一种计算资源分配的方法和系统

摘要

本申请实施例公开了一种计算资源分配的方法和系统，所述方法包括：获取在待确定计算资源的应用场景中N个时间点下的分析数据；所述分析数据包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征。将所述分析数据输入训练好的一个或多个资源分配模型，预测N+1时间点下的一种或多种资源分配需求类型。基于所述一种或多种资源分配需求类型确定资源分配指令；所述资源分配指令包括容器资源分配指令、工作人员分配指令、关注度分配指令以及资源分配模型精度调整指令。

权利要求

1.一种计算资源分配的方法，其特征在于，包括：

获取在待确定计算资源的应用场景中N个时间点下的分析数据，其中，N为大于0的整数；所述分析数据包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征；其中，基于蓝牙beacon设备获取所述用户位置特征；

基于激光雷达发射的激光束的反射信号，和/或基于从视频帧中抽取的帧数据，获取所述用户属性特征和人数特征；

基于wifi连接数据获取所述网络连接数量特征；

基于预设的埋点获取所述用户行为特征；

将所述分析数据输入训练好的一个或多个资源分配模型，预测N+1时间点下的一种或多种资源分配需求类型；其中，所述资源分配模型预测N+1时间点下的一种或多种资源分配需求类型，包括：所述资源分配模型包括特征向量提取子模型和资源分配需求预测子模型；

基于所述分析数据，通过所述特征向量提取子模型获取所述N个时间点下的分析数据对应的特征向量；

所述资源分配需求预测子模型基于所述特征向量，输出所述资源分配需求类型；

基于所述一种或多种资源分配需求类型确定资源分配指令；所述资源分配指令包括容器资源分配指令、工作人员分配指令、关注度分配指令以及资源分配模型精度调整指令；

其中，所述资源分配模型精度调整指令用于使所述资源分配模型的数据类型的精度在整数型和浮点型之间相互切换。

2.根据权利要求1所述的方法，其特征在于，基于所述分析数据，通过所述特征向量提取子模型获取所述N个时间点下的分析数据对应的特征向量，包括：对所述N个时间点下的分析数据进行转化，得到数值型特征；

对每个时间点下的所述数值型特征执行分桶操作，得到一个或多个输入特征数据；

将所述一个或多个输入特征数据输入至所述特征向量提取子模型，得到所述特征向量。

3.根据权利要求1所述的方法，其特征在于，所述基于激光雷达发射的激光束的反射信号，和/或基于从视频帧中抽取的帧数据，获取所述用户属性特征和人数特征，包括：利用激光雷达发射激光束，并基于所述激光束的反射信号获取多个目标物的特征数据；

利用训练好的第一用户识别模型基于所述多个目标物的特征数据，确定所述用户属性特征和人数特征；和/或基于视频数据抽取得到帧数据；

利用训练好的第二用户识别模型提取所述帧数据中的至少一个目标对象，并基于所述至少一个目标对象确定所述用户属性特征和/或人数特征。

4.根据权利要求1所述的方法，其特征在于，所述特征向量提取子模型为深度神经网络模型，所述资源分配需求预测子模型为LSTM模型；

以历史分析数据作为训练样本，历史资源分配需求类型为样本标识，通过端到端的学习方式，对所述特征向量提取子模型和所述资源分配需求预测子模型进行联合训练得到所述资源分配模型。

5.一种计算资源分配的系统，其特征在于，包括：

获取模块，用于获取在待确定计算资源的应用场景中N个时间点下的分析数据，其中，N为大于0的整数；所述分析数据包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征；其中，基于蓝牙beacon设备获取所述用户位置特征；

基于激光雷达发射的激光束的反射信号，和/或基于从视频帧中抽取的帧数据，获取所述用户属性特征和人数特征；

基于wifi连接数据获取所述网络连接数量特征；

基于预设的埋点获取所述用户行为特征；

预测模块，用于将所述分析数据输入训练好的一个或多个资源分配模型，预测N+1时间点下的一种或多种资源分配需求类型；其中，所述资源分配模型预测N+1时间点下的一种或多种资源分配需求类型，包括：所述资源分配模型包括特征向量提取子模型和资源分配需求预测子模型；

基于所述分析数据，通过所述特征向量提取子模型获取所述N个时间点下的分析数据对应的特征向量；

所述资源分配需求预测子模型基于所述特征向量，输出所述资源分配需求类型；

确定模块，用于基于所述一种或多种资源分配需求类型确定资源分配指令；所述资源分配指令包括容器资源分配指令、工作人员分配指令、关注度分配指令以及资源分配模型精度调整指令；

其中，所述资源分配模型精度调整指令用于使所述资源分配模型的数据类型的精度在整数型和浮点型之间相互切换。

6.根据权利要求5所述的系统，其特征在于，所述预测模块还用于：对所述N个时间点下的分析数据进行转化，得到数值型特征；

对每个时间点下的所述数值型特征执行分桶操作，得到一个或多个输入特征数据；

将所述一个或多个输入特征数据输入至所述特征向量提取子模型，得到所述特征向量。

7.根据权利要求5所述的系统，其特征在于，所述获取模块还用于：利用激光雷达发射激光束，并基于所述激光束的反射信号获取多个目标物的特征数据；

利用训练好的第一用户识别模型基于所述多个目标物的特征数据，确定所述用户属性特征和人数特征；和/或基于视频数据抽取得到帧数据；

利用训练好的第二用户识别模型提取所述帧数据中的至少一个目标对象，并基于所述至少一个目标对象确定所述用户属性特征和/或人数特征。

8.根据权利要求5所述的系统，其特征在于，所述特征向量提取子模型为深度神经网络模型，所述资源分配需求预测子模型为LSTM模型；

以历史分析数据作为训练样本，历史资源分配需求类型为样本标识，通过端到端的学习方式，对所述特征向量提取子模型和所述资源分配需求预测子模型进行联合训练得到所述资源分配模型。

9.一种计算资源分配的装置，其特征在于，包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现如权利要求1 4任一项所述的方法。

~

10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1 4任意一项所述的方法。

~

说明书

一种计算资源分配的方法和系统

技术领域

[0001] 本申请涉及通信领域，特别涉及一种计算资源分配的方法和系统。

背景技术

[0002] 随着公共服务能力的提高，在越来越多的公共场所（例如，机场、车站、商场等）配备了智能设备配合工作人员提供服务。随着公共场所的人流量动态变化，对公共服务的需求也随之变化。例如，人流量越大，对公共服务的需求也越大，支持提供公共服务所需要的计算资源也就越多。在诸多应用场景下，都会有面对动态人流如何分配合理资源的问题。

[0003] 因此，亟需一种计算资源分配的方法和系统。

发明内容

[0004] 本申请一个方面提供一种计算资源分配的方法，所述方法包括：获取在待确定计算资源的应用场景中N个时间点下的分析数据，其中，N为大于0的整数；所述分析数据包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征；其中，基于蓝牙beacon设备获取所述用户位置特征；基于激光雷达发射的激光束的反射信号，和/或基于从视频帧中抽取的帧数据，获取所述用户属性特征和人数特征；基于wifi连接数据获取所述网络连接数量特征；基于预设的埋点获取所述用户行为特征；将所述分析数据输入训练好的一个或多个资源分配模型，预测N+1时间点下的一种或多种资源分配需求类型；其中，所述资源分配模型预测N+1时间点下的一种或多种资源分配需求类型，包括：所述资源分配模型包括特征向量提取子模型和资源分配需求预测子模型；基于所述分析数据，通过所述特征向量提取子模型获取所述N个时间点下的分析数据对应的特征向量；所述资源分配需求预测子模型基于所述特征向量，输出所述资源分配需求类型。基于所述一种或多种资源分配需求类型确定资源分配指令；所述资源分配指令包括容器资源分配指令、工作人员分配指令、关注度分配指令以及资源分配模型精度调整指令。

[0005] 本申请另一个方面提供一种计算资源分配的系统，所述系统包括：获取模块，可以用于获取在待确定计算资源的应用场景中N个时间点下的分析数据，其中，N为大于0的整数；所述分析数据包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征；其中，基于蓝牙beacon设备获取所述用户位置特征；基于激光雷达发射的激光束的反射信号，和/或基于从视频帧中抽取的帧数据，获取所述用户属性特征和人数特征；基于wifi连接数据获取所述网络连接数量特征；基于预设的埋点获取所述用户行为特征。预测模块，可以用于将所述分析数据输入训练好的一个或多个资源分配模型，预测N+1时间点下的一种或多种资源分配需求类型；其中，所述资源分配模型预测N+1时间点下的一种或多种资源分配需求类型，包括：所述资源分配模型包括特征向量提取子模型和资源分配需求预测子模型；基于所述分析数据，通过所述特征向量提取子模型获取所述N个时间点下的分析数据对应的特征向量；所述资源分配需求预测子模型基于所述特征向量，输出所述资源分配需求类型。确定模块，可以用于基于所述一种或多种资源分配需求类型确定资源分配指令；所述资源分配指令包括容器资源分配指令、工作人员分配指令、关注度分配指令以及资源分配模型精度调整指令。

[0006] 本申请另一个方面提供一种计算资源分配的装置，包括至少一个存储介质和至少一个处理器；所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现计算资源分配的方法。

[0007] 本申请另一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现计算资源分配的方法。

附图说明

[0008] 本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

[0009] 图1是根据本申请一些实施例所示的计算资源分配系统的应用场景示意图；

[0010] 图2是根据本申请一些实施例所示的计算资源分配方法的示例性流程图；

[0011] 图3是根据本申请一些实施例所示的资源分配模型的示例性结构图。

具体实施方式

[0012] 为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

[0013] 应当理解，本申请中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

[0014] 如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

[0015] 本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

[0016] 图1是根据本申请一些实施例所示的计算资源分配系统的应用场景示意图。

[0017] 如图1所示，本申请所涉及的应用场景100可以包括第一计算系统130和/或第二计算系统160。

[0018] 第一计算系统130可以用于自动确定资源分配需求的资源类型和下达资源分配指令，例如，资源分配指令140。第一计算系统130可以应用于任意指定场景，例如，机场、车站、商场等公共场合，也可以应用于小区、学校等场合，还可以应用于任意指定范围大小的特定场合。当应用的场合下的人流量变化时（比如人数增加），对该场合中的服务设备所需要的计算资源（例如，用于支持服务运行的容器资源）、服务资源（例如，工作人员数量、场合关注度）的需求也相应变化（例如增大），第一计算机系统130可以基于分析数据120，通过资源分配模型预测该场合在接下来的时间对于各种资源的需求，并下达资源分配指令140，从而避免在应用的场合中产生资源浪费以及资源不足的情况。

[0019] 第一计算系统130可以获取分析数据120，分析数据120包含使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征。分析数据120可以通过获取方式110获取。获取方式110可以包括多种获取数据的方式，例如，可以通过激光雷达110-1和视频监控110-2获取用户属性特征和人数特征；可以通过蓝牙beacon设备110-3获取用户位置特征；还可以通过其他方式获取分析数据120，比如，可以通过wifi设备（图未示）获取网络连接数量特征，可以通过预设的埋点（图未示）获取用户行为特征。分析数据120可以通过各种常见的方式进入第一计算系统130。通过第一计算系统130中的模型132，可以输出资源分配需求类型，第一计算系统130进而可以根据资源分配需求类型确定资源分配指令140。第一计算系统130可以根据确定的资源分配指令调整使用所述计算资源的场合的资源，例如，为支持该场合下的各种服务（例如，计算服务、推送服务等）分配更多的容器资源；为场合调用更多的工作人员等。

[0020] 模型132的参数可以通过训练得到。第二计算系统160可以获取多组样本数据150，每组训练样本包含N个时间点下的分析数据，例如，N个时间点下的用户位置特征、用户数据特征、人数特征、网络连接数量特征以及用户行为特征等。第二计算系统160通过多组样本数据150更新模型162的参数，得到训练好的模型。模型132的参数来自于训练好的模型162。其中，参数可以以任何常见的方式传递。

[0021] 模型（例如，模型132或/和模型162）可以指基于处理设备而进行的若干方法的集合。这些方法可以包括大量的参数。在执行模型时，所使用的参数可以是被预先设置好的，也可以是可以动态调整的。一些参数可以通过训练的方法获得，一些参数可以在执行的过程中获得。关于本申请中涉及模型的具体说明，可参见本申请的相关部分。

[0022] 第一计算系统130和第二计算系统160可以相同也可以不同。第一计算系统130和第二计算系统160是指具有计算能力的系统，可以包括各种计算机，比如服务器、个人计算机，也可以是由多台计算机以各种结构连接组成的计算平台。

[0023] 第一计算系统130和第二计算系统160中可以包括处理设备，处理设备可以执行程序指令。处理设备可以包括各种常见的通用中央处理器(central processing unit，CPU)，图形处理器(Graphics Processing Unit  ，GPU)，微处理器，特殊应用集成电路(application-specific integrated circuit，ASIC)，或其他类型的集成电路。

[0024] 第一计算系统130和第二计算系统160中可以包括存储介质，存储介质可以存储指令，也可以存储数据。存储介质可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器（ROM）等或其任意组合。

[0025] 第一计算系统130和第二计算系统160还可以包括用于内部连接和与外部连接的网络。也可以包括用于输入或输出的终端。网络可以是有线网络或无线网络中的任意一种或多种。

[0026] 关于分析数据和资源分配模型的更多细节可以参见图2至图3的相关说明，此处不再赘述。

[0027] 在一些实施例中，该系统（例如，第一计算系统130或第二计算系统160）中可以包括获取模块、预测模块和确定模块。

[0028] 获取模块，可以用于获取在待确定计算资源的应用场景中N个时间点下的分析数据，其中，N为大于0的整数；所述分析数据包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征；其中，基于蓝牙beacon设备获取所述用户位置特征；基于激光雷达发射的激光束的反射信号，和/或基于从视频帧中抽取的帧数据，获取所述用户属性特征和人数特征；基于wifi连接数据获取所述网络连接数量特征；基于预设的埋点获取所述用户行为特征。更多细节可以参见步骤202的相关描述，此处不再赘述。

[0029] 预测模块，可以用于将所述分析数据输入训练好的一个或多个资源分配模型，预测N+1时间点下的一种或多种资源分配需求类型；其中，所述资源分配模型预测N+1时间点下的一种或多种资源分配需求类型，包括：所述资源分配模型包括特征向量提取子模型和资源分配需求预测子模型；基于所述分析数据，通过所述特征向量提取子模型获取所述N个时间点下的分析数据对应的特征向量；所述资源分配需求预测子模型基于所述特征向量，输出所述资源分配需求类型。更多细节可以参见步骤204的相关描述，此处不再赘述。

[0030] 确定模块，可以用于基于所述一种或多种资源分配需求类型确定资源分配指令；所述资源分配指令包括容器资源分配指令、工作人员分配指令、关注度分配指令以及资源分配模型精度调整指令。更多细节可以参见步骤206的相关描述，此处不再赘述。

[0031] 图2是根据本申请一些实施例所示的计算资源分配方法的示例性流程图。如图2所示，所述流程200可以包括：

[0032] 在一些实施例中，第一计算系统130可以通过神经网络模型自定义多个处理层，分别对分析数据的多个特征进行处理，得到多个处理结果，再将多个处理结果进行融合，输出预测的资源分配需求类型，进一步地根据资源需求类型确定资源分配指令。

[0033] 在一些实施例中，第一计算系统130可以基于获取分析数据的多个特征的时间间隔和频率来确定获取多个特征的次数。

[0034] 步骤202，获取在待确定计算资源的应用场景中N个时间点下的分析数据；其中，N为大于0的整数；所述分析数据包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征。

[0035] 具体地，步骤202可以由预测模块执行。

[0036] 在一些实施例中，计算资源可以是指终端/设备在运行时，部署于该终端/设备中的容器（docker）所使用的容器资源。容器资源是指利用docker容器将应用和运行库打包后，在运行时docker容器所需要的硬件资源，例如，内存、中央处理器等。

[0037] 时间点是时间上的某个时刻，N个时间点是距离上一次确定资源分配需求类型后时间上的N个时刻。N为大于0的整数，例如，5、8、10等。时间点可以是一个瞬间，也可以是具有一定的时间长度的时间段，例如，0.5秒、1秒等。

[0038] 在一些实施例中，N个时间点之间的间隔时间可以相同。例如，每隔300秒为一个时间点。在一些实施例中，N个时间点之间可以间隔不同的时间，例如，各个时间点之间的间隔不断增加或减少，或间隔任意随机时间等。

[0039] 在一些实施例中，可以基于人流量在时间上的分布特征，确定N个时间点之间的间隔，例如，人流量高峰时段的时间点间隔可以为120秒，人流量低谷时段的时间点的间隔可以为600秒。

[0040] 在一些实施例中，可以通过人工预先设置间隔时间获取N个时间点。也可以基于上一个时间点获取的人数特征，通过算法自动调整间隔时间获取N个时间点。还可以通过其他方式获取N个时间点，本实施例不作限制。

[0041] 分析数据可以是指用于确定资源分配需求的一种或多种数据。分析数据可以包括使用所述计算资源的终端所在预设大小区域内的目标用户的用户位置特征、用户属性特征、人数特征、网络连接数量特征以及用户行为特征。终端可以是智能移动设备（例如，手机、平板等）、笔记本电脑、计算机或服务器等。预设大小区域可以是由用户预先指定的任意大小的某个区域，例如，可以指定100平方米的某个区域作为预设大小区域；也可以指定具有特定属性的有限范围大小的某个区域作为预设大小，例如，车站、商场、学校、小区或所述终端所在的一间商铺、以终端为中心方圆100米范围内等等，本实施例对此不作限定。其中，目标用户可以是指处于所述预设大小区域内的活动人员，例如，车站内的所有乘车人员、商场内的购物人员，以及相应区域的工作人员等。

[0042] 用户位置特征可以是指位于所述预设大小区域内的目标用户的位置，例如，在XX火车站内，用户位于火车站的北进站口；又例如，在XX商场内，目标用户位于生鲜区、蔬果区等。

[0043] 在一些实施例中，用户位置特征可以基于蓝牙beacon设备获取。蓝牙beacon设备不仅可以通过基站发射信号来获取用户的位置，还可以向目标用户发送推送消息。例如，当目标用户携带移动设备进入蓝牙beacon设备信号覆盖范围内时，蓝牙beacon设备的相应程序可以主动提示用户是否接入网络、向用户发送通知，介绍产品信息、优惠信息等。

[0044] 在一些实施例中，用户位置特征也可以基于wifi设备获取。Wifi信号会随着远离wifi设备的距离而不断衰减的，因此，可以基于信号源（wifi设备）发出的数据包中包含着的信号强度，随着移动终端的移动，信号强度数值一直在变的原理，实现基于wifi设备获取用户位置特征。例如，可以将预设大小区域划分为若干个格子的地图，并且设置多个位置不同的wifi信号源，每个信号源周期性的发出无线信号。当目标用户位于预设大小区域内某一个小方格内时，其所携带的移动终端可以接收到各个信号源的发出的wifi信号，而每个信号源发出的无线信号到达目标用户处的强度是不相同的，即，每一个地图小方格可以获取到的各个信号源wifi信号强度数值是具有唯一性的，因此，可以基于移动终端接收到的各个信号源的信号强度准确地确定用户位置特征。

[0045] 在一些实施例中，可以同时基于所述蓝牙beacon设备和wifi设备获取所述用户位置特征。

[0046] 用户属性特征可以是指目标用户所具有的自身属性。例如，目标用户的年龄、性别、身高、体重、是否是特定服务的潜在客户等。

[0047] 人数特征可以是指位于所述预设大小区域内的目标用户和/或工作人员的数量。例如，目标用户20人，工作人员30人，总人数50人等。

[0048] 在一些实施例中，用户属性特征和人数特征可以基于激光雷达发射的激光束的反射信号，和/或基于从视频帧中抽取的帧数据，获取得到。

[0049] 激光雷达是通过发射激光束探测目标物的雷达系统，包括激光发射系统、激光接收系统和信息处理系统。目标物是激光雷达探测范围内的人（例如，目标用户）和物体（例如，商场摆放的商品），可以反射激光雷达发射的激光束。激光束是激光发射系统实时发射的光信号。

[0050] 在一些实施例中，激光雷达可以包括但不限于：机械式激光雷达、固态激光雷达、微机电系统（Micro-Electro-Mechanical System ，MEMS）激光雷达、Flash面阵激光雷达、光学相控阵（Optical Phased Array，OPA）固态激光雷达和混合固态激光雷达中的一种或多种的组合。

[0051] 在激光发射系统中，激励源周期性地驱动激光器发射激光脉冲，激光调制器通过光束控制器控制发射激光束的方向和线数，将一条或多条激光束发射至目标物。在一些实施例中，激光扫描系统可以通过移动激光发射系统、微机电系统（Micro-Electro-Mechanical System ，MEMS）微镜和光学相控阵（Optical Phased Array，OPA）中的一种或多种方式的组合来控制激光束的方向，从而依次对多个区域内的目标物发射激光束。例如，机械式激光雷达、固态激光雷达、MEMS激光雷达和OPA固态激光雷达。在一些实施例中，激光发射系统也可以同时对各个区域发射激光束，实现光覆盖。例如，Flash面阵激光雷达。

[0052] 激光束反射的信号包括激光束往返时间、激光束频率变化、激光束信号衰减度和激光束角度等。在一些实施例中，激光雷达可以通过激光接收系统接收激光束，并产生反射的信号。示例性地，获取模块可以在N个时间点获取激光雷达的激光束反射的信号：第1个时间点激光束发射的信号、第2个时间点激光束发射的信号、……第N个时间点激光束发射的信号。

[0053] 在一些实施例中，可以利用激光雷达发射激光束，并基于所述激光束的反射信号获取多个目标物的特征数据。

[0054] 目标物的特征数据可以包括形状、吸收率和方向。以目标物的特征数据“形状”为例，已知人体的特征数据中，形状的范围可以是：高度0.5 2.5米、宽度0.2 1米，目标物的形~ ~状为高度1.8米、宽度0.2 0.5米，则“形状”对应概率为1；与“形状”类似地，“吸收率”和“方~
向”对应的概率分别为0.7和0.8；将1、0.7和0.8相乘得到目标物是人的概率为0.56，大于阈值0.5，则可以确认目标物是人。

[0055] 进一步地，可以利用训练好的第一用户识别模型基于所述多个目标物的特征数据，确定所述用户属性特征和人数特征。

[0056] 在一些实施例中，第一用户识别模型可以是神经网络模型。可以将所述目标物的特征数据输入第一用户识别模型，第一用户识别模型输出所述用户属性特征和人数特征。具体地，第一识别模型可以将输入的目标物的特征数据映射成其被确认为人的概率，进而可以基于该概率判断目标物是否为人。

[0057] 在一些实施例中，第一用户识别模型还可以是其他模型，例如，逻辑回归模型等，本实施例不作限定。

[0058] 进一步地，第一用户识别模型可以统计被确认为人的目标物的数量，得到人数特征。例如，第一用户识别模型基于第1个时间点多个目标物的特征数据识别出多个目标物中有250个人，则第1个时间点第一人数特征为250。第一用户识别模型可以基于目标物的特征数据，获取目标用户的用户属性特征。例如，第一用户识别模型可以基于目标物的身高、体重、头发长短、衣着颜色、形状等多个特征，确定目标用户的用户属性特征。示例性地，若目标用户身高160cm，头发长度为50cm，衣着为橙红色，并且身体形状符合女性特征，则可以确定目标用户的性别为女。

[0059] 在一些实施例中，可以基于大量带有标识的训练样本训练第一用户识别模型。具体地，可以将带有标识的训练样本输入第一用户识别模型，通过训练更新第一用户识别模型的参数。

[0060] 在一些实施例中，训练样本可以是目标物的特征数据。标识可以是用户属性特征。

[0061] 在一些实施例中，可以通过人工标注获取训练样本的标识。

[0062] 在一些实施例中，可以基于视频数据抽取得到帧数据；并利用训练好的第二用户识别模型提取所述帧数据中的至少一个目标对象，并基于所述至少一个目标对象确定所述用户属性特征和/或人数特征。

[0063] 视频数据是以电信号方式记录的动态影像，由多幅时间上连续的静态图像组成。其中，每幅静态图像为视频数据的一帧。帧数据是从视频数据中抽取的一帧或多帧静态图像。在一些实施例中，一个时间点的视频数据可以包含多幅静态图像。

[0064] 在一些实施例中，视频数据的格式可以包括但不限于：高密度数字视频光盘（Digital Video Disc，DVD）、流媒体格式（Flash Video，FLV）、动态图像专家组（MPEG，Motion Picture Experts Group）、音频视频交错（Audio Video Interleaved，AVI）、家用录像系统（Video Home System，VHS ）和视频容器文件格式（Real Media file format，RM）等中的一种或多种组合。在一些实施例中，获取模块可以通过读取监控器、摄像头的拍摄数据、调用相关接口或其他方式获取视频数据。

[0065] 示例地，获取模块可以在N个时间点分别获取N个视频数据，例如，第1个时间点的视频数据、第2个时间点的视频数据、……、第N个时间点的视频数据。

[0066] 在从视频数据中提取得到帧数据之后，可以利用训练好的第二用户识别模型提取帧数据中的至少一个目标对象，并基于至少一个目标对象确定所述用户属性特征和人数特征。其中，目标对象是帧数据中的人或物体对应的图像块。可以基于N个时间点的视频数据抽取N个时间点的帧数据，例如，第1个时间点的帧数据、第2个时间点的帧数据、……、第N个时间点的帧数据。

[0067] 在一些实施例中，训练好的第二用户识别模型可以判断帧数据中的目标对象是否是人的图像，并基于判断结果确定所述用户属性特征和人数特征。具体地，第二用户识别模型可以基于判断结果统计目标对象是人的数量得到人数特征；以及从目标对象是人的图像中提取目标对象的图像特征，并基于图像特征得到用户属性特征。

[0068] 在一些实施例中，第二用户识别模型可以包括提取层、特征获取层、识别层和融合层。

[0069] 在一些实施例中，提取层可以通过多尺度（multi-scale)的滑动窗口（Sliding-window)、选择性搜索（Selective Search）、神经网络或其他方法从帧数据中提取多个目标对象。

[0070] 例如，帧数据可以是200×200像素的静态图像，先通过10×10像素的滑动窗口，以步长1滑动，从帧数据中获取190×190个图像块；再通过20×20像素的滑动窗口，以步长1滑动，从帧数据中获取180×180个图像块；……；最终获得190×190+180×180+……个图像块。其中，获得的这些图像块中的一个或多个可能包含目标对象。可以理解，若一个帧数据中包含人或物，则从基于帧数据获得的多个图像块中可以确定多个目标对象。例如，可以通过图像识别技术（例如，图像识别模型）从多个图像块中确定多个目标对像。

[0071] 又例如，可以直接对帧数据进行切割，将帧数据中包含人或物对应的图像部分切割出来作为目标对象。

[0072] 在一些实施例中，特征获取层可以获取每个目标对象的特征向量。具体地，特征获取层先获取目标对象的多个图像特征，再将多个图像特征进行融合，得到目标对象的特征向量。

[0073] 在一些实施例中，目标对象的图像特征包括但不限于：哈尔（Harr）特征、方向梯度直方图（Histogram of Oriented Gridients，HOG）特征、局部二值模型（Local Binary Patterns，LBP）特征、小边（Edgelet）特征、颜色相似度（Color-Self Similarity ，CSS）特征、积分通道（Integral Chaneel Feature）特征和中心变换直方图(Census Transform Histogram，CENTRIST)特征等。

[0074] 在一些实施例中，特征获取层可以为神经网络模型。优选地，特征获取层为卷积神经网络（Convolutional Neural Networks，CNN）。

[0075] 在一些实施例中，识别层可以基于每个目标对象的特征向量，判断目标对象是否为包含完整的人的图像。在一些实施例中，识别层可以包含分类模型。具体地，将输入的每个目标对象的特征向量映射成数值或概率，基于数值或概率判断目标对象是否是人的图像。

[0076] 在一些实施例中，分类模型可以是但不限于支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、高斯分布贝叶斯分类模型、决策树模型、随机森林模型、KNN分类模型、神经网络模型等。

[0077] 在一些实施例中，融合层基于至少一个目标对象的判断结果，确定用户属性特征和人数特征。示例性地，第二用户识别模型在第1个时间点帧数据中识别出的400个目标图像中，有300个目标对象是人，则第1个时间点人数特征为300，并同时基于目标图像的图像确定用户属性特征。类似地，第二用户识别模型输出第2个时间点人数特征、……、第N个时间点的人数特征。

[0078] 在一些实施例中，可以基于大量带有标识的训练样本训练第二用户识别模型。具体地，将带有标识的训练样本输入第二用户识别模型，通过训练更新第二用户识别模型的参数。

[0079] 在一些实施例中，训练样本可以是帧数据，标识可以是用户属性特征和人数特征。

[0080] 在一些实施例中，可以通过人工标注的方式获取所述帧数据的标识。

[0081] 在一些实施例中，可以分别单独的使用激光雷达方式或基于视频数据的方式获取得到用户属性特征和人数特征，也可以同时使用两种方式获取得到用户属性特征和人数特征。可以理解，同时使用两种方式可以增加处理速度。

[0082] 网络连接数量特征可以是指预设大小区域内覆盖的无线网络的连接人数。例如，一个商场内覆盖了无线wifi网络，接入该无线wifi网络的人数为100人、200人、300人等。

[0083] 在一些实施例中，可以基于wifi连接数据获取所述网络连接数量特征。Wifi连接数据可以包括当前网络连接用户人数、wifi流量数据、wifi信号模式（例如，2.4G网络或5G网络）。获取模块可以直接从wifi连接数据中获取得到所述网络连接数量特征。

[0084] 用户行为特征可以是指目标用户使用应用程序或访问网页时的行为方式。用户行为特征可以包括目标用户访问的应用程序（例如，百度、京东、微信等）、网页、访问时的操作（例如，点击、关闭、收藏等）、访问时间等。

[0085] 在一些实施例中，可以基于预设的埋点获取所述用户行为特征。埋点是一种可以用户网站或应用分析的数据采集方法。通过埋点可以跟踪应用的使用情况，例如，目标用户在商城的购物app上浏览过哪些商品、加入购物车的商品、关注的商品、领取的优惠券等。通过埋点技术采集的用户数据可以用于进一步优化产品或提供运营的数据支撑（例如，本申请中的用于获取资源分配需求类型），包括访问数（Visits），访客数（Visitor），停留时长（Time On Site），页面浏览数（Page Views）和跳出率（Bounce Rate）等。

[0086] 预设的埋点可以通过多种方式实现。例如，可以在研发产品时在产品的代码中注入相关代码，也可以通过统计工具实现，比如，友盟、神策、Talkingdata、GrowingIO等。

[0087] 步骤204，将所述分析数据输入训练好的一个或多个资源分配模型，预测N+1时间点下的一种或多种资源分配需求类型。

[0088] 具体地，步骤204可以由预测模块执行。

[0089] 资源分配需求是指需要使用所述计算资源的终端所在的预设大小区域中向目标用户提供服务时对各种资源的需求。所述各种资源包括容器资源（计算资源）、人力资源、服务资源等。如步骤202中所述，容器资源是指利用docker容器将应用和运行库打包后，在运行时docker容器所需要的硬件资源，例如，内存、cpu等。人力资源是指用于分配只所述预设大小区域内为目标用户提供服务的工作人员数量。服务资源是指调度分配资源的人员对该预设大小区域的关注程度。

[0090] 所述资源分配需求类型包括增加、减少、维持、以及撤销资源等。例如，增加容器（docker）资源、减少工作人员、维持关注程度等。

[0091] 资源分配模型可以是机器学习模型。资源分配模型的输入是N个时间点下的所述分析数据，即，时间点1到时间点N的分析数据，输出是由资源分配模型预测的N+1时间的资源分配需求类型。以此，可以利用时间点N到时间点N+1之间的时间间隔去分配N+1时间点所需要的资源，例如，需要增加或减少工作人员时，可以提前对人员进行调度，使得在N+1时间点时预设大小区域内的资源能够满足需求。

[0092] N+1时间点是指第N个时间点之后的下一个时间点。

[0093] 在一些实施例中，所述资源分配模型包括特征向量提取子模型和资源分配需求预测子模型。关于所述资源分配模型的结构以及训练方式可以参见图3的相关描述，此处不再赘述。

[0094] 所述资源分配模型预测N+1时间点下的一种或多种资源分配需求类型，包括：

[0095] 基于所述分析数据，通过所述特征向量提取子模型获取所述N个时间点下的分析数据对应的特征向量。

[0096] 特征向量是指将所述分析数据进行转化后得到的向量。具体地，可以将所述分析数据输入至所述特征向量提取子模型，特征向量提取子模型输出所述特征向量。

[0097] 在一些实施例中，在将所述分析数据输入至所述特征向量提取子模型之前，可以对所述N个时间点下的分析数据进行转化，得到数值型特征。将所述分析数据转化为数值型特征可以使用多种方式进行，包括但不限于归一化、统计值、离散化、log变化以及高次与四则运算特征等。

[0098] 进一步地，可以对每个时间点下的所述数值型特征执行分桶操作，得到一个或多个输入特征数据。分桶可以是对数值型特征进行数值变量的离散化，之后可以使用二值化进行one-hot编码的方式将数值型特征转换为机器学习模型易于利用的输入特征数据。输入特征数据是指用于输入至所述特征向量提取子模型的输入数据。

[0099] 在一些实施例中，分桶的方式包括但不限等距分桶、等频分桶、模型分桶等。以等距分桶为例，可以对分析数据中的人数特征、网络连接数量特征进行分桶，例如，组1为50人以下、组2为50到100人、组3为101-150人等。通过对分析数据转化得到的数值型特征进行分桶，可以得到较为稀疏的向量，特征向量提取子模型在利用时的运算速度可以更快，并且可以对异常数据具有较强的鲁棒性。

[0100] 在分桶操作执行完成后，可以将得到的输入特征数据输入至所述特征向量提取子模型，特征向量提取子模型输出所述特征向量。关于特征向量提取子模型的更多细节，可以参见图3的相关描述，此处不再赘述。

[0101] 所述资源分配需求预测子模型基于所述特征向量，输出所述资源分配需求类型。具体地，将所述特征向量输入至所述资源分配需求预测子模型，资源分配需求预测子模型输出所述资源分配需求类型。关于资源分配需求预测子模型的更多细节可以参见图3的相关描述，此处不再赘述。

[0102] 在一些实施例中，在一个资源分配模型的结构中，资源分配需求预测子模型可以为一个。可以利用多个所述资源分配模型，例如，资源分配模型1、资源分配模型2、……、资源分配模型n，预测多种类型的资源分配需求类型。比如，资源分配模型1用于预测容器资源需求类型，资源分配模型2用于预测人力资源需求类型，资源分配模型3用于预测服务资源需求类型等。示例性地，在图3中示出了资源分配模型中为一个资源分配需求预测子模型的结构，更多细节可以参见图3。

[0103] 在一些实施例中，在一个资源分配模型的结构中，资源分配需求预测子模型可以为多个（图未示），所述特征向量分别输入至多个资源分配需求预测子模型，不同的资源分配需求预测子模型输出不同的资源分配需求类型。例如，资源分配需求预测子模型可以包括资源分配需求预测子模型1、资源分配需求预测子模型2、……、资源分配需求预测子模型n。其中，资源分配需求预测子模型1可以用于输出容器资源需求类型，资源分配需求预测子模型1可以用于输出人力资源需求类型，资源分配需求预测子模型3可以用于输出服务资源需求类型等。

[0104] 步骤206，基于所述一种或多种资源分配需求类型确定资源分配指令；所述资源分配指令包括容器资源分配指令、工作人员分配指令、关注度分配指令以及资源分配模型精度调整指令。

[0105] 具体地，步骤206可以由确定模块执行。

[0106] 容器资源分配指令可以是指增加、减少或维持docker资源。例如，当使用所述计算资源的终端所在预设大小区域内的人流量增加时，docker容器运行时的负载也会相应提高，对于系统分配给docker容器的资源的需求会增加，则容器资源分配指令可以是增加docker资源。

[0107] 工作人员分配指令可以是对某个区域（例如，预设大小区域内的某个区域，或整个预设大小区域）内的工作人员的增加或减少一定数量，或保持不变。例如，当预设大小区域内人流量增加时，需要的增加工作人员数量，则工作人员分配指令可以是增加10个工作人员。

[0108] 关注度分配指令可以是增大、减小或保持对某个区域（例如，预设大小区域内的某个区域，或整个预设大小区域）的关注程度。例如，在步骤204中，资源分配模型预测出预设大小区域内的人流量相对稳定，对于资源需求的变化较少，则可以减少对其的关注程度。

[0109] 资源分配模型精度调整指令可以是对资源分配模型的精度的调整指令。例如，资源分配模型对数据类型的精度在整数型和浮点型之间相互切换的指令。例如，在步骤204中，若资源分配模型的预测结果相对变化较大，则可以将模型的精度由浮点（float）型转换为整数（int）型，以增加模型的处理速度。

[0110] 在预测资源分配需求类型的过程中，各种因素都可能会影响最终的结果。例如，比较明显的一个影响因素是人数，但是实时的人数并不能实际准确反映对于资源的需求，人的行为与数量反应到对资源的需求上可能不是实时的。比如，在商场区域内，人员流动的速度会比较大，部分人员可能仅仅是路过，并不会选购商品，对于各种资源的调整会较难把握。并且由于这些信息是混杂的，很难建立起明确的规则来通过各类信息得到预测的结果。而借助于机器学习的方式，可以通过数据自动学习来形成可预测的模型，获取较高的准确性。

[0111] 因此，根据N个时间点的人流量情况来预估资源需求可以有效地提高准确程度。而通过单一的方式统计人流情况的准确性存在不足，比如，难以考虑到其他因素，多种因素存在的情况下会比较复杂。

[0112] 在本申请实施例中，通过多种方式获取各种形式的分析数据，进一步地，利用机器学习模型对于数据处理的能力来预测在N+1时间点下的资源需求类型，进而根据预测结果确定资源分配指令，综合了多种信息（例如，用户位置特征、用户属性特征、人数特征等）的作用，有效地提高了资源分配预测时的准确性。

[0113] 另一方面，由于涉及的信息特征较多，采取各类标准的机器学习模型会造成模型参数量过多、对训练数据量要求大、容易出现过拟合等问题。在本申请的一些实施例中，采用了自定义模型结构的方式，通过特性向量提取子模型多个时间点的特征进行综合提取特征向量，进而通过资源分配需求预测子模型进行预测，最终根据预测得到资源分配需求类型确定资源分配指令。相对于应用各类标准的机器学习模型的方式，本申请中提供的方案能够更好地适应所使用信息的特点和所要解决的问题，避免了模型参数过多从而运行效率低、训练数据需求过大或者过拟合的问题。

[0114] 综上所述，针对复杂场景下的计算资源分配的问题，本申请提供的方案能够更充分地采集数据、获取对预测有帮助的信息，并针对这些信息的特点采取了自定义的机器学习模型结构以取得更好的运行效率和预测效果。

[0115] 图3是根据本申请一些实施例所示的资源分配模型的示例性结构图。

[0116] 资源分配模型可以是任意能够实现对多个特征进行处理的现有模型，或多个现有模型的组合，例如，CNN（卷积神经网络模型，Convolutional Neural Networks）、DNN（深度神经网络模型，Deep Neural Networks）、LSTM（长短期记忆网络，Bi-Long Short-Term Memory）、BI-LSTM（双向长短期记忆网络，Long Short-Term Memory）等。资源分配模型还可以是根据需求自定义的模型，本申请实施例对此不作限定。

[0117] 在一些实施例中，所述资源分配模型所包括的特征向量提取子模型为深度神经网络模型，所述资源分配需求预测子模型为LSTM模型。

[0118] 如图3所示，在资源分配需求模型300中可以包括特征向量提取子模型302和资源分配需求预测子模型304。

[0119] 资源分配需求模型的输入为N个时间点下的分析数据，其中，在资源分配需求模型的内部，各个时间点下的分析数据分别进入不同的特征向量提取子模型，例如，第一个时间点的分析数据进入DNN-1、第二个时间点的分析数据进入DNN-2、……、第N个时间点的分析数据进入DNN-N，之后由特征向量提取子模型输出各个时间点下的特征向量，例如，DNN-1输出第1个时间点分析数据的特征向量、DNN-2输出第2个时间点分析数据的特征向量、DNN-N输出第N个时间点分析数据的特征向量；输出各个时间点分析数据的特征向量作为资源分配需求预测子模型的输入，资源分配需求预测子模型根据输入的特征向量预测N+1时间点下的资源分配需求类型并输出。

[0120] 在一些实施例中，多个特征向量提取子模型的类型可以相同。例如，多个特征向量提取子模型的类型可以都是DNN，各个模型之间仅参数不同。在一些实施例中，多个特征向量提取子模型的类型可以不同。例如，部分特征向量提取子模型的类型为DNN，部分特征向量提取子模型的类型为其他类型的模型。

[0121] 需要说明的是，资源分配模型中包括的多个特征向量提取子模型的结构方式可以为并联。在一般情况下，特征向量提取子模型的数量，与输入的分析数据的时间点的数量相同，例如，特征向量提取子模型的数量为5，则输入的分析数据应该为5个时间点的分析数据。

[0122] 在一些实施例中，所述特征向量提取子模型的数量也可以和时间点的数量不同。

[0123] 在一些实施例中，可以基于大量带有标识的训练样本训练资源分配模型。具体地，将带有标识的训练样本输入资源分配模型，通过训练更新资源分配模型的参数。

[0124] 在一些实施例中，可以以历史分析数据作为训练样本，历史资源分配需求类型为样本标识。

[0125] 在一些实施例中，可以根据历史时间点的历史分析数据和历史真实资源分配需求，通过人工标注的方式标注得到样本标识。

[0126] 在一些实施例中，可以通过端到端的学习方式，对所述特征向量提取子模型和所述资源分配需求预测子模型进行联合训练得到所述资源分配模型。

[0127] 在本实施例中，以端到端的学习方式进行联合训练，只需要对历史分析数据进行一次标注，即可完成对资源分配模型的训练，在资源分配模型包括多种子模型结构时，无需对训练数据进行多次标注，既可以提升模型的训练效率，也可以减少对于样本标注的工作量。

[0128] 在一些实施例中，可以通过常用的方式进行训练，例如，梯度下降法。

[0129] 应当理解，图3中所示的资源分配需求模型的内部的DNN和LSTM结构仅仅作为示例，本申请对资源分配模型的具体组成不作限定。

[0130] 本申请实施例还提供一种控制带宽的计算资源分配的装置，包括至少一个存储介质和至少一个处理器；所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现前述的计算资源分配的方法。

[0131] 本申请实施例还提供一种计算机可读存储介质。所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机实现前述的计算资源分配的方法。

[0132] 上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

[0133] 同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本申请中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

[0134] 此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

[0135] 计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

[0136] 本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

[0137] 此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

[0138] 同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

[0139] 一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

[0140] 针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件（当前或之后附加于本申请中的）也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

[0141] 最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。