多播光树传输质量预测方法、装置、设备和存储介质与流程

本发明涉及光通信技术领域，尤其涉及一种多播光树传输质量预测方法、装置、设备和存储介质。

背景技术：

由于光纤通信具有损耗低、传输频带宽、容量大、体积小、重量轻、抗电磁干扰等优点，当前，全球90％以上的信息通信都由光网络承载，光网络已被广泛应用于骨干传输、数据中心互联、卫星组网等领域，成为社会不可或缺的、重要的战略基础设施。随着互联网、大数据、云计算的蓬勃式发展，像iptv、视频会议、多玩家游戏等这样的多播业务爆炸式增长，尤其在数据中心光网络中，多播业务已逐渐成为主流。点到多点传输是多播业务的典型特征，多播业务要求相同的数据从一个源节点传输到多个目的节点。多播业务可以通过光树或多个单独的光路传输。但与建立多条光路相比，通过构建光树来对多播业务的承载可以减少收发机的使用和频谱资源的消耗。

传输质量(qualityoftransmission,qot)的测量一直是光学性能检测的一项重要的工作。信号在传输过程中不可避免地会遭受到一定串扰和噪声的影响，传输质量受到损伤。对于结构越来越复杂且性能要求越来越高的光网络，一条光连接可能经过多个交叉连接节点和多段区域，受到损伤的可能性更大。在业务建立之前，准确地评估信道的传输质量，可以有效地提高业务建立的成功率，优化网络资源使用，所以在建立连接之前快速准确地估计qot是很有必要的。光信噪比(opticalsignaltonoiseratio,osnr)、误码率是qot测量非常重要的两个指标。

传统的传输质量估计方法，一般是根据已知或预设的传输层特性预先估计将要建立光路的传输质量。然而，传统的传输质量估计方法中，考虑到的传输损伤有限，不能完全的符合光网络系统的真实情况。因此，对于本领域技术人员来说，亟需实现一种较为准确的预估光树的传输质量的方法。

技术实现要素：

本发明提供一种多播光树传输质量预测方法、装置、设备和存储介质，以提高光树的传输质量的准确性，进而提高了光树建立的成功率，提升了多播业务服务质量。

第一方面，本发明提供一种多播光树传输质量预测方法，包括：

根据光树建路请求，确定待建光树；

根据所述待建光树的路由信息，提取所述待建光树的特征；

根据所述待建光树的特征，通过训练后的神经网络模型获取所述待建光树的传输质量；所述传输质量包括以下至少一项：光信噪比或误码率。

第二方面，本发明提供一种多播光树传输质量预测装置，包括：

路由模块，用于根据光树建路请求，确定待建光树；

特征提取模块，用于根据所述待建光树的路由信息，提取所述待建光树的特征；

处理模块，用于根据所述待建光树的特征，通过训练后的神经网络模型获取所述待建光树的传输质量；所述传输质量包括以下至少一项：光信噪比或误码率。

第三方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。

第四方面，本发明实施例提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的方法。

本发明实施例提供的多播光树传输质量预测方法、装置、设备和存储介质，根据光树建路请求，确定待建光树；根据所述待建光树的路由信息，提取所述待建光树的特征；根据所述待建光树的特征，通过训练后的神经网络模型获取所述待建光树的传输质量；所述传输质量包括以下至少一项：光信噪比或误码率，训练后的神经网络模型为通过已建立的光树的特征训练得到的，使得预测结果更为准确，即提高了光树的传输质量的准确性，进而提高了光树建立的成功率，提升了多播业务服务质量。

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。

图1是本发明提供的多播光树传输质量预测方法一实施例的应用场景示意图；

图2是本发明提供的多播光树传输质量预测方法一实施例的流程示意图；

图3是本发明提供的多播光树传输质量预测方法一实施例的神经网络模型示意图；

图4是本发明提供的方法一实施例的神经网络模型构建流程示意图；

图5是本发明提供的方法一实施例的神经网络训练流程示意图；

图6是本发明提供的方法一实施例的光树构建示意图；

图7是本发明提供的多播光树传输质量预测装置一实施例的结构示意图；

图8是本发明提供的电子设备实施例的结构示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本发明的说明书和权利要求书及所述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先对本发明所涉及的应用场景进行介绍：

本发明实施例提供的多播光树传输质量预测方法，应用于多播业务连接建立前对承载所述多播业务的光树进行传输质量评估，即在光树建立前，对光树传输质量进行预先评估，判断是否能保证多播业务准确传输或达到其特定要求，提高光树建立的成功率，提升多播业务服务质量。

本发明实施例的方法，利用光网络中已建立光树的信息训练神经网络模型，训练完成后将神经网络模型持久化，利用持久化的神经网络模型进行待建光树的传输质量的预测。

图1为基于深度神经网络的多播光树传输质量预测应用场景示意图。本发明实施例方法的执行主体为多播光树传输质量预测装置，该装置包括：路由模块、样本集模块、特征提取模块、神经网络训练模块、持久化神经网络模型模块、光树可用性判断模块、业务最优光树选择模块。所述装置的外接单元主要有网管系统、路由模块、传输质量检测模块。本发明实施例中所承载多播业务的光网络由传送平面、控制平面和管理平面三部分组成。该装置可以嵌入在sdn控制器中实现，sdn控制器通过北向接口与网管系统通信，sdn控制器通过南向接口与传送设备通信，多个sdn光网络域间的互联通过东西向接口连接。

所述网管系统位于管理平面，主要用于按照使用者需求向控制平面下发业务请求(如光树建路请求)，并对控制平面返回的数据进行相应的处理和显示。

由特征提取模块和传输质量检测模块获得样本集模块所需数据，从特征提取模块获得各已建光树的特征(通过特征向量表示)，从传输质量检测模块获得各已建光树目的节点处的信噪比或误码率，即标签。样本集模块用来存储训练神经网络的样本集的数据。由样本集模块和神经网络训练模块训练出满足需要的神经网络模型，然后由持久化神经网络模型模块进行模型持久化。由网管系统、路由模块和特征提取模块获得待传输的多播业务的待建光树的特征(通过特征向量表示)。由持久化神经网络模型模块对待建光树进行传输质量预测。光树可用性判断模块和业务最优光树选择模块属于应用模块。根据预测值是否满足光树传输质量的判断标准，可判断为多播业务计算的该光树是否可用。此外，为一个多播业务可计算出多个光树，在综合考虑传输质量和资源消耗情况的条件下，择优确定多播业务的可建光树，最后将选择出的最优光树告知路由模块，为其分配资源，在传送平面实际建立。

本发明实施例中可以使用matlab对样本集进行处理操作，神经网络模型的搭建和处理可以基于tensorflow框架使用python语言来实现的。特别地，软件编程并不限于以上方式或语言。

下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图2是本发明提供的多播光树传输质量预测方法一实施例的流程示意图。如图2所示，本实施例提供的方法，包括：

步骤201、根据光树建路请求，确定待建光树。

具体的，根据传输多播业务的需求(即待传输的多播业务的信息)，网管系统生成光树建路请求，下发给控制平面的路由模块。路由模块根据该光树建路请求中的待传输的多播业务的信息，通过路由算法计算待建光树。其中，多播业务的信息包括以下至少一项传输速率、调制格式、承载波长、源节点信息和目的节点个数，以及承载所述多播业务的光树占用的链路个数、最长支路长度、所有链路总长度，路由算法、待建光树个数。其中，调制格式包括bpsk。其中，源节点属于数据中心节点；目的节点属于用户节点。

按照不同的路由算法，可以计算出多个不同的待建光树。可采用的路由算法有最短路径算法、最短跳算法等。或者采用某一种路由算法，计算出多个光树，比如基于k最短路径(top-k-shortestpaths，简称ksp)算法，即前k条最短路径算法，计算出最短、次短、再次短等多个光树，k值可根据需要自设。

步骤202、根据所述待建光树的路由信息，提取所述待建光树的特征。

具体的，特征提取模块将路由模块中待建光树的路由信息(包括待传输的多播业务的信息)进行处理提取出待建光树的特征值构成特征向量，发送到持久化神经网络模型模块。其中，待建光树的特征包括以下至少一项：所述待建光树占用的链路个数、所述待建光树的最长支路长度、所述待建光树的所有链路总长度，以及所述多播业务的传输速率、所述多播业务的承载波长、所述多播业务的调制格式、所述多播业务的源节点信息和所述多播业务的目的节点个数。

待建光树的特征可以由特征向量x表示，x由待建光树的特征的特征值组成。

步骤203、根据所述待建光树的特征，通过训练后的神经网络模型获取所述待建光树的传输质量；所述传输质量包括以下至少一项：光信噪比或误码率。

具体的，根据提取出的待建光树的特征，通过训练后的神经网络模型获取所述待建光树的传输质量。

将提取到的待建光树的特征输入到训练后的神经网络模型的输入层。在运行神经网络模型后，输出层给出预测结果，即各待建光树的传输质量。

待建光树的传输质量包括各个目的节点处的传输质量。

本实施例的方法，根据光树建路请求，确定待建光树；根据所述待建光树的路由信息，提取所述待建光树的特征；根据所述待建光树的特征，通过训练后的神经网络模型获取所述待建光树的传输质量；所述传输质量包括以下至少一项：光信噪比或误码率，训练后的神经网络模型为通过已建立的光树的特征训练得到的，使得预测结果更为准确，即提高了光树的传输质量的准确性，进而提高了光树建立的成功率，提升了多播业务服务质量。

在上述实施例的基础上，可选的，在步骤203之前，还可以包括如下操作：

提取预先获取的样本集中各个光树的特征；所述样本集包括多个已建立的光树；

根据深度学习算法，建立神经网络模型；

根据各个所述光树的特征以及各个所述光树的传输质量，对所述神经网络模型进行训练，得到训练后的神经网络模型。

具体的，根据训练后的神经网络模型对待建光树的传输质量进行预测之前需要对神经网络模型进行训练。

第一步，获取样本集。

在最开始阶段，样本集的样本为空，需要利用光网络中已建立的光树初始化样本集。样本集的样本数目的最小值为n(若样本数量较少，神经网络无法真正了解整个数据的真实分布)，也就是说从光网络中至少获得n个已经成功建立的光树的数据。n值可根据问题的复杂性设定。

样本集中每组数据为<x，y>，x表示特征向量，y表示标签。特征向量由已建立的多播光树的特征值组成，x＝[所承载多播业务的传输速率，多播业务的承载波长，多播业务的调制格式,多播业务的源节点，多播业务的目的节点个数，光树占用的链路个数，光树的最长支路长度，光树的所有链路总长度]，所有特征值均通过特征提取模块获取。标签即对应多播光树各目的节点处的光信噪比值或误码率，其值均通过传输质量检测模块获得。一个标签内元素的个数m等于最大的多播光树(在本发明实施例中指目的节点最多的光树)的目的节点个数。将一个光树的所有目的节点按照源节点到目的节点的距离由短到长从1到m排序。将各目的节点处的光信噪比值(或误码率)在标签中按照其序号依次排列。如果某多播光树的目的节点数l小于m，那么将标签y中的第l+1个值到第m个值都记为0。样本集可以以txt文件的格式保存，每组数据按行分开。

其中，多播业务的传输速率、调制格式、承载波长、源节点信息，这些特征可直接从路由信息中获得。其余特征需要对路由信息做一定处理得到：目的节点个数通过对已建立的光树的目的节点计数得到；光树占用的链路个数通过对已建立的光树占用的链路计数得到；对于最长支路长度，首先需要计算光树各支路长度，然后对各支路长度做比较，最后得到最长支路长度；光树的所有链路总长度是对光树占用的链路长度求和。

第二步，搭建神经网络模型。

首先，构建输入层、隐藏层和输出层。输入层神经元个数等于数据中特征向量的元素个数(n)，输出层神经元个数等于数据中标签的元素个数(m)，隐藏层数先初始化为1，隐藏层节点数先根据经验公式初始化，隐藏层层数与各层节点数通过试凑法在训练过程中最终确定。然后，确定各层之间神经元的连接关系。神经网络为全连接神经网络，相邻层间的神经元之间两两互连。为了使神经网络具有非线性化，在各个隐藏层和输出层运用非线性激活函数(f(u))。每个神经元的输出是在加权和的基础上再做一个非线性变换。通过前向传播获得预测结果，通过反向传播优化神经网络模型的参数。设置均方误差为损失函数，通过损失函数计算神经网络获得的预测结果与标签中传输质量的真实检测值的差距。为了避免过拟合，对损失函数应用l2正则化。同时，初始化各权重值，选定反向传播优化算法。对于结构更复杂和目的节点数量更多的光树来说，神经网络模型的结构是可扩展的，可通过增加隐藏层层数或调整各层神经元个数等对神经网络模型进行扩展。

如图3所示，该神经网络为全连接结构，有三部分构成，输入层、隐藏层和输出层，相邻两层间的每对神经元都有连接。输入层神经元个数等于数据中特征向量的元素个数，输出层神经元个数等于数据中标签的元素个数，隐藏层层数与各层神经元数通过试凑法在训练过程中确定。x＝[x1,x2,……,xn]表示输入层的输入，y＝[y1,y2,……,ym]表示输出层的输出，w为权重，w(k)ij表示连接第k层神经元j与前一层神经元i的边上的权重。f(u)表示激活函数，可以使神经网络具有非线性。激活函数有很多种，tensorflow提供的非线性激活函数有relu、sigmoid、tanh等。激活函数的输入u是前一层所有神经元输出的加权和，每个神经元的输出是在加权和的基础上再做一个非线性变换。比如位于第一层隐藏层的第2个神经元，其输出为f12＝f(∑w(1)i2xi)。以此类推可得到其它各神经元输出。

第三步，训练神经网络模型。

获取样本集，将样本集中的数据进行划分，分为训练数据和测试数据。设置一个比例系数a(0<a<1)，假设共获取m组数据，那么a×m组数据可用来构成训练数据集，其余(1-a)×m组数据构成测试数据集。利用训练数据集训练神经网络，再利用测试数据集验证神经网络的准确率。使用梯度下降算法优化神经网络模型，梯度下降算法计算损失函数对每一个权重的梯度，再根据梯度和学习率迭代式地更新权重，缩小差距，使得预测结果与真实检测值(即标签中的值)一步步接近。起初神经网络训练模块在样本集初始化后开始工作，直到训练出满足要求的神经网络模型，神经网络训练模块停止训练。将最终的神经网络模型做持久化处理输出到持久化神经网络模型模块。神经网络模型的持久化处理就是保存经过训练后满足要求的神经网络的前向传播过程，将神经网络前向传播中需要的变量的值固定下来。神经网络训练模块再次工作需要样本集的触发，每当样本集更新后，神经网络训练模块才开始再一次的训练。

如果训练效果(即测试准确率)达不到要求，可调整训练数据集大小、训练轮数、激活函数、隐藏层层数、各隐藏层节点数、学习率等重新训练神经网络模型，使准确率达到预定要求。

如图4所示，首先获取初始化后的样本集，然后利用样本集训练神经网络模型，观察当前神经网络的测试准确率，若测试准确率达到预设的要求则将当前神经网络模型持久化，否则改变神经网络的参数值。这里的可变的参数有训练数据集大小、训练轮数、激活函数、隐藏层层数、各隐藏层节点数、学习率等。增大训练数据集有两个办法：一是在不改变数据集总量的条件下，增大比例系数a；二是增大数据集总量。

如图5所示，通过前向传播获得预测结果，通过反向传播更新模型参数。从神经网络的输入得到输出的过程就是前向传播算法。反向传播算法是在当前神经网络模型的所有参数上使用梯度下降算法。梯度下降算法计算损失函数对每一个参数的梯度，根据梯度和学习率迭代式地更新参数，缩小差距，使得预测结果与传输质量的真实检测值(即标签中的值)一步步接近。

进一步的，为了动态地反映光网络的变化，样本集中的数据需要不断更新，本实施例的方法，还包括：

根据所述样本集中光树的使用时长，对所述样本集进行更新。

具体可以通过如下方式实现：

若所述样本集中a个光树的使用时长超过预设时长，且光网络中新建的光树个数b大于或等于a，则从所述样本集中删除所述a个光树，并将b个所述新建的光树添加到所述样本集中；

若所述样本集中a个光树的使用时长超过预设时长，且光网络中新建的光树个数b小于a，则从所述样本集中删除c个使用时长超过预设时长的光树，并将b个所述新建的光树添加到所述样本集中；其中，c＝min{k-n+b，a}，k为所述样本集中原有的光树个数，n为所述样本集的样本数目的最小值。

具体的，样本集的更新周期可以为t。由于随着光网络使用时间的增加，各器件的物理损伤不断变化，所以采集到每个样本数据都有其一定的生命周期t(t>t，t、t的具体值可根据需要自行设置)。当样本数据的使用时长超过该生命周期(即预设时长t)，就需要将其从样本集中去掉。若样本集中使用时长超过生命周期的样本数据个数为a，光网络中新建立的光树个数为b，那么当a<b时，从样本集中删除a个使用时间超过生命周期的样本，同时根据光网络中a个新建立的光树由特征提取模块和传输质量检测模块获得这b个光树的样本信息添加到样本集中，完成样本集的更新；当a>b时，由于样本集的样本数目的最小值为n，所以从样本集中删除min{k-n+b，a}个使用时长超过生命周期的样本，同时获得b个新建光树的样本信息添加到样本集中，完成样本集的更新。新的样本数据的特征的提取方式与前述类似，此处不再赘述。

样本集每次更新后都输入到神经网络训练模块，跳转至第三步，将神经网络进行重新训练。

在上述实施例的基础上，可选的，在步骤203之后还可以进行如下操作：

若所述传输质量包括光信噪比，且所述待建光树的传输质量大于预设信噪比阈值，则确定所述待建光树可用；

若所述传输质量包括误码率，若所述待建光树的传输质量小于预设误码率阈值，则确定所述待建光树可用；

若存在至少两个可用的待建光树，则根据所述至少两个可用的待建光树的传输质量和频谱资源消耗信息，从所述至少两个可用的待建光树中确定一个目标待建光树用于传输所述多播业务。

具体的，预先设定一个判断标准，即信噪比阈值和误码率阈值。将由持久化神经网络模型得到的预测结果输入到光树可用性判断模块后，与设定的判断标准做比较。对于光信噪比来说，若预测结果高于信噪比阈值，则该待建光树可用，否则不可用。对于误码率来说，若预测结果低于误码率阈值，则该光树可用，否则不可用。判断标准根据需求而定。

在综合考虑待传输的多播业务的各待建光树的传输质量和频谱资源消耗情况的条件下，最优光树选择模块选出目标待建光树。最后将选择出的目标待建光树在传送平面实际建立。

其中，频谱资源消耗信息是根据多播业务的传输速率、采用的调制格式以及路由信息等来确定。

进一步的，在从所述至少两个可用的待建光树中确定一个目标待建光树用于传输所述多播业务之后，还包括：

根据所述目标待建光树的频谱资源消耗信息，对所述目标待建光树分配资源，并建立所述目标待建光树。

具体的，网管系统在下发光树建路请求时，下发的预建树个数为l。最优光树选择模块在收到经过光树可用性判断模块判断后的为同一多播业务计算出的l个待建光树后，只考虑其中可用光树的传输质量预测值和频谱资源消耗情况，选出传输质量较好且频谱资源消耗较少的可建光树在传送平面建立。若没有可用光树，就不建立光树传输相应多播业务，该业务也就阻塞了。

如图6所示，采用nsfnet作为网络拓扑，其共有14个节点，21条链路。以使用最短跳算法和dijkstra最短路径算法分别为源节点为e，目的节点有u1、u2、u3，传输速率为100gbps的多播业务s计算一条光树为例。根据最短跳算法，可为多播业务s建立光树t1。根据dijkstra最短路径算法可为多播业务s建立光树t2。利用本发明实施例的基于神经网络模型的多播光树传输质量预测装置可预测出这两个多播光树的传输质量，进而由装置中的光树可用性判断模块判断光树t1和t2是否可用。若两个光树都满足了传输质量要求，那么由最优光树选择模块综合考虑两者的传输质量预测值和频谱资源消耗情况，选出传输质量较好且频谱资源消耗较少的可建光树在传送平面建立；若只有一个光树满足传输质量要求，就直接将其在传送平面建立。

本发明实施例中，利用目标待建光树传输多播业务，不仅可以减少收发机的使用个数，降低成本，还可以提高频谱资源的利用率。该方法不需要测量物理层损伤。样本集不断更新，进而更新神经网络模型，使得预测更准确。

图7为本发明提供的多播光树传输质量预测装置一实施例的结构图，如图7所示，本实施例的多播光树传输质量预测装置，包括：

路由模块701，用于根据光树建路请求，确定待建光树；

特征提取模块702，用于根据所述待建光树的路由信息，提取所述待建光树的特征；

处理模块703，用于根据所述待建光树的特征，通过训练后的神经网络模型获取所述待建光树的传输质量；所述传输质量包括以下至少一项：光信噪比或误码率。

可选的，所述光树建路请求包括待传输的多播业务的信息，所述多播业务的信息包括以下至少一项传输速率、调制格式、承载波长、源节点信息和目的节点个数，以及承载所述多播业务的光树占用的链路个数、最长支路长度、所有链路总长度；

所述待建光树的特征包括以下至少一项：所述待建光树占用的链路个数、所述待建光树的最长支路长度、所述待建光树的所有链路总长度，以及所述多播业务的传输速率、所述多播业务的承载波长、所述多播业务的调制格式、所述多播业务的源节点信息和所述多播业务的目的节点个数。

可选的，还包括：

光树可用性判断模，用于若所述传输质量包括光信噪比，且所述待建光树的传输质量大于预设信噪比阈值，则确定所述待建光树可用；

若所述传输质量包括误码率，若所述待建光树的传输质量小于预设误码率阈值，则确定所述待建光树可用；

最优光树选择模，用于若存在至少两个可用的待建光树，则根据所述至少两个可用的待建光树的传输质量和频谱资源消耗信息，从所述至少两个可用的待建光树中确定一个目标待建光树用于传输所述多播业务。

可选的，路由模块701还用于：

根据所述目标待建光树的频谱资源消耗信息，对所述目标待建光树分配资源，并建立所述目标待建光树。

可选的，所述特征提取模块，还用于提取预先获取的样本集中各个光树的特征；所述样本集包括多个已建立的光树；

神经网络训练模块，用于根据深度学习算法，建立神经网络模型；

根据各个所述光树的特征以及各个所述光树的传输质量，对所述神经网络模型进行训练，得到训练后的神经网络模型。

可选的，还包括：

样本集模块，用于根据所述样本集中光树的使用时长，对所述样本集进行更新。

可选的，样本集模块，具体用于：

若所述样本集中a个光树的使用时长超过预设时长，且光网络中新建的光树个数b大于或等于a，则从所述样本集中删除所述a个光树，并将b个所述新建的光树添加到所述样本集中；

若所述样本集中a个光树的使用时长超过预设时长，且光网络中新建的光树个数b小于a，则从所述样本集中删除c个使用时长超过预设时长的光树，并将b个所述新建的光树添加到所述样本集中；其中，c＝min{k-n+b，a}，k为所述样本集中原有的光树个数，n为所述样本集的样本数目的最小值。

其中，处理模块703的功能可以包括：前述的持久化神经网络模型模块、光树可用性判断模块、最优光树选择模块的功能。

本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图8为本发明提供的电子设备实施例的结构图，如图8所示，该电子设备包括：

处理器801，以及，用于存储处理器801的可执行指令的存储器802。

上述部件可以通过一条或多条总线进行通信。

其中，处理器801配置为经由执行所述可执行指令来执行前述方法实施例中对应的方法，其具体实施过程可以参见前述方法实施例，此处不再赘述。

本发明实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法实施例中对应的方法，其具体实施过程可以参见前述方法实施例，其实现原理和技术效果类似，此处不再赘述。

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它实施方案。本发明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下面的权利要求书指出。

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书来限制。