功能模块与上述方法发明实施方式中相同，因此在此不再赘述。

进一步的，本公开的示例性实施方式还提供了一种生产参数确定系统。参考图10，生产参数确定系统可以包括大数据分布式平台101、机台控制单元102和工艺机台103。

具体的，大数据分布式平台101可以用于存储一工艺制程产生的工艺数据，并执行如上述生产参数确定方法；机台控制单元102可以用于将大数据分布式平台确定出建议的生产参数与一预设参数阈值范围进行比较，如果建议的生产参数未超出预设参数阈值范围，则将建议的生产参数发送至工艺机台；工艺机台103可以用于接收机台控制单元发送的生产参数，以便执行工艺过程。

本公开的示例性实施方式的生产参数确定系统将工艺数据存储至一大数据分布式平台，大大提高了控制计算的过程。另外，通过结合上述生产参数确定方法，将神经网络与ewma方法相结合，提高了确定生产参数的精度。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图11所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品1100，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图12来描述根据本发明的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图12所示，电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230、显示单元1240。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1210执行，使得所述处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1210可以执行如图1中所示的步骤s12至步骤s18。

存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)12201和/或高速缓存存储单元12202，还可以进一步包括只读存储单元(rom)12203。

存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204，这样的程序模块12205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1200也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1250进行。并且，电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。