[0001] 本公开属于模型训练技术领域，更具体地说，是涉及一种基于区块链的人工智能模型训练方法、电子设备、存储介质。

[0002] 在模型训练技术领域，随着人工智能技术的飞速发展，对高效、安全、可信赖的模型训练方法的需求日益增长。由于依赖固定的聚合节点和聚合时间，传统方法难以适应快速变化的需求和多样化的训练场景。

[0010] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

[0011] 为使本公开的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

[0012] 请参考图1，图1为本公开一实施例提供的基于区块链的人工智能模型训练方法的流程示意图，该方法包括：S101：本地节点将训练的人工智能模型的训练参数发送至聚合节点。

[0013] 在本实施例中，本地节点指的是分布式网络中负责执行模型训练的单个计算单元。在基于区块链的人工智能模型训练中，本地节点为边缘服务器或者计算机，其拥有自己的本地数据，这些数据不需要离开本地环境即可参与模型的训练。聚合节点指的是分布式网络中负责协调和聚合各个本地节点训练结果的中央服务器。聚合节点可以对本地节点进行身份认证，防止恶意节点攻击。

[0014] 人工智能模型是指通过机器学习算法从数据中学习并生成的预测或决策系统。这些模型可以处理各种类型的数据（如文本、图像、声音等），并根据输入数据生成相应的输出（如分类标签、预测值等）。

[0015] 在开始训练人工智能模型之前，需要为模型设定一组初始的参数值。这些参数可以是随机生成的，也可以是基于某种先验知识或经验设定的。人工智能模型的训练目标是通过不断调整自身的参数，以提高对特定任务的准确率。

[0016] S102：聚合节点接收到目标本地节点发送的任务请求指令后，根据任务请求指令对各个本地节点的训练参数进行聚合得到聚合参数。

[0017] 在本实施例中，任务请求指令是由目标本地节点发出的一种信号或消息，用于向聚合节点表达特定的需求或请求。任务请求指令可以包含目标本地节点的标号、任务请求内容等。任务请求指令可以触发聚合节点的一系列操作。例如，请求聚合节点对各个本地节点的训练参数进行聚合，或者请求获取其他本地节点的信息。

[0018] 聚合参数是聚合节点对各个本地节点的训练参数进行聚合操作后得到的参数。聚合参数是一个综合了各个本地节点训练参数的全局参数，它可以作为各个本地节点进行下一轮训练的参考，也可以用于构建更强大的人工智能模型。聚合参数的目的是通过整合多个本地节点的信息，提高模型的性能和泛化能力。

[0019] 聚合节点接收到目标本地节点发送的任务请求指令后，根据任务请求指令对各个本地节点的训练参数进行聚合得到聚合参数，包括：任务请求指令包括目标本地节点的标号信息、特定类型的训练参数、参与聚合的本地节点范围、聚合的方式中的一种或多种；
聚合节点接收到目标本地节点发送的任务请求指令后，根据任务请求指令获取参与聚合的各个本地节点的训练参数；
对参与聚合的各个本地节点的训练参数进行预处理得到多个第一训练参数，对多个第一训练参数进行聚合得到聚合参数。目标本地节点的标号信息，比如，d001、d002、d003等。特定类型的训练参数，比如神经网络的权重参数、偏置参数、迭代次数；支出向量机模型的核函数、正则化参数等。参与聚合的本地节点范围，比如，目标本地节点可以要求聚合节点对一组或多组特定的本地节点的训练参数进行聚合，或者排除某些特定的本地节点。聚合的方式，比如，加权平均、中位数等。

[0020] 例如，假设有5个本地节点，这些节点的训练参数包括神经网络的权重矩阵和偏置向量等。当本地节点001号向聚合节点发送任务请求指令后，聚合节点通过区块链上的公共存储空间读取5个节点的训练参数，然后根据各个本地节点的数据量和历史预测准确率确定权重（数据量大且历史准确率高的节点权重高）。对于权重矩阵，聚合节点将各个本地节点的权重矩阵对应元素进行加权求和，得到聚合后的权重矩阵。最后，聚合节点根据各个节点的训练参数以及权重矩阵得到聚合参数。

[0021] S103：聚合节点将聚合参数发送至各个本地节点，各个本地节点使用聚合参数在本地样本数据上进行训练。

[0022] 在本实施例中，聚合节点将聚合参数发送至各个本地节点，各个本地节点作为分布式训练的基本单元，拥有各自独立的本地样本数据。在接收到聚合节点发送的聚合参数后，本地节点将其应用于本地样本数据的训练过程中。这使得本地节点可以借鉴其他节点的训练成果，从而提升自身在本地数据上的训练效果和模型性能。

[0023] 由上可以得出，本公开增强了模型训练的灵活性和可扩展性。传统的模型训练方法往往依赖于固定的聚合节点和固定的聚合时间，而本公开允许本地节点按需发送任务请求指令，聚合节点则根据指令灵活地进行参数聚合，这种按需聚合的方式不仅减少了不必要的计算资源浪费，还使得系统能够更好地适应不同规模、不同需求的训练场景。此外，随着区块链网络的扩展，更多本地节点可以无缝加入训练过程，实现模型的持续优化和迭代，极大地增强了系统的可扩展性。

[0024] 在本公开的一种实施例中，基于区块链的人工智能模型训练方法还包括：本地节点将模型训练的准确率以及样本集合的摘要发送至聚合节点。

[0025] 在本实施例中，模型训练的准确率是指在训练数据集上，模型正确预测样本标签的比例。它是衡量模型在已知数据上表现好坏的一个重要指标。准确率可以用于评估模型的训练效果，并指导模型的进一步优化。

[0026] 样本集合的摘要是指对训练数据集中样本数据的统计或描述性信息。这些描述性信息可以包括样本的数量、分布、特征的平均值、标准差等统计量。样本集合的摘要可以帮助理解样本数据集的基本特性，例如数据的多样性、偏斜程度等，从而指导模型的选择和训练过程。此外，它还可以用于验证数据的完整性和一致性。

[0027] 本地节点将模型训练的准确率以及样本集合的摘要发送至聚合节点，包括：本地节点将模型训练的准确率以及样本集合的摘要存储在区块链的第一空间，聚合节点通过读取区块链第一空间的内容得到模型训练的准确率以及样本集合的摘要；第一空间为区块链上特定的存储区域或数据结构，专门用于存储本地节点上传的模型训练相关信息。

[0028] 在本实施例中，训练参数是人工智能模型在训练过程中不断调整和优化的数值，这些参数决定了模型的结构和性能。准确率是衡量模型性能的重要指标。它反映了模型在对特定任务进行预测时的准确程度。存储准确率可以让后续的分析和评估更加方便。比如，如果一个图像分类模型在训练后达到了90%的准确率，这个数值被存储起来，可以用于与其他模型进行比较，或者作为进一步优化的参考。

[0029] 样本集合是用于训练模型的数据。由于完整的样本集合可能非常庞大，存储摘要可以提供一种简洁的方式来描述样本集合的特征。摘要可以包括样本的数量、特征维度、数据分布等信息。这样，在没有传输整个样本集合的情况下，聚合节点可以对不同本地节点的样本有一个初步的了解。

[0030] 本实施例是基于区块链进行人工智能模型训练的，区块链是一种分布式账本技术，具有去中心化、不可篡改、安全可靠等特点。由于区块链的特性，存储在第一空间的数据很难被篡改或删除，这确保了训练参数、准确率和样本集合摘要的真实性和完整性。

[0031] 本地节点利用本地的数据对模型进行训练后除了可以将模型训练的准确率和样本集合的摘要存储至第一空间，还可以将模型的训练参数存储至第一空间。聚合节点通过读取区块链第一空间可以收集到来自不同本地节点的训练参数、准确率和样本集合摘要。这些信息可以被整合起来，用于进一步的分析和处理。例如，可以计算多个本地节点的平均准确率，或者分析不同样本集合的特点，以改进整个模型训练的策略。基于收集到的信息，聚合节点可以对这些本地节点的训练参数进行聚合，以调整整个大的人工智能模型的结构或超参数，提高模型的泛化能力。

[0032] 由上可以得出，本实施例能够显著提升模型训练的效率和安全性。通过引入区块链技术，本地节点不仅可以将训练参数发送至聚合节点，还可以将模型训练的准确率和样本集合的摘要发送至聚合节点，这为聚合节点提供了更全面的数据视图，有助于更精准地评估和调整聚合策略，从而加速模型收敛速度，提高训练效率。同时，区块链的去中心化、不可篡改特性确保了数据传输和聚合过程的安全性，防止了数据泄露和恶意篡改，为模型训练构建了一个可信的环境。

[0033] 在本公开的一种实施例中，任务请求指令包含目标本地节点的标识符；根据任务请求指令对各个本地节点的训练参数进行聚合得到聚合参数，包括：
根据标识符确定任务请求指令对应的目标本地节点；
基于目标本地节点对应样本集合的摘要与样本摘要数据库中的摘要的相似度确定各个本地节点的训练参数的权重；
基于各个本地节点的训练参数的权重对各个本地节点的训练参数进行聚合运算得到聚合参数。

[0034] 在本实施例中，标识符的主要作用是唯一地标识一个特定的本地节点。在区块链平台中，每个本地节点都需要有一个独特的标识来区分彼此。这样，当聚合节点接收到任务请求指令时，能够准确地识别出该指令是针对哪一个节点，或者该指令所涉及的主要操作或数据位于哪一个节点上。

[0035] 每个本地节点通常都会维护一个或多个样本集合，这些样本集合用于训练模型或进行数据处理。样本集合的摘要是对这些样本集合的一种概括或压缩表示，它可以包含样本的统计信息（如均值、方差、分布直方图等）、关键特征或标签的摘要等。摘要的目的是为了让聚合节点在不直接访问原始数据的情况下，能够快速地了解数据集的某些重要特性。

[0036] 样本摘要数据库是一个全局的或中心化的存储结构，用于存储各个本地节点样本集合的摘要信息。这个数据库由聚合节点中的组件（如参数服务器、协调器等）维护，以便在需要时能够快速检索和比较不同节点的样本摘要。

[0037] 当聚合节点接收到本地节点的任务请求后，可以确定该任务请求对应的目标本地节点，进而计算目标本地节点对应的样本集合的摘要与样本摘要数据库中其他本地节点的摘要之间的相似度。相似度的计算方法包括但不限于比较统计特征、关键特征或标签的匹配程度等。聚合节点根据相似度的计算结果，为每个本地节点分配一个权重，再基于各个本地节点的训练参数的权重对各个本地节点的训练参数进行聚合运算得到聚合参数。

[0038] 通常，与目标本地节点摘要相似度高的节点会被赋予更高的权重，因为如果两个节点的样本集合摘要在统计特征、关键特征或标签分布等方面有高的相似性，那么它们对应的模型参数在训练过程中可能捕捉到了相似的数据特性。在参数聚合时，给予这些相似节点更高的权重，有助于增强聚合参数的代表性和泛化能力。

[0039] 由上可以得出，本实施例通过利用样本集合摘要的相似度来动态调整各本地节点训练参数的权重，提高了聚合参数的准确性和针对性。此方法能够更有效地融合来自不同节点的训练成果，加速模型收敛，同时保持对局部数据特性的敏感性，增强了模型的泛化能力。

[0040] 在本公开的一种实施例中，基于目标本地节点对应样本集合的摘要与样本摘要数据库中的摘要的相似度确定各个本地节点的训练参数的权重，包括：若目标本地节点对应样本集合的摘要与样本摘要数据库中的摘要的相似度大于第一相似度阈值，确定目标本地节点的训练参数的权重为第一权重；
若目标本地节点对应样本集合的摘要与样本摘要数据库中的摘要的相似度小于或等于第一相似度阈值，确定目标本地节点的训练参数的权重为第二权重；
第一权重大于第二权重。

[0041] 在本实施例中，聚合节点可以计算目标本地节点对应样本集合的摘要与样本摘要数据库中每个节点摘要之间的相似度，将目标本地节点与每个节点之间的相似度与预设的第一相似度阈值进行比较。如果目标本地节点与某个节点的相似度大于第一相似度阈值，则认为这两个节点的数据或模型参数在当前任务中具有较高的相关性，因此可以将该节点的训练参数权重设定为第一权重。如果相似度小于或等于第一相似度阈值，则认为这两个节点的数据或模型参数在当前任务中的相关性较低，因此将该节点的训练参数权重设定为第二权重。例如，第一权重可以为i，第二权重可以为0.8i。

[0042] 示例的，假设有一个目标本地节点A，它的样本集合摘要包括样本数量为1000，客户年龄主要分布在25‑40岁，收入中等偏高，贷款类型以消费贷款为主。聚合节点将目标本地节点A的样本集合摘要与样本摘要数据库中的摘要进行相似度计算。假设相似度的计算方法是根据样本数量差异、客户特征分布差异和贷款类型分布差异等因素综合确定一个数值。若设定第一相似度阈值为0.7。经过计算，目标本地节点A与数据库中的某个节点B的摘要相似度为0.8，大于第一相似度阈值，在这种情况下，确定目标本地节点A的训练参数的权重为第一权重，假设第一权重为0.8。如果目标本地节点A与数据库中另一个节点C的摘要相似度为0.6，小于第一相似度阈值。则确定目标本地节点A的训练参数的权重为第二权重，假设第二权重为0.64。聚合节点根据确定的权重对各个本地节点的训练参数进行聚合。

[0043] 在本实施例中，第一相似度阈值可以基于历史第一相似度阈值确定，也可以通过计算所有本地节点之间相似度的统计量确定。统计量包括但不限于平均值、中位数或众数。

[0044] 由上可以得出，本实施例通过根据相似度阈值分配不同本地节点的训练参数权重，确保相关性强、有用的信息在参数聚合中起到更大的作用，从而加速模型收敛，提高模型的准确性和泛化能力。

[0045] 在本公开的一种实施例中，对各个本地节点的训练参数进行聚合得到聚合参数，包括：对各个本地节点的训练参数进行加权平均得到聚合参数。

[0046] 在本实施例中，对各个本地节点的训练参数进行加权平均得到聚合参数包括：确定各个本地节点训练参数的值和对应的权重；计算各个训练参数与权重的乘积之和；计算所有本地节点权重的加权平均值作为聚合参数。例如，假设存在n个本地节点，本地节点的训练参数为Pi，同时为每个本地节点确定一个权重wi。对每个本地节点，将其训练参数与对应的权重相乘，得到 。然后将所有本地节点的乘积相加，即 。用乘积之和除以权重之和，得到加权平均后的聚合参数 ，其中，i表示第i个
本地节点。

[0047] 由上可以得出，本实施例能够根据各个本地节点训练参数的值和对应的权重计算训练参数与权重的乘积之和，进而通过计算各个训练参数的加权平均值得到聚合参数。该方法可以提高模型的泛化能力和准确性。

[0048] 在本公开的一种实施例中，任务请求指令包含目标本地节点的标识符；根据任务请求指令对各个本地节点的训练参数进行聚合得到聚合参数，包括：
根据标识符确定任务请求指令对应的目标本地节点；
基于目标本地节点对应模型训练的准确率确定各个本地节点的训练参数的权重；
基于各个本地节点的训练参数的权重对各个本地节点的训练参数进行聚合运算得到聚合参数。

[0049] 基于目标本地节点对应模型训练的准确率确定各个本地节点的训练参数的权重，包括：对各个本地节点对应模型训练的准确率进行排序得到第一准确率表；
根据目标本地节点对应的模型训练的准确率在第一准确率表中的位置确定目标本地节点的训练参数对应的目标权重；
基于目标权重确定其他各个本地节点的训练参数的权重。

[0050] 在本实施例中，任务请求指令是一个启动或触发聚合过程的指令，它包含了目标本地节点的标识符。这个标识符可以用于唯一识别参与聚合过程的众多本地节点中的一个特定节点。通过标识符，聚合节点能够准确地找到并识别出任务请求所对应的目标本地节点。

[0051] 对各个本地节点对应模型训练的准确率进行排序得到第一准确率表，包括：收集每个本地节点在本地数据集上训练模型后得到的准确率，将多个准确率数据进行降序或者升序排列得到第一准确率表；
根据目标本地节点对应的模型训练的准确率在第一准确率表中的位置确定目标本地节点的训练参数对应的目标权重，包括：根据目标本地节点对应的模型训练的准确率在第一准确率表中的位置和准确率到权重的映射关系确定目标本地节点的训练参数对应的目标权重。

[0052] 基于目标权重确定其他各个本地节点的训练参数的权重。

[0053] 在本实施例中，收集每个本地节点在其本地数据集上训练模型后得到的准确率。对准确率数据进行降序排序或者升序排序，得到第一准确率表。这个表可以清晰地展示每个节点的准确率和其排序位置。在第一准确率表中查找目标本地节点的位置，根据目标本地节点的位置，按照预定的策略确定其训练参数的目标权重，这个策略可以是线性的（如位置越靠前权重越大）、非线性的（如使用某种函数映射准确率到权重），或者是基于特定规则的（如直接设定最高权重）。

[0054] 确定目标本地节点的权重后，可以采用多种策略来确定其他节点的权重。例如归一化方法，首先确定所有节点权重的总和（包括目标节点的权重），然后将其余节点的权重按比例分配，使得所有节点权重的总和保持不变。另一种方法是采用相对权重法，即根据其他节点准确率与目标节点准确率的相对值来确定它们的权重。这种方法可以更加灵活地反映不同节点之间的性能差异。

[0055] 由上可以得出，本实施例通过结合目标本地节点的模型训练准确率来动态调整各本地节点训练参数的权重，再进行聚合，有效提升了聚合参数的精准度。这种机制能够自动识别并强化优质节点的贡献，同时合理平衡其他节点的影响，从而加速模型训练过程，提高最终模型的性能与泛化能力。

[0056] 在本公开的一种实施例中，基于区块链的人工智能模型训练方法，还包括：基于样本集合的数据类型确定样本集合的摘要的提取方法；
基于样本集合的摘要的提取方法提取样本集合的摘要。

[0057] 样本集合的摘要包括样本集合的数据特征和分布。

[0058] 在本实施例中，若样本集合的数据类型为文本类型，则样本集合的摘要的提取方法为抽取式摘要或者生成式摘要。抽取式摘要通过提取文档中的关键句子或短语来形成摘要，而生成式摘要则通过自然语言生成技术来创造新的摘要内容。

[0059] 若样本集合的数据类型为非文本类型，则样本集合的摘要的提取方法为对样本集合进行特征提取、关键帧、语音识别转文本、抽取式摘要或者生成式摘要。对于图像、音频和视频等非文本数据，摘要提取涉及特征提取、关键帧选择、语音识别转文本后再进行抽取式摘要或者生成式摘要。

[0060] 样本集合的摘要包括样本集合的数据特征和分布。数据特征是指能够描述样本集合中数据点属性的量度或指标。这些特征可以是数值型的（如年龄、身高、收入等），也可以是分类型的（如性别、地区、产品类型等）。样本集合的数据特征摘要通常包括：统计描述：如均值、中位数、众数、标准差等，用于描述数值型数据的中心趋势和离散程度。

[0061] 分布形态：如正态分布、偏态分布、多峰分布等，用于描述数据的形状和分布规律。

[0062] 特征选择：在特征工程中，通过统计测试（如卡方检验、信息增益、相关系数等）筛选出对目标变量预测最有用的特征。

[0063] 样本集合的分布是指数据点在多维空间中的排列方式和密度。它反映了数据点的内在关联性和结构信息。样本集合的分布摘要通常包括：密度估计：通过核密度估计、直方图等方法估计数据的概率密度函数，从而了解数据的分布情况。

[0064] 聚类分析：将数据点划分为多个群组或簇，使得同一簇内的数据点相似度较高，而不同簇间的数据点相似度较低。聚类分析有助于发现数据中的隐藏模式和结构。

[0065] 主成分分析（PCA）：一种常用的降维技术，通过保留数据的主要变异方向（即主成分）来减少数据的维度，同时尽可能保留原始数据的信息。PCA有助于揭示数据的内在结构和相关性。

[0066] 可视化：通过散点图、热力图、箱线图等可视化工具展示数据的分布情况，帮助人们直观地理解数据的特征和结构。

[0067] 由上可以得出，样本集合的摘要包括数据特征和分布两个方面，它们共同描述了样本集合的整体统计特性和结构信息。这些信息对于后续的数据分析、模型训练和预测等任务至关重要。在区块链环境中，将这些摘要信息集成到区块链上，可以确保数据的透明性、可追溯性和不可篡改性，从而提高数据的安全性和可信度。

[0068] 参见图2，图2为本公开一实施例提供的电子设备的示意框图。如图2所示的本实施例中的电子设备200可以包括：一个或多个处理器201、一个或多个输入设备202、一个或多个输出设备203及一个或多个存储器204。上述处理器201、输入设备202、输出设备203及存储器204通过通信总线205完成相互间的通信。存储器204用于存储计算机程序，计算机程序包括程序指令。处理器201用于执行存储器204存储的程序指令。

[0069] 应当理解，在本公开实施例中，所称处理器201可以是中央处理单元 (Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field‑Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0070] 输入设备202可以包括触控板、指纹采集传感器（用于采集用户的指纹信息和指纹的方向信息）、麦克风等，输出设备203可以包括显示器（LCD等）、扬声器等。

[0071] 该存储器204可以包括只读存储器和随机存取存储器，并向处理器201 提供指令和数据。存储器204的一部分还可以包括非易失性随机存取存储器。例如，存储器204还可以存储设备类型的信息。

[0072] 具体实现中，本公开实施例中所描述的处理器201、输入设备202、输出设备203可执行本公开实施例提供的基于区块链的人工智能模型训练方法的第一实施例和第二实施例中所描述的实现方式，也可执行本公开实施例所描述的电子设备的实现方式，在此不再赘述。

[0073] 在本公开的另一实施例中提供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，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。

[0074] 计算机可读存储介质可以是前述任一实施例的电子设备的内部存储单元，例如电子设备的硬盘或内存。计算机可读存储介质也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，计算机可读存储介质还可以既包括电子设备的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及电子设备所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

[0075] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

[0076] 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，上述描述的电子设备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。

[0077] 在本申请所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

[0078] 作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本公开实施例方案的目的。

[0079] 另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

[0080] 以上，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，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公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。