一种改进CluStream算法的方法、装置、设备和介质与流程

本发明涉及数据挖掘聚类分析领域，更具体地，特别是指一种改进clustream算法的方法、装置、设备和介质。

背景技术：

随着信息技术的迅猛发展，在许多领域中数据会以流的形式出现。此类数据随着时间的流逝而不断演化，并且数据规模会持续增大，传统的基于静态数据的聚类挖掘技术不能满足数据流的处理要求，并且当数据流的规模较大时，会超过传统技术的计算能力。

为实现在线实时聚类要求，本发明基于分布式流式计算框架sparkstreaming，对传统的clustream算法做出改进，克服其微簇特征向量不能实时反映数据流演化特性以及离线阶段采用的算法对用户要求苛刻并且初始聚类中心随机选取对聚类效果影响很大的缺点，从而实现对高速数据流进行高效精确地实时处理与在线分析。

在一些现有技术当中，clustream算法的核心思想就是金字塔时间快照，以及分为on-line(在线)操作的micro-cluster(微簇)和off-line(离线)操作的macro-cluster(宏聚类)两个阶段，同时属于landmarkwindow(界标窗口)的处理模式。

clustream算法作为比较经典的数据流聚类算法，提供的在线/离线双层架构对流聚类挖掘具有重要意义。在线阶段能够实时处理快速到达的数据流，获取概要信息，离线阶段进行宏聚类，两阶段的结合很好地解决了数据流的聚类挖掘的基本要求。sparkstreaming是专门用于处理实时流式数据的计算引擎，二者结合，可以实现对海量流式实时数据进行在线聚类分析和统计。

然而，在对流式数据进行数据挖掘的过程中，发现clustream算法存在以下不足之处：

1)它主要对基于界标时间窗口内的数据流进行微簇提取。随着时间的延长，界标时间窗口也会随着增大。不同时间的微簇却有着相同的权值，必然导致历史数据严重影响当前数据流动态演化的特性。

2)金字塔时间框架首先对微簇进行存储，然后需要运用系统规则对冗余簇进行删除，以满足距现在时间越近，粒度越细，反之则越远的需求。这种处理方式一定程度上增加了计算和存储负载。

3)离线宏聚类阶段，需要用户自己输入类簇数目k，然后利用k-means进行聚类。k值的确定对那些数据流领域知识不足的用户来说比较困难；k-means初始聚类中心的随机选择，也影响宏聚类的质量和效率。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种基于sparkstreaming和改进clustream算法的海量流式数据实时聚类方法，基于专门用于处理实时流式数据的计算引擎sparkstreaming，并对传统的clustream算法进行改进，将改进的clustream算法在sparkstreaming上并行化实现，用于对海量流式数据进行实时处理与在线分析。

基于上述目的，本发明一方面提供了一种改进clustream算法的方法，该方法包括：

将clustream算法的界标时间窗口模型替换为衰减时间窗口模型，并引入数据衰减速率作为衰减因子，进行微簇的提取；

将clustream算法配置为在对微簇快照进行存储的情况下，对金字塔时间模型配置限制规则以消除不同等级上微簇快照的重复计算；

对clustream算法引入canopy算法以确定类簇数目和初始聚类中心，并利用canopy-kmeans算法进行离线宏聚类操作的优化处理；

将clustream算法在sparkstreaming上并行化实现；

通过sparkstreaming从kafka集群读取从数据源接收的数据以进行实时处理与在线分析。

在本发明的改进clustream算法的方法的一些实施方式中，方法还包括：

使用http接口作为数据源中数据的入口，通过http接口将数据发送至kafka集群。

在本发明的改进clustream算法的方法的一些实施方式中，对clustream算法引入canopy算法以确定类簇数目和初始聚类中心，并利用canopy-kmeans算法进行离线宏聚类操作的优化处理还包括：

根据接收到的时间阈值确定需要处理的微簇的集合；

利用canopy算法计算近似的初始聚类中心，将初始聚类中心作为k-means的初始化参数，并判断数据流对象的归属；

响应于判断数据流对象属于canopy算法的同一对象，通过k-means进行离线宏聚类操作。

在本发明的改进clustream算法的方法的一些实施方式中，将clustream算法在sparkstreaming上并行化实现还包括：

响应于数据流传输到若干局部站点，采用并行化处理策略，局部站点针对在线实时的数据流对微簇进行初始化操作和实时更新操作。

在本发明的改进clustream算法的方法的一些实施方式中，将clustream算法在sparkstreaming上并行化实现还包括：

响应于中心站点接收到聚类挖掘请求，将局部站点的微簇汇总到中心站点并进行在线宏聚类操作，根据在线宏聚类操作，对中心站点和局部站点进行迭代操作，并将中间结果以rdd的形式保存在内存中。

在本发明的改进clustream算法的方法的一些实施方式中，方法还包括：

对首次创建的微簇建立相关联的id以对微簇进行标识，响应于通过微簇的合并产生新的微簇，对新的微簇创建相关联的新的id。

在本发明的改进clustream算法的方法的一些实施方式中，方法还包括：

根据微簇的微簇信息获取预设时刻的微簇快照，根据金字塔时间模型周期性地将微簇快照存储在磁盘中。

本发明实施例的另一方面，还提供了一种改进clustream算法的装置，该装置包括：

衰减因子模块，衰减因子模块配置为将clustream算法的界标时间窗口模型替换为衰减时间窗口模型，并引入数据衰减速率作为衰减因子，进行微簇的提取；

金字塔时间模型模块，金字塔时间模型模块配置为将clustream算法配置为在对微簇快照进行存储的情况下，对金字塔时间模型配置限制规则以消除不同等级上微簇快照的重复计算；

离线宏聚类模块，离线宏聚类模块配置为对clustream算法引入canopy算法以确定类簇数目和初始聚类中心，并利用canopy-kmeans算法进行离线宏聚类操作的优化处理；

并行化实现模块，并行化实现模块配置为将clustream算法在sparkstreaming上并行化实现；

处理分析模块，处理分析模块配置为通过sparkstreaming从kafka集群读取从数据源接收的数据以进行实时处理与在线分析。

本发明实施例的另一方面，还提供了一种计算机设备，该计算机设备包括：

至少一个处理器；以及

存储器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时执行前述的改进clustream算法的方法。

本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时执行前述的改进clustream算法的方法。

本发明至少具有以下有益技术效果：本发明将sparkstreaming和改进的clustream算法结合实现流式聚类，将改进的clustream算法在sparkstreaming上并行化实现，用于对海量流式数据进行实时处理与在线分析。一方面可以克服传统的clustream算法存在的缺点，另一方面能够快速、高效、易用、准确率高地实现对流式数据地实时统计与分析。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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实施例。

图1示出了根据本发明的改进clustream算法的方法的实施例的示意性框图；

图2示出了根据本发明的改进clustream算法的方法的实施例的金字塔时间模型优化前后快照存储对比图表；

图3示出了根据本发明的改进clustream算法的方法的实施例的canopy-kmeans的处理流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”和“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

基于上述目的，本发明实施例的第一个方面，提出了一种改进clustream算法的方法的实施例。图1示出的是根据本发明的改进clustream算法的方法的实施例的示意性框图。如图1所示的实施例中，该方法至少包括如下步骤：

s100、将clustream算法的界标时间窗口模型替换为衰减时间窗口模型，并引入数据衰减速率作为衰减因子，进行微簇的提取；

s200、将clustream算法配置为在对微簇快照进行存储的情况下，对金字塔时间模型配置限制规则以消除不同等级上微簇快照的重复计算；

s300、对clustream算法引入canopy算法以确定类簇数目和初始聚类中心，并利用canopy-kmeans算法进行离线宏聚类操作的优化处理；

s400、将clustream算法在sparkstreaming上并行化实现；

s500、通过sparkstreaming从kafka集群读取从数据源接收的数据以进行实时处理与在线分析。

在本发明的一些实施例中，clustream算法改进策略包括步骤s100、步骤s200和步骤s300。

其中，步骤s100包括：引入衰减因子减轻历史数据对微簇的影响，并通过聚类中心、聚类距离等进行基于时间权重的改进，更好地反应当前数据流的演化情况。由于界标时间窗口模型的历史数据权值一直保持不变，会导致历史数据严重影响当前数据流动态演化的特性，因此，选择衰减时间窗口模型代替界标时间窗口模型，对微簇进行重新定义，更好地反映数据流的动态变化。选择λ作为衰减因子，其中0<λ<1，λ的值代表了数据的衰减速率，数据点在t时刻的实时权值定义为：f(t)＝λ^t。

步骤s200包括：在微簇快照存储时，事先加入判断条件，能避免顺序存储再进行冗余删除。

金字塔时间框架通过将时间轴划分为不同粒度的时间帧：离现在越近，粒度越细；反之，离现在越远，粒度越粗。利用此种时间帧结构，对微簇快照进行存储，能够满足进行数据流的动态演化以及存储空间有限的需求。

金字塔时间模型在处理时，首先引入分割的因子a，然后将时钟时刻t1，t2，…，tn按照分割因子a划分为1～loga(t)。而且第i个等级上最多存储a+1个快照，并且存储的快照只能被aⁱ整除而不能被aⁱ⁺¹整除。可推出从数据流聚类挖掘开始，存储在t时刻的最大集合数目为(a+1)loga(t)。

金字塔时间模型为了保证微簇快照的存储按照金字塔时间模型存储，通过适度的代价来调整。比如，如果在等级β(β>1)上保存a^β+1个快照，则一共可存储(a^β+1)loga(t)个快照，图2示出的是根据本发明的改进clustream算法的方法的实施例的金字塔时间模型优化前后快照存储对比图表，如图2所示，可以发现金字塔时间框架会产生存储冗余，需要运用系统规则来加以消除。根据此不足，优化金字塔时间模型，在一些实施例中，改进策略主要是通过制定其限制规则，消除对不同等级上微簇快照的重复计算。在时钟时刻t插入微簇快照mt时，限定规则为公式：

(mtmodaⁱ)＝0&&(mtmodaⁱ⁺¹)≠0

然后将微簇快照mt插入到等级i中，其中i＝loga(t)。

步骤s300包括：图3示出的是根据本发明的改进clustream算法的方法的实施例的canopy-kmeans的处理流程示意图，引入canopy算法进行类簇数目k和初始聚类中心的确定，并利用canopy-kmeans算法进行离线宏聚类优化处理。其中，canopy-kmeans算法的流程如图3所示，通过canopy中心点生成，之后输入数据标准。之后，通过k-means进行中心点标注并生成中心点，最终输出聚类结果。

根据步骤s400，将clustream算法在sparkstreaming上并行化实现，并行化实现的设计包括在线微聚类并行化实现以及离线宏聚类并行化设计：

在线微聚类并行化实现包括：在线微聚类并行化设计主要针对微簇初始化及微簇实时更新进行并行化处理，微簇周期性保存可以在微簇更新时进行判断处理。

(1)微簇初始化map实现

微簇初始化时的迭代部分是计算存储在磁盘中的数据流对象xi到中心点m的距离l。因此，并行化时的map部分，主要是完成l的计算并选择出l的最小值，得到xi所应该划分的局部簇。然后计算中心点m的数据流对象均值，求取新的中心点。根据本地站点的计算结果，与原有的数据中心点m进行对比，判断是否收敛。若收敛，聚类完毕，否则，将返回到map过程继续计算。

(2)微簇在线实时更新维护map算法实现

改进clustream的在线微簇实时更新其实就是局部站点的微簇更新，然后按照一定模式保存在本地磁盘中，并没有涉及到reduce过程交汇到中心站点进行汇总操作。streaming采用的是微批处理操作，即将连续的数据流划分为一段段的数据段进行批处理，利用kafka进行流数据的接收处理，然后对其更新算法进行map处理。

离线宏聚类并行化设计包括以下步骤：

(1)首先设置master节点及应用程序名称，初始化sparkconf配置。

(2)利用streamingcontext初始化，设定集群地址和batch窗口大小，将输入数据进行一次sparkjob处理，转化成rdd操作

(3)各局部站点map并行计算微簇到canopy中心点的距离，并进行划分得到距离列表。

(4)局部站点将距离列表进行combine操作，然后reduce汇总到中心站点，获得新的聚类中心。

(5)将canopy过程得到的聚类中心，作为k-means的种子点，并将种子点进行广播。

(6)各局部站点的微簇map计算到种子点的距离并划入距离最小的类簇。

(7)对上一步骤中计算得到的rdd进行在局部站点本地进行combine操作，最终reduce到中心站点，重新计算出新的类簇中心。

(8)对上一步骤中计算得到的新的类簇中心进行判断，如果收敛，则计算结束。否则，根据新产生的类簇中心继续迭代计算前两步骤，直到收敛为止。

最后根据步骤s500，通过http接口作为数据源的入口，好处在于可以兼容各种不同数据源。然后将数据发送到kafka集群，接着将改进的clustream算法在sparkstreaming上并行化实现，sparkstreaming从kafka集群读取数据并实时在线分析，从而实现对海量流式数据的实时统计与分析。

根据本发明的改进clustream算法的方法的一些实施方式，方法还包括：

使用http接口作为数据源中数据的入口，通过http接口将数据发送至kafka集群。

在本发明的一些实施例中，平台使用通用的http接口作为数据源的入口，可以兼容各个不同数据源的数据系统。数据从http接口进入到完成统计的主要流程如下：

(1)数据源与平台建立http连接，将数据发送到平台。

(2)负载均衡服务器接收到http请求，根据负载均衡算法将请求分配给http服务器。

(3)http服务器接收到http请求，将数据发送到kafka集群。

(4)sparkstreaming从kafka集群读取流式数据，并对数据进行简单的清洗(原始数据中，存在一些信息差错或数据不全的问题，这类信息的存在将对后续数据分析造成一定的干扰，因此对这些干扰或不全的信息进行去除)、数据连接(对关键信息进行连接)、数据整理(原始数据中，有部分数据的内容是不易于计算机识别的，而计算机在进行分析是一般需要将信息转化为数值形式)。

根据本发明的改进clustream算法的方法的一些实施方式，对clustream算法引入canopy算法以确定类簇数目和初始聚类中心，并利用canopy-kmeans算法进行离线宏聚类操作的优化处理还包括：

根据接收到的时间阈值确定需要处理的微簇的集合；

利用canopy算法计算近似的初始聚类中心，将初始聚类中心作为k-means的初始化参数，并判断数据流对象的归属；

响应于判断数据流对象属于canopy算法的同一对象，通过k-means进行离线宏聚类操作。

在本发明的一些实施例中，首先，根据用户输入的时间阈值h，确定需要处理的微簇集合。然后，利用canopy计算近似的初始类簇中心，并将其作为k-means的初始化参数进行处理。在进行k-means聚类处理时，对其中的数据流对象的归属问题进行判断，如果是属于同一canopy的对象，才进行计算。

根据本发明的改进clustream算法的方法的一些实施方式，将clustream算法在sparkstreaming上并行化实现还包括：

响应于数据流传输到若干局部站点，采用并行化处理策略，局部站点针对在线实时的数据流对微簇进行初始化操作和实时更新操作。

在本发明的一些实施例中，包含m个局部站点和一个中心站点。每个局部站点mi，当数据流xi不断涌入到局部站点时，此时无需用户干预，采用并行化处理的策略，各局部站点针对在线实时流，对微簇进行初始化和实时更新操作。

根据本发明的改进clustream算法的方法的一些实施方式，将clustream算法在sparkstreaming上并行化实现还包括：

响应于中心站点接收到聚类挖掘请求，将局部站点的微簇汇总到中心站点并进行在线宏聚类操作，根据在线宏聚类操作，对中心站点和局部站点进行迭代操作，并将中间结果以rdd的形式保存在内存中。

在本发明的一些实施例中，当中心站点接收到用户的聚类挖掘请求时，各局部站点的微簇会被汇总到中心站点并进行宏聚类操作，此阶段中心站点和局部站点进行map/reduce操作进行迭代，中间结果以rdd的形式保存在内存中，减少i/o消耗。其中，中心站点和各局部站点间的通信是通过共享变量完成的，如spark中的广播变量和累加器。

sparkstreaming处理时会将dstream(discretedstream)操作转化为spark的rdd操作。rdd中的transformation算子中map用来各局部站点的合并处理。而rdd中的map采用的懒依赖设计，即map中的处理过程不能被即时提交，必须其reduce过程被提交，map中的处理过程才会被激活。因此，为唤醒map过程，设计一个reduce过程，提交map局部结果，但不做任何操作。

离线宏聚类算法，需要中心站点和局部站点进行交互，即基于sparkstreaming的dstream中rdd的map和reduce过程。中心站点的离线宏聚类阶段，是根据用户输入的时间阈值h以及类簇数目k，针对在线阶段维护并根据金字塔时间模型存储在硬盘中的快照进行更高层次的聚类。然而类簇数目k值的确定给对于数据领域了解较少的用户带来了困难，以及聚类中心的随机选择都降低了聚类质量。采用canopy算法进行聚类中心初始化及类簇数目k值的确定，并利用canopy-kmeans算法对离线宏聚类过程进行优化，提高聚类得质量和效率。

根据本发明的改进clustream算法的方法的一些实施方式，方法还包括：

对首次创建的微簇建立相关联的id以对微簇进行标识，响应于通过微簇的合并产生新的微簇，对新的微簇创建相关联的新的id。

在本发明的一些实施例中，局部站点在线微聚类阶段时，在各局部站点，对不断涌入的数据流进行概要结构提取，并对微簇进行实时更新的并行处理。该阶段不依赖于用户的任何输入，例如类簇数目k和时间阈值h，仅需要在微簇初始化时指定初始微簇的数目q，q的值应该远远大于预期聚类结果的类簇数据k，而远远小于数据流在一段时间内的数据点数据点数量n。其目的是在足够高的粒度(时间和空间)水平上利用微簇维护数据流的概要信息，以便在离线处理阶段能够对微簇集进行聚类处理。

待维护的微簇数目q是个常量值，在微簇不断更新过程中，q的值不变。初始化后将存储在各节点的微簇集用m1，m2，…，mq等来表示。当这些微簇首次被创建时，都会创建一个id与其关联。当有数据流点到达时会引起微簇信息的改变，例如有时会引起两个微簇的合并，此时会有新的id对合并后的簇进行标识。最后将具体的某一时刻的微簇信息代表此时刻的微簇快照，并根据金字塔时间框架为存储模型，周期性地将微簇快照存储在磁盘中。

根据本发明的改进clustream算法的方法的一些实施方式，方法还包括：

根据微簇的微簇信息获取预设时刻的微簇快照，根据金字塔时间模型周期性地将微簇快照存储在磁盘中。

在本发明的一些实施例中，在线微聚类并行化设计主要针对微簇初始化及微簇实时更新进行并行化处理，根据金字塔时间框架为存储模型，周期性地将微簇快照存储在磁盘中。微簇周期性保存可以在微簇更新时进行判断处理。

本发明实施例的另一方面，提出了一种改进clustream算法的装置的实施例。该装置包括：

衰减因子模块，衰减因子模块配置为将clustream算法的界标时间窗口模型替换为衰减时间窗口模型，并引入数据衰减速率作为衰减因子，进行微簇的提取；

金字塔时间模型模块，金字塔时间模型模块配置为将clustream算法配置为在对微簇快照进行存储的情况下，对金字塔时间模型配置限制规则以消除不同等级上微簇快照的重复计算；

离线宏聚类模块，离线宏聚类模块配置为对clustream算法引入canopy算法以确定类簇数目和初始聚类中心，并利用canopy-kmeans算法进行离线宏聚类操作的优化处理；

并行化实现模块，并行化实现模块配置为将clustream算法在sparkstreaming上并行化实现；

处理分析模块，处理分析模块配置为通过sparkstreaming从kafka集群读取从数据源接收的数据以进行实时处理与在线分析。

基于上述目的，本发明实施例的另一方面，还提出了一种计算机设备，该计算机设备包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机程序，处理器执行程序时执行前述的改进clustream算法的方法。

本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时执行前述的改进clustream算法的方法。

本发明的实施例可以接收并实时在线分析互联网上源源不断产生的数据，获取有益的讯息，规避未知的风险。比如，可以从近期，互联网用户对某商品的点击率或者评分，得知需要改善的地方及市场投放率，还可以推送其他搭配使用的商品，从而提高效益。

同样地，本领域技术人员应当理解，以上针对根据本发明的改进clustream算法的方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的装置、计算机设备和介质。为了本公开的简洁起见，在此不再重复阐述。

需要特别指出的是，上述改进clustream算法的方法、装置、设备和介质的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于改进clustream算法的方法、装置、设备和介质也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。

最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，改进clustream算法的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)或快闪存储器。易失性存储器可以包括随机存取存储器(ram)，该ram可以充当外部高速缓存存储器。作为例子而非限制性的，ram可以以多种形式获得，比如同步ram(dram)、动态ram(dram)、同步dram(sdram)、双数据速率sdram(ddrsdram)、增强sdram(esdram)、同步链路dram(sldram)、以及直接rambusram(drram)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp和/或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在asic中。asic可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括ram、rom、eeprom、cd-rom或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(dsl)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、dsl或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。