一种无线网络参数的优化方法、装置及设备与流程

本发明属于无线技术领域，尤其涉及一种无线网络参数的优化方法、装置、设备和计算机存储介质。

背景技术：

近年来，随着无线通信技术的发展以及智能终端的普及，终端用户业务量呈现爆发式增长，用于支撑移动用户的通信站点的数量也随之增加，无线网络较以往任何时候都更加的复杂，这就对无线网络参数的优化提出了更高的要求，需要找到一种足以应对上述严峻形势的无线网络参数优化方法。

目前，无线网络参数优化的方法主要由操作人员依据无线网络指标运行情况人工的调整无线网络参数的方法，存在较强的主观性；其次，也有依据网络运行指标良好小区的参数值优化参数的方法，但是并不区分小区的类型，导致优化效率低下；上述方法在数据的获取与分析的过程中存在着一定的复杂性，人工操作效率低下。

因此，需要提供一种更加合理的无线网络参数的优化方案，在提升优化效率的同时，降低人工成本。

技术实现要素：

本申请实施例提供一种无线网络参数的优化方法、装置、设备和计算机存储介质，能够提升无线网络参数优化的效率、科学性与高效性，在较大程度的降低人工成本的同时，提升无线网络质量和用户体验感。

第一方面，本申请实施例提供了一种无线网络参数的优化方法，该方法可以包括：

对无线网络参数进行分类，确定多个分类组；

分析多个分类组中的每个分类组，对应的小区的特征标签；

利用非监督学习算法将多个特征标签作为训练数据对多个小区进行分类；

确定同一类别中的至少一个弱小区，对至少一个弱小区对应的无线网络参数进行优化，弱小区为在同一类别中无线网络参数满足第一预设条件的小区。

本申请中，根据所需要优化的无线网络参数建立小区的特征标签，建立方法的通用性，能够广泛应用于各种参数的优化；根据特征标签对小区进行分类，纠正了现有笼统的“较差小区”向“良好小区”学习参数设置方式，使小区参数的学习在同类型小区中发生，使应用机器学习进行无线网络参数优化的方法更加的科学与合理。同时，能够明显提升无线网络参数优化的准确度、科学性与高效性，能够较大程度的降低人工成本，提升无线网络质量及用户感知。

在一种可能的实施方式中，在上述“分析多个分类组中的每个分类组，对应的小区的特征标签”的步骤之后，还可以包括：

对小区的特征标签进行特征标签区分，确定类别型特征标签和数值型特征标签中的至少一个。

在另一种可能的实施方式中，上述方法还可以包括：对数值型特征标签进行标准化处理。

在又一种可能的实施方式中，在上述“利用非监督学习算法将多个特征标签作为训练数据对多个小区进行分类”的步骤中，具体可以包括：

确定待聚类小区；利用类别型特征标签对待聚类小区进行分类，确定待聚类小区组；对待聚类小区组进行层次聚类，将多个待聚类小区分成至少一类小区。

在再一种可能的实施方式中，上述“对无线网络参数进行分类，确定多个分类组”的步骤中，具体可以包括：

按照无线网络参数的作用对无线网络参数进行分类，确定多个分类组，多个分类组与小区的运行质量有关。

在再一种可能的实施方式中，在上述“对无线网络参数进行分类，确定多个分类组”的步骤之后，还可以包括：根据多个分类组，确定小区的运行指标；根据运行指标，选取满足第二预设条件的至少一个运行指标对应的小区。

在再一种可能的实施方式中，在上述“确定同一类别中的至少一个弱小区，对至少一个弱小区对应的无线网络参数进行优化”的步骤之前，还可以包括：

对分类之后每一类对应的小区进行指标情况核查，确定核查结果；

根据运行指标和核查结果，确定同一类别中的弱小区和强小区，强小区为在同一类别中无线网络参数不满足第一预设条件的小区。

在再一种可能的实施方式中，上述“根据运行指标和核查结果，确定同一类别中的弱小区和强小区”的步骤中，具体可以包括：

当运行指标达到预设门限值对应的小区时，确定为强小区；

当运行指标未达到预设门限值对应的小区时，确定为弱小区。

在再一种可能的实施方式中，上述“确定同一类别中的至少一个弱小区，对至少一个弱小区对应的无线网络参数进行优化”的步骤中，具体可以包括：确定至少一个弱小区所在的类别；根据类别对应的无线网络参数的众数，对至少一个弱小区对应的无线网络参数进行优化。

在再一种可能的实施方式中，上述“分类组”为按照无线网络参数对应的类别划分；分类组可以包括下述中的至少一种：覆盖类参数、切换类参数、重选类参数、容量管理类参数、质量类参数、互操作类参数。

第二方面，本申请实施例提供了一种无线网络参数的优化装置，该装置可以包括：

分类模块，用于对无线网络参数进行分类，确定多个分类组；

分析模块，用于分析多个分类组中的每个分类组，对应的小区的特征标签；

处理模块，用于利用非监督学习算法将多个特征标签作为训练数据对多个小区进行分类；

优化模块，用于确定同一类别中的至少一个弱小区，对至少一个弱小区对应的无线网络参数进行优化，弱小区为在同一类别中无线网络参数满足第一预设条件的小区。

本申请中，根据所需要优化的无线网络参数建立小区的特征标签，建立方法的通用性，能够广泛应用于各种参数的优化；根据特征标签对小区进行分类，纠正了现有笼统的“较差小区”向“良好小区”学习参数设置方式，使小区参数的学习在同类型小区中发生，使应用机器学习进行无线网络参数优化的方法更加的科学与合理。同时，能够明显提升无线网络参数优化的准确度、科学性与高效性，能够较大程度的降低人工成本，提升无线网络质量及用户感知。

第三方面，本申请实施例提供了一种无线网络参数的优化设备，该设备包括处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现如第一方面任意一项的无线网络参数的优化方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如第一方面任意一项无线网络参数的优化方法。

第五方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如第一方面任意一项无线网络参数的优化方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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。

图1是本申请一个实施例提供的一种无线网络参数的优化方法的流程图；

图2是本申请一个实施例提供的一种无线网络参数的具体优化方法的流程图；

图3是本申请一个实施例提供的一种小区特征标签标准化的流程图；

图4是本申请一个实施例提供的一种非监督机器学习小区聚类的流程图；

图5是本申请一个实施例提供的一种层次聚类的联系结构示意图；

图6是本申请一个实施例提供的一种层次聚类的分层结构示意图；

图7是本申请一个实施例提供的一种无线网络参数的优化装置的结构示意图；

图8是本申请一个实施例提供的一种无线网络参数的优化设备的结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本申请，并不被配置为限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了方便理解本申请中涉及的内容，结合图1对本申请中涉及的无线网络参数的优化方法，进行详细说明。

图1是本申请一个实施例提供的一种无线网络参数的优化方法的流程图。

如图1所示，该方法具体可以包括s110-s140：

首先，s110：对无线网络参数进行分类，确定多个分类组。

具体地，按照无线网络参数的作用对无线网络参数进行分类，确定多个分类组，多个分类组与小区的运行质量有关。其中，分类组为按照无线网络参数对应的类别划分；分类组包括下述中的至少一种：覆盖类参数、切换类参数、重选类参数、容量管理类参数、质量类参数、互操作类参数。

在一种可能的实施例中，在该步骤之后，还可以包括：根据多个分类组，确定小区的运行指标；根据运行指标，选取满足第二预设条件的至少一个运行指标对应的小区。

其次，s120：分析多个分类组中的每个分类组，对应的小区的特征标签。

具体地，在s120步骤之后，还可以包括：对小区的特征标签进行特征标签区分，确定类别型特征标签和数值型特征标签中的至少一个。根据数值型特征标签对每个分类组进行标准化处理。

接着，s130：利用非监督学习算法将多个特征标签作为训练数据对多个小区进行分类。

具体地，基于s120，该步骤具体可以包括：确定待聚类小区；利用类别型特征标签对待聚类小区进行分类，确定待聚类小区组；对待聚类小区组进行层次聚类，将多个待聚类小区分成至少一类小区。

最后，s140：确定同一类别中的至少一个弱小区，对至少一个弱小区对应的无线网络参数进行优化。其中，弱小区为在同一类别中无线网络参数满足第一预设条件的小区。

具体地，在一种可能的实施例中，在该步骤之前还可以包括：对分类之后每一类对应的小区进行指标情况核查，确定核查结果；根据运行指标和核查结果，确定同一类别中的弱小区和强小区，强小区为在同一类别中无线网络参数不满足第一预设条件的小区。其中，当运行指标达到预设门限值对应的小区时，确定为强小区；当运行指标未达到预设门限值对应的小区时，确定为弱小区。

基于一种可能的实施例中，s140具体可以包括：确定至少一个弱小区所在的类别；根据类别对应的无线网络参数的众数，对至少一个弱小区对应的无线网络参数进行优化。

需要说明的是，监督学习指的是对于每一个观察到的预测变量值x1，x2…，都有相应的y1，y2…观测值与之相对应；非监督学习展现的是一种更具挑战的情景，即对于所有的观察仅仅知道x1，x2….而并不知道对应的y1，y2…。

综上，本申请实施例提供的方法，能够提升无线网络参数优化的效率、科学性与高效性，在较大程度的降低人工成本的同时，提升无线网络质量和用户体验感。

下面，结合下述实施例对图1中的方法进行详细的描述。

图2是本申请一个实施例提供的一种无线网络参数的具体优化方法的流程图。

如图2所示，是对图1中的方法进行进一步的细化，具体可以包括s210-s250，首先，(基于s110)s210：需要按照无线网络参数的作用对无线网络参数进行分类，并确定每一类中的无线网络参数的设置会影响到的小区运行指标；(基于s120)s220：对于每一类的无线网络参数分析相关的小区的特征标签，(基于s120)s230：将小区的特征标签标准化；接着，(基于s130)s240：可根据所需要优化的参数(或者分类组)将该参数(或者分类组)对应的小区特征标签作为训练数据，对小区进行层次聚类(层次聚类算法(hierarchicalclustering)，是一种树型的由叶至树干的非监督机器学习方法，算法先将所有个体作为不同类，再依据欧氏距离逐步合并每个个体。)；(基于s140)s250：所有小区被分在了多个类中，同类小区中与无线网络参数相对应的小区运行指标较差的小区向指标较好的小区学习无线网络参数设置方法。以实现无线网络参数的优化。

需要说明的是，不同类型的无线网络参数，影响着不同的小区运行指标，有着不同的小区特征标签，进行不同的小区分类，对应运行指标差的小区所学习的对象(即小区)也不相同，这些都将随着所要优化的参数(或者分类组)的变化而变化，因此，本申请实施例提供的方法是具有通用性和灵活性的。

下面，对于上述涉及到的内容进行详细的描述：

基于s210：即参数分类与运行指标映射。

具体地，在通信系统中，小区上的无线网络参数数量繁多，可依据参数的作用对其进行分类，并找到该类参数设置值会对应影响到的小区运行指标。

首先，按照参数的作用对参数进行分类，例如：覆盖类参数、切换类参数、重选类参数、容量管理类参数、质量类参数、互操作类参数等。对参数进行分类的目的在于有针对性的利用机器学习方法优化该类参数。

其次，无线参数所影响的小区运行指标，例如：确定每一类参数会影响到的小区运行指标集合，选取参数影响最为显著的前n位指标(n一般取4，但可按照实际情况而定，n为正整数)，该运行指标一般用于s250中判断“指标好的小区”以及“指标差的小区”。需要说明的是，该n指标可以表示为第二预设条件，即选取参数影响最为显著的前n位指标为选取满足第二预设条件。

需要说明的是，无线参数对于小区网络运行指标的影响为通信业务知识，在此不对所有的参数类对小区网络运行指标影响的集合进行详细描述，仅以覆盖类参数为例说明，后文也将以覆盖类参数所对应的步骤为例，详细阐述整个无线网络参数优化的通用方法，其他类的参数完全可以按照该方法进行扩展。

最后，覆盖类参数影响的小区运行指标，例如：以信号强度>-110分贝毫瓦(dbm)采样点占比、lte参考信号接收质量(referencesignalreceivingquality，rsrq)<-5采样点占比(rsrq为参考信号接收质量)、无线接通率、lte业务掉线率等作为影响覆盖类指标。

基于220：即小区特征标签的定义。

具体地，不同特征的小区，其对应的参数设置标准应该是不一样的。例如：需要优化覆盖类的发射功率参数，一个站高为20米的小区向另一个站高为100米的小区学习发射功率参数设置显然是不合理的；又如，需要优化切换类的同频切换迟滞参数，一个邻区数量为5个的小区向邻区数量为50个的小区学习该参数设置值同样是不合理的。因此，针对各类的参数的优化，需要定义小区的特征标签，对不同特征的小区进行区分，使小区间参数的学习更加合理。

根据不同参数类定义对应的小区特征标签，以覆盖类参数的小区特征标签为例，其他类别的参数均可以此为参考。

首先，覆盖类参数的小区特征标签，其中，覆盖类参数的小区特征，即能够影响到小区覆盖的一系列不会轻易进行调整的客观因素，例如：如站高、天线下倾角、小区频段类型等。

a、站高：正常情况下，站点越高覆盖范围越远、越广。

b、天线下倾角：正常情况下，天线下倾角越大覆盖距离越近。

c、站间距：站间距反映小区周边站点的密度情况。

d、小区频段类型：不同的频段其传播损耗存在较大的差异，且不同频段所使用的场景是不同的。

基于230：即小区特征标签标准化。

具体地，如图3所示，对由s220获得小区特征标签加以区分，将其分为类别型特征标签与数值型特征标签，针对数值型特征标签进行标准化处理。

首先，特征标签区分，类别型变量反应事物的类别或等级，例如：男、女，甲、乙、丙；数值型变量为数值度量的变量。以覆盖类参数的小区特征标签为例：

类别型特征标签可以包括：小区频段类型。

数值型特征标签可以包括：站高、天线下倾角或者站间距中的至少一个。

其次，数值型特征标签标准化。标准化即是将数值型特征标签的值映射至均值为0，标准差为1的标准正态分布上，其目的在于消除取值较大、方差较大的标签对于后续聚类模型拟合的过度影响。例如：天线下倾角的取值大致在3～15度，站高的取值大致在10～80米，站间距的取值在50～1000米，如果不进行标准化则会造成各个标签对于聚类模型的影响严重不均的情况。

上述涉及到的标准化过程：

1)计算数值型特征标签均值μ；

2)计算数值型特征标签标准差δ；

3)计算标准化后值xnew＝(x–μ)/δ

以覆盖类参数为类，分别对x＝站高、天线下倾角或者站间距进行标准化处理。

基于240：如图4所示，针对待聚类小区，首先通过s230获得的类别型特征标签对小区进行分类，而后利用层次聚类算法对各个分类后的小区集合的数值型特征标签施以非监督的机器学习最终将所有待聚类的小区分类。

具体地，首先，待聚类小区。无线网络中排除特殊场景小区(例如：高铁覆盖小区、高速小区)、vip覆盖小区等外均应纳入待聚类小区，原因在于增加样本容量，能够提高模型的准确度。

其次，类别型特征标签分类。利用s230获得的类别型特征标签对待聚类小区进行分类。以覆盖类参数的类别型特征标签分类为例，小区频段类型包括三种：d频段、e频段和f频段，将待聚类小区分为三类，d频段待聚类小区、e频段待聚类小区及f频段待聚类小区。

接着，数值型特征标签层次聚类。对类别型特征标签分类后形成的各组再分别进行层次聚类，以覆盖类参数的数值型特征标签层次聚类为例，经过“类别型特征标签分类”之后已经形成d频段待聚类小区、e频段待聚类小区及f频段待聚类小区，再针对这三类分别进行数值型特征标签层次聚类，最终将所有待聚类小区分成了n类。

举例说明：选取d频段72个小区的数值型特征标签数据具体展示层次聚类的过程：

首先，层次聚类：以r语言实现，参数method设置为average，用均值聚类联系的方法将72个小区逐步联系在一起。

hc.average＝hclust(dist(数值型特征标签),method＝"average")

如图5所示，为依据数值型特征标签数据对相应的d频段72个小区进行层次聚类的联系示意图。

其次，分层。具体地，将“层次聚类”中所产生的联系(linkage)进行具体划分，决定各小区具体所属的类。设s为样本的数量，总的分层数由以下公式决定：

layer＝floor(sqrt(s))，其中，floor为向下取整，sqrt是平方根。

以上例的72个样本为例layer＝8，因此将72个d频段小区的按照其联系(linkage)分为8类：以r语言实现：cutree(hc.complete,8)。如图6所示，为d频段72个小区进行层次聚类的分层示意图，小区(cell)1、小区2等20个小区都分在了第1类，小区39、43、44、45分在了第8类。

基于250：由s210获取运行指标映射，设置指标正常值门限，由s240获取所有小区的分类，对每一类小区进行指标正常情况核查，所有指标均达到正常值门限的小区为“良好小区”，存在指标不达标的小区(即满足第一预设条件的小区)为“较差小区”，“较差小区”的参数需要优化，其调整值为同一类的“良好小区”该参数设置值的众数(其中，一组数据中出现次数最多的数值，叫众数)。

综上，本申请实施例提供的方法，弥补了现有无线网络参数优化方法的不足。首先，本方法依据所需要优化的无线网络参数建立小区的特征标签，并从该步骤开始建立起方法的通用性，能够广泛应用于各种参数的优化；然后，根据特征标签对小区进行分类，纠正了现有笼统的“较差小区”向“良好小区”学习参数设置方式，使小区参数的学习在同类型小区中发生，使应用机器学习进行无线网络参数优化的方法更加的科学与合理；最后，同类的“较差小区”向“良好小区”学习参数设置，从数据中挖掘网络参数设置的方法，较传统的通过操作人员人工判断优化参数的方式更加的客观与高效。因此，利用本申请实施例提供的方法进行无线网络参数优化，能够明显提升无线网络参数优化的准确度、科学性与高效性，能够较大程度的降低人工成本，提升无线网络质量及用户感知。

图7是本申请一个实施例提供的一种无线网络参数的优化装置的结构示意图。

如图7所示，该装置70具体可以包括：

分类模块701，用于对无线网络参数进行分类，确定多个分类组；

分析模块702，用于分析多个分类组中的每个分类组，对应的小区的特征标签；

处理模块703，用于利用非监督学习算法将多个特征标签作为训练数据对多个小区进行分类；

优化模块704，用于确定同一类别中的至少一个弱小区，对至少一个弱小区对应的无线网络参数进行优化，弱小区为在同一类别中无线网络参数满足第一预设条件的小区。

其中，分类模块701还可以用于，对小区的特征标签进行特征标签区分，确定类别型特征标签和数值型特征标签中的至少一个。

处理模块703还可以用于，对数值型特征标签进行标准化处理。确定待聚类小区；利用类别型特征标签对待聚类小区进行分类，确定待聚类小区组；对待聚类小区组进行层次聚类，将多个待聚类小区分成至少一类小区。

分类模块701还可以用于，按照无线网络参数的作用对无线网络参数进行分类，确定多个分类组，多个分类组与小区的运行质量有关。

处理模块703还可以用于，根据多个分类组，确定小区的运行指标；根据运行指标，选取满足第二预设条件的至少一个运行指标对应的小区。

优化模块704还可以用于，对分类之后每一类对应的小区进行指标情况核查，确定核查结果；根据运行指标和核查结果，确定同一类别中的弱小区和强小区，强小区为在同一类别中无线网络参数不满足第一预设条件的小区。当运行指标达到预设门限值对应的小区时，确定为强小区；当运行指标未达到预设门限值对应的小区时，确定为弱小区。确定至少一个弱小区所在的类别；根据类别对应的无线网络参数的众数，对至少一个弱小区对应的无线网络参数进行优化。

需要说明的是，上述涉及到的分类组为按照无线网络参数对应的类别划分；其中，分类组可以包括下述中的至少一种：覆盖类参数、切换类参数、重选类参数、容量管理类参数、质量类参数、互操作类参数。

图8是本申请一个实施例提供的一种无线网络参数的优化设备的结构示意图。

如图8所示，该设备可以包括处理器801以及存储有计算机程序指令的存储器802。

具体地，上述处理器801可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。在特定实施例中，存储器802包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。

处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种无线网络参数的优化设备。

收发器803，主要用于实现本发明实施例中各模块、装置、单元、用户端或者服务器中的至少两个之间的通信。

在一个示例中，该设备还可包括总线804。其中，如图8所示，处理器801、存储器802和收发器803通过总线804连接并完成相互间的通信。

总线804包括硬件、软件或两者，将在设备部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线803可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

另外，结合上述实施例中的无线网络参数的优化方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种无线网络参数的优化方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。