基于空间可分离性的利用基因检测的疾病预测方法及系统
阅读说明：本技术 基于空间可分离性的利用基因检测的疾病预测方法及系统 (Disease prediction method and system based on spatial separability and using gene detection ) 是由 杜强 李德轩 郭雨晨 聂方兴 张兴 唐超 于 2020-07-01 设计创作，主要内容包括：本发明公开了一种基于空间可分离性的利用基因检测的疾病预测方法及系统,该方法利用基因对应不同病种之间的数值范围是否重叠和离散程度,来判断该基因对于各个病种是否有区分能力；根据每个基因对应的各个病种数值范围的平均值,算出一个离散值；最后利用这个离散值进行排序,获得显著基因并计算得到各显著基因的阈值；根据每个显著基因的数值与阈值进行比较,得到每个病种对应的最终预测得分来判断患病的几率。本发明提出基于空间可分离性的显著基因提取方法,大大减少需要检测的基因数量,降低基因检测所需的费用和减轻医生们的压力,同时兼顾计算量和准确率,从一定程度上推动了基因检测的发展和普及。(The invention discloses a disease prediction method and a system based on spatial separability and using gene detection, wherein the method judges whether the gene has distinguishing capability for each disease species by using the overlapping and discrete degree of numerical ranges of the gene corresponding to different disease species; calculating a discrete value according to the average value of the numerical range of each disease species corresponding to each gene; finally, sequencing is carried out by utilizing the discrete value to obtain significant genes and the threshold value of each significant gene is obtained through calculation; and comparing the value of each significant gene with a threshold value to obtain a final prediction score corresponding to each disease species so as to judge the disease probability. The invention provides a significant gene extraction method based on spatial separability, which greatly reduces the number of genes to be detected, reduces the cost required by gene detection, relieves the pressure of doctors, considers the calculation amount and the accuracy rate, and promotes the development and popularization of gene detection to a certain extent.)
技术领域
本发明涉及疾病预测技术，具体涉及一种基于空间可分离性的利用基因检测的疾病预测方法及系统。
背景技术
基因决定人的生老病死，是健康、疾病、长寿之因，是生命质量的决定因素。基因检测可以诊断现有的身体疾病，可以预测疾病风险。利用基因检测技术可以在疾病发生前就发现疾病发生的风险。近年来，随着科学的进步，基因检测已经不再遥不可及，而且成本越来越低，因此科学家们开始利用基因检测来预测人体中可能存在的疾病。
随着科学家对疾病的基因根源认识越来越深，科学家们所知道的致病突变基因数量迅速增加，迄今为止，人们所知道的缺陷基因已达到数千个。许多疾病，都可以通过基因检测的方式，进行预测。例如：通过肿瘤易感性多基因检测，我们可以预测胃癌、乳腺癌、***癌等等，通过代谢与营养能力易感性基因检测，我们可以预测贫血、系统性红斑狼疮、糖尿病等等。但是，目前的基因检测方法，为了能够准确预测潜在的疾病，通常需要检测上千个乃至上万个基因，这会产生巨大的费用和消耗巨大的人力。由于此种弊端，基因检测的发展和普及受到了限制。
另外，面对数万个基因和有限的样本数量，深度学习的方法受到了极大的限制，第一是因为并没有机制指向具体哪些基因之间存在联系，第二是因为也没有足够的病例数据支持模型进行迭代，极容易出现过拟合。此外，由于基因数量巨大，中间可能存在大量的干扰项，直接分析也会因为干扰的存在而不准确。
有鉴于此，亟需提供一种可减少检测基因数量的前提下、准确率高的基因检测的疾病预测方法。
发明内容
为了解决上述技术问题，本发明所采用的技术方案是提供了一种基于空间可分离性的利用基因检测的疾病预测方法，包括以下步骤：
获取人体基因及基因检测数据；系统通过MAX函数确定每个基因对应的各种病种的值域，对比每个基因的各个病种的值域范围是否发生重叠，确定获得具有能甄别特定病种的基因；系统提取各具有能甄别特定病种的基因的数值，将对应的各基因的行数据进行标准化处理；根据标准化处理后的各具有能甄别特定病种的基因的行数据，系统计算每个具有能甄别特定病种的基因对应的每个病种的数值范围的均值及该基因对应的所有病种数值范围的均值；再计算该具有能甄别特定病种的基因对应的所有病种数值范围的均值与该基因能甄别的病种数值范围的均值的距离期望，即获得各具有能甄别特定病种的基因的离散值；将各离散值进行排序，剔除显著低于0.1的具有能甄别特定病种的基因，获得显著基因；将显著基因按照其能甄别的病种进行分类，并对同一类显著基因的离散值进行正则化，得到正则化后的离散值；系统通过python的基本命令语句计算得到各显著基因所能甄别的病种的数值范围的值域及剩下的病种的数值范围的值域，确定每个显著基因的阈值；对每个显著基因对应的病种设置一个初始预测得分为0；系统将每个显著基因的数值与阈值进行比较，得到每个病种对应的最终预测得分，根据预测得分，判断患病的几率。
在上述方法中，所述系统通过MAX函数确定每个基因对应的各种病种的值域，对比每个基因的各个病种的值域范围是否发生重叠，确定获得具有能甄别特定病种的基因具体为：
对基因检测数据以基因为单位进行遍历，通过MAX函数确定每个基因对应的各种病种的最大值和最小值，确定其值域范围；根据比对单个基因对应的各个病种的值域范围是否发生重叠，若没有发生重叠，则该基因为具有能甄别特定病种的基因。
在上述方法中，所述将对应的各基因的行数据进行标准化处理包括如下步骤：
首先通过max函数算出单个具有能甄别特定病种的基因对应的行数据的最大值和最小值，通过最大值减去最小值得到差值，再将该行数据减去最小值并与差值相除，得到该行数据的正则值。
在上述方法中，，所述对同一类显著基因的离散值进行正则化包括步骤：
确定病种对应的所有显著基因的离散值的最大值，使用每个显著基因的离散值除以其最大值，得到正则化后的离散值。
在上述方法中，所述确定每个显著基因的阈值包括以下步骤：
系统通过python的基本命令语句计算得到该显著基因所能甄别的病种的数值范围的最大值a和最小值b；
再计算剩下的病种的数值范围的最大值c和最小值d，每个显著基因的阈值确认包括以下两种情况：
第一种情况是b＞c时，那么显著基因的阈值等于b-(a-b)/(a-b+c-d)*(b-c)；
第二种情况是a＜d时，那么显著基因的阈值等于a+(a-b)/(a-b+c-d)*(d-a)。
在上述方法中，所述系统将每个显著基因的数值与其阈值进行比较，得到每个病种对应的最终预测得分包括以下两种情况：
第一种情况：显著基因所能甄别的病种的数值范围最大值小于其阈值，因此该病种的最终得分为预测得分加上该显著基因对应的正则化后的离散值；反之，丢弃该显著基因；
第二种情况：如果该显著基因所能甄别的病种的数值范围最小值大于其阈值，那么该病种的最终得分为预测得分应该加上该显著基因对应的正则化后的离散值，反之丢弃该显著基因。
本发明还提供了一种基于空间可分离性的利用基因检测的疾病预测系统，包括：
基因数据输入单元：用于输入人体基因及基因检测数据；
甄别特定病种的基因筛选单元：用于通过MAX函数确定基因数据输入单元输入的每个基因对应的各种病种的值域，对比每个基因的各个病种的值域范围是否发生重叠，从而获得具有能甄别特定病种的基因；
标准化处理单元：用于提取各具有能甄别特定病种的基因的数值，将对应的各基因的行数据进行标准化处理；
离散值计算单元：用于根据标准化处理单元标准化处理后的各具有能甄别特定病种的基因的行数据，系统计算每个具有能甄别特定病种的基因对应的每个病种的数值范围的均值及该基因对应的所有病种数值范围的均值；再计算该具有能甄别特定病种的基因对应的所有病种数值范围的均值与该基因能甄别的病种数值范围的均值的距离期望，即获得各具有能甄别特定病种的基因的离散值。
显著基因获取单元：将离散值计算单元获得各具有能甄别特定病种的基因的离散值进行排序，剔除显著低于0.1的具有能甄别特定病种的基因，获得显著基因；
显著基因分类单元：用于将显著基因获取单元获得的显著基因按照其能甄别的病种进行分类，将能甄别同一病种的显著基因分为同一类并对其离散值进行正则化，得到正则化后的离散值；
显著基因阈值计算单元：用于通过python的基本命令语句计算得到各显著基因所能甄别的病种的数值范围的值域及剩下的病种的数值范围的值域，确定每个显著基因的阈值；
患病预测单元：用于根据每个显著基因对应的病种预设的初始预测得分，将每个显著基因的数值与阈值进行比较，得到每个病种对应的最终预测得分，根据预测得分，判断患病的几率。
本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述基于空间可分离性的利用基因检测的疾病预测方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述基于空间可分离性的利用基因检测的疾病预测方法。
本发明提出基于空间可分离性的显著基因提取方法，利用了基因在不同病种的数值的离散程度，根据基因检测者的显著基因，预测其患各种病的风险，提前规避风险；本发明只需要检测所有显著基因，便可以达到与检测上万个基因的效果，用部分显著基因来代替所有基因进行疾病发生风险的预测，这将大大减少需要检测的基因数量，降低基因检测所需的费用和减轻医生们的压力，同时兼顾计算量和准确率，从一定程度上推动了基因检测的发展和普及。
附图说明
为了更清楚地说明本发明
具体实施方式
或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明提供的方法流程示意图；
图2为本发明提供的系统结构示意图；
图3为本发明提供的计算机设备结构示意框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语"安装"、"相连"、"连接"应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1所示，本发明提供了一种基于空间可分离性的利用基因检测的疾病预测方法，包括以下步骤：
S1、获取人体基因及基因检测数据；
S2、系统通过MAX函数确定每个基因对应的各种病种的值域，对比每个基因的各个病种的值域范围是否发生重叠，从而获得具有能甄别特定病种的基因。
对基因检测数据以基因为单位进行遍历(基因数据以excel表格的形式存放至系统中，每行为一个基因数据)，通过MAX函数确定每个基因对应的各种病种的最大值和最小值，确定其值域范围；根据比对单个基因对应的各个病种的值域范围是否发生重叠，若没有发生重叠，则该基因为具有能甄别特定病种的基因。具体为，本实施例，依据每个基因对应的不同病种，Python自带max函数，自动找到每种基因对应的各个病种的数值最大值和最小值，从而确定值域范围。得到值域范围后，判断单个基因对应的各个病种的值域是否发生重叠，若没有发生重叠，说明是具有能甄别特定病种的基因；例如以病种A为例，如果病种A的值域范围与其他任何不同病种的值域范围发生重叠就丢弃该基因的后续计算。如果病种A值域范围整体低于或高于其他所有不同病种的值域范围，就认为这个基因有甄别病种A的价值，即为具有能甄别特定病种的基因。
S3、系统提取各具有能甄别特定病种的基因的数值，将对应的各基因的行数据进行标准化处理(各基因数据以行的形式形成列表)，使得其范围位于0-1之间。标准化处理具体如下：
首先通过max函数算出单个基因对应的行数据的最大值和最小值，通过最大值减去最小值得到差值，再将该行数据减去最小值并与差值相除，得到该行数据的正则值。
S4、根据标准化处理后的各具有能甄别特定病种的基因的行数据，系统通过python的基本命令语句计算每个具有能甄别特定病种的基因对应的每个病种的数值范围的均值及该基因对应的所有病种数值范围的均值；例如A病种，在A1，A2等等基因上容易被甄别出来，那A1基因对应的一行数据，比如一行24个，那这24个数，假设其中有6个数对应的人得了A病，那这6个数一定是有个最大和最小值，即可算出相应的均值。
再计算该具有能甄别特定病种的基因对应的所有病种数值范围的均值与该基因能甄别的病种数值范围的均值的距离期望(离散值)，获得各具有能甄别特定病种的基因的离散值；离散值越大，说明该基因对于其所能甄别的病种的能力越强。例如基因A1，能甄别特定病A，对应A病的数据算一个平均数a，且能甄别的病B、C、D对应的平均数bcd。算a到bcd各数据的差值的平均数，数值越大说明该基因对于其所能甄别的病种的能力越强。
S5、系统将获得各具有能甄别特定病种的基因的离散值进行排序，剔除显著低于0.1的具有能甄别特定病种的基因，获得显著基因；剔除显著低于0.1的基因甄别病种的能力太弱。
显著低于0.1的部分的具有能甄别特定病种的基因被剔除。剩下的具有能甄别特定病种的基因即为对预测结果有最大程度影响的显著基因。
S6、系统将显著基因按照其能甄别的病种进行分类，将能甄别同一病种的显著基因分为同一类并对并对同一类显著基因的离散值进行正则化，得到正则化后的离散值。正则化的具体方式为：
确定病种对应的所有显著基因的离散值的最大值，使用每个显著基因的离散值除以其最大值，得到正则化后的离散值；例如对于某一类病种A，确定出此类病种A的所有显著基因的离散值的最大值，然后将此类病种A中的每个显著基因的离散值除以该最大值，最终得到正则化后的离散值。
S7、系统通过python的基本命令语句计算得到各显著基因所能甄别的病种的数值范围的值域及剩下的病种的数值范围的值域，确定每个显著基因的阈值。具体如下：
通过python的基本命令语句计算得到显著基因所能甄别的病种的数值范围的最大值a和最小值b。再计算剩下的病种的数值范围的最大值c和最小值d(例如，A1这个显著基因所能甄别的病A，那么A1对应B病、C病就是剩下的病种)，每个显著基因的阈值确认包括以下两种情况：
第一种情况是b＞c，那么显著基因的阈值等于b-(a-b)/(a-b+c-d)*(b-c)；
第二种情况是a＜d，那么显著基因的阈值等于a+(a-b)/(a-b+c-d)*(d-a)。
S8、对每个显著基因对应的病种设置一个初始预测得分为0；系统将每个显著基因的数值与其阈值进行比较，得到每个病种对应的最终得分，最终得分高低，判断患病的几率，得分越高，患病几率越大。具体如下：
本实施例需分以下两种情况：
第一种情况：该显著基因所能甄别的病种的数值范围最大值小于其阈值，那么说明患者很有可能带有该显著基因所能甄别的病种，因此该病种的最终得分为预测得分(为0)加上该显著基因对应的正则化后的离散值。反之，那么说明患者很有可能不带有该显著基因所能甄别的病种，因此丢弃该显著基因的计算。
第二种情况：如果显著基因所能甄别的病种的数值范围最小值大于其阈值，那么该病种的最终得分为预测得分应该加上该显著基因对应的正则化后的离散值，反之丢弃该显著基因的后续计算；在计算完所有的显著基因后，可以得到每个病种对应的最终得分，根据该得分，可以判断患病的几率。
本实施例提出基于空间可分离性的显著基因提取方法，利用了基因在不同病种的数值的离散程度，根据基因检测者的显著基因，预测其患各种病的风险，提前规避风险；本发明只需要检测所有显著基因，便可以达到与检测上万个基因的效果，用部分显著基因来代替所有基因进行疾病发生风险的预测，这将大大减少需要检测的基因数量，降低基因检测所需的费用和减轻医生们的压力，同时兼顾计算量和准确率，从一定程度上推动了基因检测的发展和普及。
如图2所示，本发明还提供了一种基于空间可分离性的利用基因检测的疾病预测系统，包括，
基因数据输入单元：用于获取人体基因及基因检测数据；
甄别特定病种的基因筛选单元：用于通过MAX函数确定每个基因对应的各种病种的值域，对比每个基因的各个病种的值域范围是否发生重叠，从而获得具有能甄别特定病种的基因。
本单元对基因检测数据以基因为单位进行遍历，通过MAX函数确定每个基因对应的各种病种的最大值和最小值，确定其值域范围；根据比对单个基因对应的各个病种的值域范围是否发生重叠，确定该基因具有能甄别特定病种的基因。具体为，本实施例，依据每个基因对应的不同病种，Python自带max函数，自动找到每种基因对应的各个病种的数值最大值和最小值，从而确定值域范围。得到值域范围后，判断单个基因对应的各个病种的值域是否发生重叠，若没有发生重叠，说明是具有能甄别特定病种的基因。
标准化处理单元：用于提取各具有能甄别特定病种的基因的数值，将对应的各基因的行数据进行标准化处理，使得其范围位于0-1之间。
标准化处理具体如下：
首先通过Max函数算出单个基因对应的行数据的最大值和最小值，通过最大值减去最小值得到差值，再用每行数据减去最小值并与差值相除，得到该行数据的正则值。
离散值计算单元：用于根据标准化处理后的各具有能甄别特定病种的基因的行数据，通过python的基本命令语句计算每个具有能甄别特定病种的基因对应的每个病种的数值范围的均值及该基因对应的所有病种数值范围的均值；再计算该具有能甄别特定病种的基因对应的所有病种数值范围的均值与该基因能甄别的病种数值范围的均值的离散值(距离期望)，获得各具有能甄别特定病种的基因的离散值；离散值越大，说明该基因对于其所能甄别的病种的能力越强。
显著基因获取单元：将离散值计算单元获得各具有能甄别特定病种的基因的离散值进行排序，剔除显著低于0.1的具有能甄别特定病种的基因，获得显著基因。
显著基因分类单元：用于将显著基因获取单元获得的显著基因按照其能甄别的病种进行分类，将能甄别同一病种的显著基因分为同一类并对其离散值进行正则化，得到正则化后的离散值。正则化的具体方式为：
确定该类病种对应的所有显著基因的离散值的最大值，使用每个显著基因的离散值除以该最大值，得到正则化后的离散值；例如对于某一类病种A，确定出此类病种A的所有显著基因的离散值的最大值，然后将此类病种A中的每个显著基因的离散值除以该最大值，最终得到正则化后的离散值。
显著基因阈值计算单元：用于通过python的基本命令语句计算得到各显著基因所能甄别的病种的数值范围的值域及剩下的病种的数值范围的值域，确定每个显著基因的阈值。具体如下：
通过python的基本命令语句计算得到该显著基因所能甄别的病种的数值范围的最大值a和最小值b。再计算剩下的病种的数值范围的最大值c和最小值d，确定每个显著基因的阈值；此时需分为两种情况，第一种情况是b大于c，那么阈值等于b-(a-b)/(a-b+c-d)*(b-c)；
第二种情况是a小于d，那么阈值等于a+(a-b)/(a-b+c-d)*(d-a)。
患病预测单元：用于根据每个显著基因对应的病种预设的初始预测得分，将每个显著基因的数值与阈值进行比较，得到每个病种对应的最终预测得分，根据预测得分，判断患病的几率，本实施例初始预测得分设置为0；
本实施例需分以下两种情况：
第一种情况：该显著基因所能甄别的病种的数值范围最大值小于阈值，那么说明患者很有可能带有该显著基因所能甄别的病种，因此该病种的预测得分加上该显著基因对应的正则化后的离散值。反之，那么说明患者很有可能不带有该显著基因所能甄别的病种，因此丢弃该显著基因的计算。
第二种情况：如果该显著基因所能甄别的病种的数值范围最小值大于阈值，那么该病种的预测得分应该加上该显著基因对应的正则化后的离散值，反之丢弃该显著基因的后续计算；在计算完所有的显著基因后，可以得到每个病种对应的最终预测得分，根据该得分，可以判断患病的几率。
下面通过具体案例说明上述方法与系统。
本案例在江苏南京某生物技术公司提供的24条病例数据上得到验证。24条病例数据每条有57821条基因，24条病例数据对应了6种癌症，每个癌症对应4条病例数据。算法首先在24条数据上做了训练，然后在第一批提供的额外3条病例测试中，预测结果全部命中对应的癌症病种；再将第一批测试集看作可用数据加入到原24例病例数据后，重新使用算法做训练，又在第二批的额外10例病例中测试，预测结果命中了9例。其中一例有两个病种的预测结果过于接近导致错误。总体来说该算法表现出了一定的有效性。
如下表1所示，为以表格形式存储的数据，其中，第B列-F列是第一种病例，第G列-M列是第二种病例；图2为算法的一个中间结果，用来做预测；其中，基因编号和基因名是一一对应的；离散比重是加权平均某个病人的各个基因对应某个病的预测得分；通过得分判断患病的几率具体是，例如预测的一共两个病，最后算出来第一种病例的预测得分是0.2，第二种病例的预测得分是蓝色0.1，那第一种病例的患病的概率为0.667。本色边值是对应某颜色比如第一种病例的训练数据中的极大或极小值。
表1、病例数据
表2、运算的中间结果
如图3所示，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于空间可分离性的利用基因检测的疾病预测方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中识别模型训练方法，或者计算机程序被处理器执行时实现上述实施例中一种基于空间可分离性的利用基因检测的疾病预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。