一种作业调度方法、装置及设备与流程

本说明书涉及大数据技术领域，特别地，涉及一种作业调度方法、装置及设备。

背景技术：

目前大数据作业平台的调度作业状态通常分为ready(准备)、pending(等待)、running(运行)、done(完成)、failed(失败)5种状态。5种状态的含义如下：从未运行过的作业初始状态为ready；所依赖的作业完成之后，作业的状态变为pending，即等待运行；当作业正在运行时状态为running；作业成功完成后的状态为done；作业运行失败时作业状态为failed。即，当作业的依赖作业完成后，作业即可运行。

但通常作业平台的集群资源有限，如果同一时间进入pending状态的作业数量较大，则需要对作业运行设置并发限制，以使得部分作业先运行，另一部分作业延后运行。实际应用中，同时运行的作业之间通常可能存在一定的特征差异性。如部分作业计算量复杂，需消耗偏重cpu和内存资源。而部分作业计算简单，但是数据量较大，需消耗偏重i/o。如果让所有消耗偏重cpu和内存资源的作业同时运行，可能会造成集群cpu和内存资源紧张；如果让所有消耗偏重i/o的作业同时运行，则可能会造成集群i/o紧张。即在作业运行过程中，如果出现上述任一情况，都可能会增大集群宕机的风险，从而影响整个作业平台的正常运行。

而随着线上业务的快速发展，作业数量越来越多，作业时效性要求也越来越高，使得集群资源扩充的速度远小于单位时间内需要处理的作业数量的增长速度，因此，批量作业运行顺序的灵活配置对作业平台的有效运行至关重要。

技术实现要素：

本说明书实施例的目的在于提供一种作业调度方法、装置及设备，可以更加合理地利用有限的集群资源，提高批量作业整体运行的效率。

本说明书提供一种作业调度方法、装置及设备是包括如下方式实现的：

一种作业调度方法，所述方法包括：接收作业平台发送的目标批量作业；提取所述目标批量作业中作业的特征信息，所述特征信息至少包括作业运行特征及作业运行时间下的集群资源特征；基于所述作业的特征信息预测相应作业在所述目标批量作业中的初始运行排序结果；利用作业的时效特征对所述初始运行排序结果进行调整，得到相应作业在所述目标批量作业中的运行排序结果，以使作业平台基于所述运行排序结果运行目标批量作业的各作业。

本说明书提供的所述方法的另一些实施例中，所述基于所述各作业的特征信息预测相应作业在所述目标批量作业中的初始运行排序结果，包括：利用预先构建的排序预测模型对所述各作业的特征信息进行处理，得到相应作业在所述目标批量作业中的初始运行排序结果。

本说明书提供的所述方法的另一些实施例中，所述排序预测模型采用下述方式构建：获取指定历史时间区间内等待运行的作业，得到初始样本集；从所述初始样本集中选取重要度大于第一重要度阈值且作业运行时长小于第一时长阈值的作业作为第一指定作业、重要度大于第一重要度阈值且作业运行时长大于第二时长阈值的作业作为第二指定作业、重要度小于第二重要度阈值且作业运行时长小于第一时长阈值的作业作为第三指定作业、重要度小于第二重要度阈值且作业运行时长大于第二时长阈值的作业作为第四指定作业；其中，第一重要度阈值大于等于第二重要度阈值；第二时长阈值大于等于第一时长阈值；以所述初始样本集中的第一指定作业、部分第二指定作业、满足预设作业数量要求的第三指定作业作为正样本；其中，所述预设作业数量要求是指指定时间下第三指定作业的数量小于指定作业数量值；以所述初始样本集中的不满足预设作业数量要求的第三指定作业、部分第四指定作业作为负样本；按预设比例从所述初始样本集中提取正样本及负样本，得到样本集，以利用所述样本集构建排序预测模型。

本说明书提供的所述方法的另一些实施例中，所述排序预测模型基于xgboost算法构建。

本说明书提供的所述方法的另一些实施例中，所述提取所述目标批量作业中作业的特征信息之前，还包括：将作业时效值大于指定时效阈值的作业作为第一目标作业，将作业时效值小于等于指定时效阈值的第二目标作业；并设置所述第一目标作业的作业系数为指定系数值、所述第一目标作业的优先运行概率为1；相应的，提取所述目标批量作业中第二目标作业的特征信息，以预测第二目标作业的初始运行排序结果；其中，所述初始运行排序结果利用优先运行概率表征，所述优先运行概率的取值大于零且小于等于1；利用预设计算方法计算所述第二目标作业的作业系数；其中，所述预设计算方法包括：

其中，l表示第二目标作业的作业系数，m表示所述目标批量作业中第二目标作业的作业总数，n表示第二目标作业在m个第二目标作业中按优先运行概率从大到小的初始排序，k为指定系数值；计算任一所述第一目标作业及第二目标作业的作业系数与优先运行概率的积，作为相应第一目标作业或第二目标作业的排序基准值，以使作业平台基于所述排序基准值运行目标批量作业的各作业。

本说明书提供的所述方法的另一些实施例中，所述作业运行特征至少包括作业依赖特征、作业资源消耗特征；其中，所述作业依赖特征用于表征作业依赖或被依赖的特征；所述作业资源消耗特征至少包括作业运行时长、作业运行消耗的集群资源。

本说明书提供的所述方法的另一些实施例中，所述集群资源特征至少包括作业运行时间区间下的集群资源信息及集群运行报错信息。

本说明书提供的所述方法的另一些实施例中，所述作业依赖特征利用作业的出度、入度及层级信息表征；其中，所述出度表示依赖相应作业的作业数，所述入度表示相应作业依赖的作业数；所述层级信息包括作业在作业依赖树中的层级信息；其中，所述作业依赖树基于目标批量作业中各作业之间的依赖关系构建。

另一方面，本说明书实施例还提供一种作业调度装置，所述装置包括：接收模块，用于接收等待运行的目标批量作业；所述等待运行是指作业的依赖作业已成功完成的作业状态；提取模块，用于提取所述目标批量作业中各作业的特征信息，所述特征信息至少包括作业运行特征及作业运行时间区间下的集群资源特征；预测模块，用于基于所述各作业的特征信息预测相应作业在所述目标批量作业中的初始运行排序结果；调整模块，用于利用作业的时效特征对所述初始运行排序结果进行调整，得到相应作业在所述目标批量作业中的运行排序结果，以使作业平台基于所述运行排序结果运行目标批量作业的各作业。

另一方面，本说明书实施例还提供一种作业调度设备，所述设备包括至少一个处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现上述任意一个或者多个实施例所述方法的步骤。

本说明书一个或多个实施例提供的作业调度方法、装置及设备，通过对作业平台运行的作业场景进行分析，提取作业运行特征及作业运行时间区间下的集群资源特征，综合对作业运行顺序进行预测，可以提高批量作业运行排序的合理性，在有限的集群资源下，提高批量作业的整体运行效率。再结合作业的排序调整机制，可以使作业、实际场景需求与集群资源等作业运行要素更高效地结合，为平台提供一套可扩展的、自学习智能化的作业优先级解决方案。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书提供的一个实施例中的作业调度方法的实施流程示意图；

图2为本说明书提供的一个实施例中的作业排序流程示意图；

图3为本说明书提供的一个实施例中的作业排序流程示意图；

图4为本说明书提供的一个实施例中的作业调度装置的模块结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是说明书一部分实施例，而不是全部的实施例。基于说明书一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书实施例方案保护的范围。

图1是本说明书提供的作业调度方法的一个实施例的流程示意图。如图1所示，本说明书实施例还提供一种作业调度方法，所述方法可以应用于执行作业排序预测的服务器。相应的，所述方法可以包括如下步骤。

s20：接收作业平台发送的目标批量作业。

服务器可以接收作业平台发送的目标批量作业。作业平台如可以在评估某批量作业所包含的作业数量比较大、作业类型比较复杂的情况下，将目标批量作业发送至服务器，以使服务器预测批量作业中进入等待运行(pending)状态的作业的运行顺序。当然，作业平台也可以将每一次批量作业发送至服务器，以使得服务器预测批量作业中进入等待运行(pending)状态的作业的运行顺序。

s22：提取所述目标批量作业中各作业的特征信息，所述特征信息至少包括作业运行特征及作业运行时间下的集群资源特征。

服务器可以提取所述目标批量作业中各作业的特征信息。所述特征信息至少可以包括作业运行特征及作业运行时间下的集群资源特征。其中，所述作业运行特征可以用于表征对作业运行存在影响的特征，如作业所需的运行时长、依赖信息、作业脚本信息等等。所述集群资源特征可以用于表征作业运行所处的时间区间下的集群资源特征，如集群在该时间区间下的繁忙程度、预估剩余内存情况、报错信息等。

其中，作业的运行时间区间如可以下述方式确定，提取该作业运行开始时间点处于指定总批次下的第几个批次、及该作业运行结束时间点处于指定总批次下的第几个批次，得到作业运行批次间隔；利用目标批量作业的预设整体运行区间以及作业运行批次间隔确定作业运行时间区间。当然，也可以预先配置目标批量作业中各作业的作业运行时间区间，相应的，服务器可以直接从各作业的配置信息中提取出相应作业的作业运行时间区间。

通过综合分析作业自身的特征及运行时间段内的集群资源情况，可以大幅提高作业运行过程中资源分配的合理性，充分利用机器的资源，以保证批量作业在有限的集群资源条件下的整体运行效率。

一些实施例中，所述作业运行特征至少可以包括作业依赖特征。其中，所述作业依赖特征可以用于表征作业依赖或被依赖的特征。所述作业依赖特征如可以利用作业的出度、入度及层级信息表征。其中，所述出度表示依赖相应作业的作业数。所述入度表示相应作业依赖的作业数。作业被依赖度越高，即出度值越大，则可以说明该作业在整个批量运行过程中的重要程度越高，越可能处在作业调度的关键路径上。所述层级信息可以包括作业在作业依赖树中的层级信息；其中，所述作业依赖树基于目标批量作业中各作业之间的依赖关系构建。

可以梳理批量作业的依赖关系，构建作业依赖树。作业依赖树可以包括多个层级，初始层级位于树的最末端，用于填充不依赖其他作业的作业，依次往上，根据依赖关系将各作业配置到依赖树的其他层级中，得到该目标批量作业所对应的作业依赖树。对于任一作业，可以提取作业位于作业依赖树的第几层，该作业的下面有几个层级，该作业的上面有几个层级，该作业所处的依赖关系总共对应几个层级，作为相应作业的层级信息。通过层级信息可以更加准确地表征作业在目标批量作业中的整体依赖特征。

可以分别利用作业的出度、入度及层级信息来表征作业依赖特征。也可以对作业的出度、入度及层级信息进行融合处理，利用融合处理来表征作业依赖特征。由上述分析可知，作业依赖特征可以更好地表征作业在调度过程中的关键性，相应的，基于作业依赖特征作为特征信息的一部分，可以有效保证关键作业及时运行，提高批量作业整体调度的合理性，进而提高在有效集群资源的情况下批量作业整体运行的效率。

另一些实施例中，所述作业运行特征至少还可以包括作业资源消耗特征。其中，所述作业资源消耗特征至少可以包括作业运行时长、作业运行消耗的集群资源等。作业运行时长可以用来表征作业处理的快慢程度。作业运行消耗的集群资源如可以包括作业运行消耗多项core(内核)、内存等。基于作业资源消耗特征可以更加定量地确定作业运行所需求的集群资源，以在有限的集群资源范围内，更好地调整向各作业提供的资源，提高作业的整体运行效率。

一个场景示例中，作业运行特征如可以包括作业等级基本信息、作业要求的时效、作业的依赖信息、作业的层次信息、作业频率信息、作业建立信息、作业运行信息、作业运行快慢标志、作业原始优先级别信息、作业消耗资源信息、作业组信息等类型的特征。另外，还可以获取作业运行时间区间，提取该时间区间下的集群资源特征，如集群资源基础信息、集群资源消耗信息、运行报错信息等。

(1)作业运行特征如可以包括：

等级基本信息：核心程序等评级信息，所在git门禁几级,作业的行数；

作业要求的时效：需要在指定批次总数下的第几个批次完成；

作业的依赖信息：定义作业的出度和入度数。入度即为该作业依赖的作业数，出度即为依赖该作业的作业数，出度越大的作业的重要度越高，表示该作业处在调度的关键路径上；

作业的层次信息：作业处于作业依赖树的第几层，后面还有多少层，一共有多少层等；

作业频率信息：如作业是每天、周、月或年运行，还是采用其他运行频率；

作业建立信息：是否是虚拟作业，作业建立的时间等；

作业运行信息：运行时长，作业每次运行耗时增加的幅度，作业最近1个月，最近3个月，最近6月报错次数等；

作业运行快慢标志：如不到半小时即为快，超过半个小时为慢；

作业原始优先级别信息：作业制定者自定义的优先级别信息；

作业消耗资源信息：消耗多少core,消耗多少内存；

作业批次信息：多批次还是单批次；

作业组信息：作业属于那个作业组；

作业所属的部门和组：作业属于那个部门，作业属于那个行政组；

作业脚本信息：作业的具体路径,作业种类：批量作业、加载作业、导出作业，作业的行数，insert关键字个数；join关键的个数作业运行所在的服务器，作业设置的资源队列；

作业的表信息：表大小，作业每次运行后表大小增加幅度；

作业的触发信息：本作业有那个作业直接触发开始等待运行；

作业供数情况：用于灵活查询，用于批量供数给下游，还是用于联机查询。

(2)作业运行时间区间下的集群资源特征：

集群资源消耗特征：如该时间区间下运行的sql数量，已经分配的core和内存，还剩多少core和内存；

时间点报错信息：最近1个月，最近3个月，最近6个月出现的报错的个数；

集群基础资源信息：如pending的作业数，完成的作业数，失败的作业数，作业完成的平均耗时，整体的作业数，调度服务器个数，内存，cpu等。

当然，上述特征类型仅为优选举例说明，具体实施时还可以根据需要配置作业类型，这里不做限定。例如，一些实施方式中，还可以在提取上述作业特征的基础上，进一步构建作业关键度及作业复杂度特征，所述作业关键度可以利用作业出度、作业层级信息等进行组合表征，所述作业复杂度可以利用作业运行时长及作业脚本信息等确定。利用作业关键度及作业复杂度作为特征，可以更加准确地表征作业的重要性、处理快慢、消耗资源情况等，进而使得重要且高效运行的作业可以被优先处理，提高批量作业在整体调度中的合理性，进而提高批量作业整体运行效率。

s24：基于所述各作业的特征信息预测相应作业在所述目标批量作业中的初始运行排序结果。

服务器可以基于目标批量作业中任一作业的特征信息预测相应作业在所述目标批量作业中的初始运行排序结果。一些实施例中，如可以利用预设算法构建排序预测模型，利用该预先构建的排序预测模型对所述各作业的特征信息进行处理，得到相应作业在所述目标批量作业中的初始运行排序结果，以提高排序结果预测的准确性及效率。当然，也可以采用其他预测方式，如回归算法等。

可以先构建样本集，利用样本集进行模型的训练及验证，得到排序预测模型。一些实施例中，获取指定历史时间区间内等待运行的作业，得到初始样本集。如可以预先对每个等待运行的作业进行信息采集埋点，以采集各等待运行的作业实际开始运行的时间点、结束的时间点等，以获得指定历史时间区间内等待运行的作业的作业运行信息、作业运行时的集群资源信息等，得到初始样本集。所述指定历史时间区间如可以为近一年、两年等。

从所述初始样本集中选取重要度大于第一重要度阈值且作业运行时长小于第一时长阈值的作业作为第一指定作业、重要度大于第一重要度阈值且作业运行时长大于第二时长阈值的作业作为第二指定作业、重要度小于第二重要度阈值且作业运行时长小于第一时长阈值的作业作为第三指定作业、重要度小于第二重要度阈值且作业运行时长大于第二时长阈值的作业作为第四指定作业。其中，第一重要度阈值大于等于第二重要度阈值；第二时长阈值大于等于第一时长阈值。

相应的，第一指定作业即为重要且快的作业、第二指定作业即为重要且慢的作业、第三指定作业即为不重要且快的作业、第四指定作业即为不重要且慢的作业。其中，作业的重要度可以基于作业依赖特征、预先配置的作业重要系数等信息确定。

可以以所述初始样本集中的第一指定作业、部分第二指定作业、满足预设作业数量要求的第三指定作业作为正样本。其中，所述预设作业数量要求是指指定时间下第三指定作业的数量小于指定作业数量值。并以所述初始样本集中的不满足预设作业数量要求的第三指定作业、部分第四指定作业作为负样本。然后，可以按预设比例从所述初始样本集中提取正样本及负样本，得到样本集，以利用所述样本集构建排序预测模型。

例如，可以选取全部重要且快的作业、不重要且快的作业(如指定作业数量值为100)、重要且慢的作业按比例取(如比例为50％)作为正样本。提取不重要且快的作业，不重要且慢的作业按比例取(如比例为50％)作为负样本。采用正、负样本比为1:10从正样本、负样本中提取样本，构建样本集。

通过上述方式，可以使得样本集中的正样本尽量全面地覆盖重要的、运行速度快的作业，使该部分作业尽快运行；对于不重要且运行快的作业，如果在指定时间下相对数量较少，对整体运行影响较小，则可以作为正样本；而对于重要但运行速度较慢的作业，也可以适当选取一部分，使其优先运行。相应的，对于负样本，除选取不重要且快的作业外，还可以选取部分不重要且慢的作业作为负样本，以及对于不重要且运行快的作业，如果在指定时间下相对数量较多，对整体运行影响较大，则也可以作为负样本，延后运行。从而使得构建的样本集所覆盖的作业类型更加全面、准确，使得最终训练得到的模型更符合实际应用场景。

然后，可以提取样本集中各样本的特征信息，特征提取方式可以参考上述实施例。还可以对提取的特征进行预处理，如将长度数字、日期等特征值做log变换，使数据在一定程度上符合正态分布等。可以以一个作业的特征信息作为一个输入特征向量，构建训练集及验证集，进行模型训练及验证。

一些实施例中，所述排序预测模型可以基于xgboost算法构建。xgboost算法可以在模型训练过程中，对各特征进行排序及加权处理，提取出对作业排序更为关键的特征，赋予较大的权重，从而可以大幅提高模型预测的准确率。模型参数如可以采用下述方式配置：

当然，实际应用中也可以采用其他算法，如利用gbdt等算法构建所述排序预测模型。

s26：利用作业的时效特征对所述初始运行排序结果进行调整，得到相应作业在所述目标批量作业中的运行排序结果，以使作业平台基于所述运行排序结果运行目标批量作业的各作业。

服务器还可以利用作业的时效特征对所述初始运行排序结果进行调整，得到相应作业在所述目标批量作业中的运行排序结果，以使作业平台基于所述运行排序结果运行目标批量作业的各作业。部分作业因有特殊要求，需要尽快处理完成，但因模型考量的因素较多，则可能使得该部分作业无法全部达到相应的优选级别。在获得模型的输出结果后，服务器可以进一步利用表征作业报送的紧急程度的时效特征对模型输出结果进行调整，以使得较为紧急的作业优先完成处理。作业的时效特征如可以由作业指定者预先配置。

另一些实施例中，所述初始运行排序结果可以利用优先运行概率表征。其中，优先运行概率为大于零且小于等于1的数值。优先运行概率越大，则作业运行的优选级别越高。可以利用作业时效值来定量表征作业的时效特征，量化方式可以根据需要配置，这里不做限定。如图2所示，可以利用下述方式确定目标批量作业中各作业的运行顺序。服务器可以将作业时效值大于指定时效阈值的作业作为第一目标作业，作业时效值小于等于指定时效阈值的第二目标作业。

如图3所示，对于第一目标作业，服务器可以设置所述第一目标作业的作业系数为指定系数值、所述第一目标作业的优先运行概率为1。

对于第二目标作业，服务器可以利用上述方式提取第二目标作业的特征信息，并利用排序预测模型对第二目标作业的特征信息进行处理，得到第二目标作业的优先运行概率。可以利用预设计算方法计算所述第二目标作业的作业系数；其中，所述预设计算方法包括：

其中，l表示第二目标作业i的作业系数，m表示所述目标批量作业中第二目标作业的作业总数，n表示第二目标作业i在m个第二目标作业中按优先运行概率从大到小的初始排序，k为指定系数值。

计算任一所述第一目标作业及第二目标作业的作业系数与优先运行概率的积，作为相应第一目标作业或第二目标作业的排序基准值，从而得到目标批量作业中各作业的排序基准值。作业平台可以按所述排序基准值从大到小的顺序运行目标批量作业的各作业，从而可以使得时效性要求较高或者作业优先级别较高的作业优先运行，更好地兼顾作业的时效性要求及作业本身的优先级别要求，使得批量作业的整体运行更符合实际业务场景需求。

目前基于hadoop集群作业调度中的调整作业优先级通常都是人为设定的，这种预设优先级规则不能基于多种因素排序、排序可扩展性差。本说明书上述实施例，通过对作业平台运行的作业场景进行分析，提取作业的特征信息，利用作业运行特征及作业运行时间区间下的集群资源特征，综合对作业运行顺序进行预测，可以提高作业运行排序的合理性，在有限的集群资源下，提高批量作业的整体运行效率。同时，利用排序预测模型还可以解决人为设定的优先级的不合理及扩展性差等问题，再结合作业的排序调整机制，可以使作业、集群资源等作业运行要素更高效地结合，为平台提供一套可扩展的、自学习智能化的作业优先级解决方案。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述，在此不做一一赘述。

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。

如图4所示，基于上述实施例提供的方法，本说明书还提供一种作业调度装置，应用于服务器，所述装置可以包括：

接收模块102，可以用于接收等待运行的目标批量作业；所述等待运行是指作业的依赖作业已成功完成的作业状态。

提取模块104，可以用于提取所述目标批量作业中各作业的特征信息，所述特征信息至少包括作业运行特征及作业运行时间区间下的集群资源特征。

预测模块106，可以用于基于所述各作业的特征信息预测相应作业在所述目标批量作业中的初始运行排序结果。

调整模块108，可以用于利用作业的时效特征对所述初始运行排序结果进行调整，得到相应作业在所述目标批量作业中的运行排序结果，以使作业平台基于所述运行排序结果运行目标批量作业的各作业。

需要说明的，上述所述的装置根据上述实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书还提供一种作业调度设备，所述设备可以包括至少一个处理器及用于存储处理器可执行指令的存储器，所述指令被所述处理器执行时实现包括上述任意一个或者多个实施例所述方法的步骤。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如ram、rom等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置如，cd或dvd。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

需要说明的是，本说明书实施例并不局限于必须是符合标准数据模型/模板或本说明书实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书的可选实施方案范围之内。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。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说明书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并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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。