具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。其中，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该特征。

需要说明的是，本申请中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。

服务等级协议(service level agreement，SLA)是提供服务的企业或个人(可以称为服务提供方)和使用服务的用户(可以称为服务使用方)通过协商，在服务品质、优先权和责任义务等方面达成的协议。不同服务的SLA中服务提供方和服务使用方协商确定了不同的SLA参数。

以网络切片服务为例，网络切片SLA中，服务提供方和服务使用方通过协商确定的SLA参数可以包括：可访问性、可用性、利用率、可维持性、移动性、以及完整性等。

然而，上述SLA参数中，很多SLA参数的值都无法直接获取，需要将SLA参数映射到其他服务质量(quality of service，QoS)参数进行综合分析计算得到。其他QoS参数可以是网络延迟、网络分组丢失率等。

目前，将SLA参数映射至QoS参数的映射方式(或称为映射关系、映射机制等)一般由人为进行定义的。对于不同的业务服务、不同的承载网络类型，SLA参数映射至QoS参数的映射方式可能不同。

例如，图1为网络切片SLA参数至QoS参数的映射关系示意图。如图1所示，网络切片SLA中，服务提供方和服务使用方通过协商确定的SLA参数可以包括：可访问性、可用性、利用率、可维持性、移动性、以及完整性等的SLA参数。其中，可访问性可以映射至通过接入和移动性管理功能(access and mobility management function，AMF)注册的网络切片、单个网络切片注册成功率、以及为用户设备(user equipment，UE)服务的数据无线承载(dataradio bearer，DRB)的可访问性等QoS参数。利用率可以映射至网络切片协议数据单元(protocol data unit，PDU)会话的平均数和网络切片虚拟化资源利用率等的QoS参数。可持续性可以映射至QoS流的可持续性等的QoS参数。移动性可以映射至5G无线接入网(nextgeneration-radio access nerwork，NG-RAN)切换成功率等的QoS参数。完整性可以映射至网络切片的上行和下行吞吐量、N3接口的上行和下行吞吐量、RAN UE的吞吐量等的QoS参数

在此背景技术下，本申请实施例提供了一种服务等级协议映射方法，可以将SLA参数划分为多个(如至少两个)服务等级(或称为评价等级)，并通过机器学习和数学计算的手段提供一种该SLA参数与该SLA参数对应的QoS参数之间的映射方式。该服务等级协议映射方法中提供的SLA参数与QoS参数之间的映射方式，可以适用于不同的业务服务、不同的承载网络类型，具有普适性。另外，该服务等级协议映射方法中SLA参数与QoS参数之间的映射更加具有客观性。

本申请实施例中，QoS参数也可以称为评价指标，多个(如至少两个)QoS参数可以组成一个评价指标组合。

以下对本申请实施例提供的服务等级协议映射方法进行示例性说明。

本申请实施例提供的服务等级协议映射方法的执行主体可以是服务器、计算机、或者其他具有数据处理能力的电子设备、又或者通信网络中的某个网元，在此不作限制。

图2为本申请实施例提供的服务等级协议映射方法的流程示意图。如图2所示，该方法可以包括S201-S204。

S201、获取SLA参数对应的SLA评价指标集和SLA评价等级集。

其中，SLA评价指标集可以包括至少一个评价指标(即QoS参数)，SLA评价等级集可以包括多个评价等级。

可选地，SLA评价指标集和SLA评价等级集可以根据已签订的SLA得到。已签订的SLA中包括了SLA参数对应的SLA评价指标集和SLA评价等级集。SLA参数对应的SLA评价指标集中包括哪些评价指标、以及SLA评价等级集中包括几个评价等级，可以人工(如管理员)进行确定。

如上所述，SLA评价指标集中的评价指标可以是QoS参数。例如，QoS参数可以包括时延、吞吐量、以及丢包率等，在此对SLA评价指标集中包括的QoS参数的类型及数量均不作限制。

示例性地，以网络切片服务中的某个SLA参数1为例，一种可能的设计中，根据已签订的网络切片SLA，获取到的SLA参数1对应的SLA评价指标集和SLA评价等级集可以如下述表1所示。

表1

如表1所示，SLA参数1对应的SLA评价指标集中包括的评价指标可以包括：时延(delay)、吞吐量(throughput)、以及丢包率(loss)。SLA参数1对应的SLA评价等级集将评价等级划分为了等级1、等级2、等级3、等级4、等级5五个评价等级。

其中，等级1对应的评价指标组合包括：时延小于(“<”表示小于)1毫秒(ms)、吞吐量为1千兆比特每秒(Gbps)、以及丢包率小于10^-5；等级2对应的评价指标组合包括：时延小于5ms、吞吐量为1Gbps、以及丢包率小于10^-5；等级3对应的评价指标组合包括：时延小于10ms、吞吐量为500兆比特每秒(Mbps)、以及丢包率小于10^-5；等级4对应的评价指标组合包括：时延小于20ms、吞吐量为300Mbps、以及丢包率小于10^-4；等级5对应的评价指标组合包括：时延小于25ms、吞吐量为150Mbps、以及丢包率小于10^-3。

本申请实施例中，上述S201中获取到的SLA参数对应的SLA评价指标集可以如下述V所示，SLA评价等级集可以如下述R所示。

V＝{v₁，v₂，...，v_n}；

R＝{r₁，r₂，...，r_m}。

其中，v₁至v_n为SLA评价指标集中的评价指标；r₁至r_m为SLA评价等级集中的评价等级。n为大于0的整数，m为大于1的整数。

结合上述表1所示的示例，上述S201中获取到的SLA参数1对应的SLA评价指标集可以如下述V所示，SLA评价等级集可以如下述R所示。

V＝{delay，throughput，loss}；

R＝{等级1，等级2，等级3，等级4，等级5}。

需要说明的是，上述表1所示的SLA评价指标集和SLA评价等级集仅为示例性说明。本申请对SLA参数对应的SLA评价指标集中包括的评价指标的数量和类型、以及SLA评价等级集中包括的评价等级的数量均不作限制。

S202、根据SLA评价指标集和SLA评价等级集，建立评价矩阵。

图3为本申请实施例提供的服务等级协议映射方法的另一流程示意图。如图3所示，上述S202可以包括：

S301、获取SLA评价指标集中的每个评价指标对SLA评价等级集中的每个评价等级的隶属度。

示例性地，SLA评价指标集中的每个评价指标对SLA评价等级集中的每个评价等级的隶属度，是指：每个评价指标能够满足每个评价等级的要求的个数。

本申请实施例中，评价指标v₁对SLA评价等级集中的各个评价等级的隶属度可以表示为

其中，v₁₁表示实际评价指标中满足等级1中v₁要求的指标个数；v₁₂表示实际评价指标中满足等级2中v₁要求的指标个数；v_1m表示实际评价指标中满足等级m中v₁要求的指标个数。

例如，以上述表1中所述的评价指标delay为例，delay对表1所示的SLA评价等级集中的各个评价等级的隶属度可以表示为delay^{各等级隶属度}。

delay^{各等级隶属度}＝(delay₁，delay₂，delay₃，delay₄，delay₅)

其中，delay₁表示实际评价指标中满足等级1delay要求的指标个数；delay₂表示实际评价指标中满足等级2delay要求的指标个数；delay₃表示实际评价指标中满足等级3delay要求的指标个数；delay₄表示实际评价指标中满足等级4delay要求的指标个数；delay₅表示实际评价指标中满足等级5delay要求的指标个数。

S302、根据每个评价指标对每个评价等级的隶属度，确定每个评价指标对每个评价等级的隶属度的归一化结果。

本申请实施例中，评价指标v₁对SLA评价等级集中的各个评价等级的隶属度的归一化结果可以通过下述公式(1)计算得到。

公式(1)中，v_1j表示评价指标v₁对等级j的隶属度的归一化结果。v₁₁表示评价指标v₁对等级1的隶属度；v₁₂表示评价指标v₁对等级2的隶属度；v_1m表示评价指标v₁对等级m的隶属度。

需要说明的是，上述仅以评价指标v₁对每个评价等级的隶属度，确定评价指标v₁对每个评价等级的隶属度的归一化结果的过程，对S302进行了说明。对于其他评价指标(如：v₂至v_n等)，均可以按照类似的方式得到其他评价指标对每个评价等级的隶属度的归一化结果。

以上述S301中所述的评价指标delay对表1所示的SLA评价等级集中的各个评价等级的隶属度delay^{各等级隶属度}为例，delay对等级1的隶属度的归一化结果可以通过上述公式(1)计算得到。

上述公式中，d₁为delay对等级1的隶属度的归一化结果。delay1至delay5依次表示delay对等级1至等级5的隶属度。

类似地，与计算delay对等级1的隶属度的归一化结果的方式相同，可以计算得到delay对于等级2的隶属度的归一化结果d₂、delay对于等级3的隶属度的归一化结果d₃、delay对于等级4的隶属度的归一化结果d₄、以及delay对于等级5的隶属度的归一化结果。

需要说明的是，上述仅以根据delay对每个评价等级的隶属度，确定delay对每个评价等级的隶属度的归一化结果的过程，对S302进行了示例性说明。对于其他评价指标(如：throughput、loss等)，均可以按照类似的方式得到其他评价指标对每个评价等级的隶属度的归一化结果。

S303、根据每个评价指标对每个评价等级的隶属度的归一化结果，建立评价矩阵。

本申请实施例中，假设上述S302中得到的评价指标v₁对等级1至等级m的隶属度的归一化结果依次为v₁₁、v₁₂、...、v_1m，v₂对等级1至等级m的隶属度的归一化结果依次为v₂₁、v₂₂、...、v_2m，...，v_n对等级1至等级m的隶属度的归一化结果依次为v_n1、v_n2、...、v_nm。

则根据评价指标v₁对等级1至等级m的隶属度的归一化结果、评价指标v₂对等级1至等级m的隶属度的归一化结果、...、评价指标v₂对等级1至等级m的隶属度的归一化结果，建立的评价矩阵B可以如下：

示例性地，同样以上述表1所示的SLA评价等级集包括等级1至等级5，SLA评价指标集包括delay、throughput、以及loss为例，假设上述S302中得到的delay对等级1至等级5的隶属度的归一化结果依次为d₁、d₂、d₃、d₄、d₅，throughput对等级1至等级5的隶属度的归一化结果依次为tp₁、tp₂、tp₃、tp₄、tp₅，loss对等级1至等级5的隶属度的归一化结果依次为l₁、l₂、l₃、l₄、l₅。

则根据delay对等级1至等级5的隶属度的归一化结果、throughput对等级1至等级5的隶属度的归一化结果、以及loss对等级1至等级5的隶属度的归一化结果，建立的评价矩阵B可以如下：

S203、根据评价矩阵、以及SLA评价指标集中每个评价指标的权重，确定SLA评价指标集对SLA评价等级集中每个评价等级的隶属度。

图4为本申请实施例提供的服务等级协议映射方法的又一流程示意图。如图4所示，上述S203可以包括S401-S403。

S401、获取SLA评价指标集中每个评价指标的权重。

本申请实施例中，可以利用极限梯度提升(eXtreme gradient boosting，XGBoost)模型学习SLA评价指标集对应的大量的训练集得到各个评价指标的权重，各个评价指标的权重可以组成一个权重集。

示例性地，同样以上述表1所示的SLA评价等级集包括等级1至等级5，SLA评价指标集包括delay、throughput、以及loss为例，SLA评价指标集对应的训练集可以包括delay、throughput、以及loss分别对应的大量训练样本。

例如，训练样本1：V₁＝{delay＜1ms}，训练样本1的评价等级为等级1；训练样本2：V₂＝{delay＜5ms}，训练样本1的评价等级为等级2；训练样本3：V₃＝{delay＜10ms}，训练样本3的评价等级为等级3；训练样本4：V₄＝{delay＜20ms}，训练样本4的评价等级为等级5；训练样本5：V₅＝{delay＜25ms}，训练样本5的评价等级为等级5；训练样本6：V₆＝{throughput＝1Gbps}，训练样本6的评价等级为等级1；训练样本7：V₇＝{throughput＝1Gbps}，训练样本7的评价等级为等级2；训练样本8：V₈＝{throughput＝500Mbps}，训练样本8的评价等级为等级3；训练样本9：V₉＝{throughput＝300Mbps}，训练样本9的评价等级为等级4；训练样本10：V₁₀＝{throughput＝150Mbps}，训练样本10的评价等级为等级5；训练样本11：V₁₁＝{loss＜10^-5}，训练样本11的评价等级为等级1；训练样本12：V₁₂＝{loss＜10^-5}，训练样本12的评价等级为等级2；训练样本13：V₁₃＝{loss＜10^-5}，训练样本13的评价等级为等级3；训练样本14：V₁₄＝{loss＜10^-4}，训练样本14的评价等级为等级4；训练样本15：V₁₅＝{loss＜10^-3}，训练样本15的评价等级为等级5。

利用极限梯度提升模型学习上述delay、throughput、以及loss分别对应的大量训练样本，可以得到delay的权重、throughput的权重、以及loss的权重。

示例性地，以上述获取的训练样本1-15以及训练样本1-15对应的评价等级为例，X6Boost模型中可以包括一个预测模型。将SLA评价指标集输入XGBoost模型后，XGBoost模型可以根据预测模型分别得到SLA评价指标集中的每个评价指标对应的得分。

预测模型可以表示为下述公式(1)：

公式(2)中，V_i表示第i个训练样本，i为大于0的整数，且i小于或等于训练样本的总数；f_k(V_i)表示第i个训练样本在第k棵分类与回归树上对应的得分；D为分类与回归树的总个数，D为大于0的整数，k为大于0、且小于D的整数；表示训练样本对应的预测得分。公式(2)的实际含义为预测模型得到第i个训练样本对应的得分为第i个训练样本在第1棵分类与回归树上对应的得分至第D棵分类与回归树上对应的得分之和。

第i个训练样本在第k棵分类与回归树上对应的得分f_k(V_i)可以表示为下述公式(3)：

公式(3)中，f_k(V_i)表示第i个训练样本在第k棵分类与回归树上对应的得分；表示第i个训练样本所在的分类与回归树的树结构；表示第个训练样本在分类与回归树结构为的分类与回归树上时，该分类与回归树中叶子节点的得分；R^T表示叶子节点的向量集合；R^d表示分类与回归树的结构集合；T表示一个分类与回归树结构为R^d中任一结构的分类与回归树中的叶子节点的个数。公式(3)的实际含义为预测模型得到第i个训练样本在一棵树结构为的分类与回归树上对应的得分为第i个训练样本在该棵树上的T个叶子节点的得分之和。

预测模型的目标函数为：

公式(4)中，y_i表示第第i个训练样本对应的实际得分，y_i可以由第i个训练样本对应的评价等级转化获得，本申请实施例对于转化的具体规则不予限制；m表示训练样本的数量，m为大于0的整数；l表示预测模型预测了m个训练样本后的训练误差；表示D棵分类与回归树的正则项，Ω(f_k)表示第k棵分类与回归树的复杂度。

第k棵分类与回归树的复杂度可以通过公式(5)计算得到：

公式(5)中，T_k表示第第k棵分类与回归树中的叶子节点的个数；γ表示T_k的系数；ω_k，j表示第k棵分类与回归树中第j个叶子节点的得分(也可以成为权重)；λ表示对ω_k，j的惩罚。公式(5)的实际含义为控制分类与回归树的叶子节点的个数和每个叶子节点的权重，防止分类与回归树叶子节点的个数过多以及单个叶子节点的权重过大而导致过拟合。

第t次迭代的目标函数是通过第t-1次的预测结果和第t次纳入模型的分类与回归树共同计算而来的，这是因为每次迭代都会产生一个树，通过对公式(4)中的目标函数进行更改，然后在对其进行二阶泰勒级数的展开，目标函数对ω求偏导，得到一个能使目标函数最小的权重值，然后将ω带回目标函数中，求解最小目标函数值(目标函数值越小，分类与回归树的复杂度越低，泛化能力越强)：

公式(6)中，表示第t次迭代后第j个叶子节点的最优分数；I_j表示第j个叶子节点上的训练样本集合，I_j＝{i|q(V_i)＝j}；g_i表示l关于第t-1次的预测得分的一阶导数；h_i表示l关于第t-1次的预测得分的二阶导数，T_t表示第t次迭代的分类与回归树的总数。

g_i和h_i分别可以通过公式(8)和公式(9)计算得到：

预测模型采用贪心算法从根节点开始，递归地选择树结构的最优特征，并根据最优特征对训练样本进行分割。令I_L为分割点左边的样本集合，I_R为分割点右边的样本集合，且I＝I_L∪I_R。计算每个分割方案的信息增益，信息增益最大的分割为该节点的最优分割：

公式(10)中，L_split表示分割后的信息增益，表示分割后左子树的分数之和，表示分割后右子树的分数之和，表示分割前父节点的分数值，γ表示加入新叶子节点引入的复杂度代价。L_split＜0时，放弃分割。

通过计算每个评价指标的信息增益可以得到每个评价指标的重要性(重要程度的数值)：

公式(11)中，表示第i个训练样本的重要性，S_k表示每棵树的分裂点集合，s表示分裂点。

通过计算各个训练样本的重要性占比，可以得到每个评价指标对于所属评价等级的权重，计算过程可以如公式(12)所示：

公式(12)中，a_i表示第i个评价指标的权重。

示例性地，同样以上述表1所示的SLA评价等级集包括等级1至等级5，SLA评价指标集包括delay、throughput、以及loss为例，假设上述步骤S402中根据公式(12)得到的各个种类的评价指标的权重可以得到评价指标集对于评价等级集的权重集A＝{0.5，0.3，0.2}。权重集A表示评价指标种类为delay的评价指标对于评价等级的权重为0.5；评价指标种类为throughput的评价指标对于评价等级的权重为0.3；评价指标种类为loss的评价指标对于评价等级的权重为0.2。

可以理解的是，随着训练样本中的评价指标种类数量的不断增多，权重集A中的权重的数量也可以随之不断增多，本申请实施例对于权重的数量不予限制。

上述对确定SLA评价指标集中每个评价指标的权重的过程进行了说明，在得到SLA评价指标集中每个评价指标的权重后，根据评价矩阵、以及SLA评价指标集中每个评价指标的权重，确定SLA评价指标集对SLA评价等级集中每个评价等级的隶属度的过程可以包括步骤S402和S403。

S402、根据SLA评价指标集中每个评价指标的权重，生成权重矩阵。

S403、根据权重矩阵和评价矩阵，确定SLA评价指标集对SLA评价等级集中每个评价等级的隶属度。

本申请实施例中，S402中根据评价指标v₁的权重a₁、评价指标v₂的权重a₂、...、以及评价指标v_n的权重a_n组成的权重矩阵可以表示为A：

A＝{0₁0₂...a_n}

上述S202中建立的评价矩阵为：

S403中可以通过下述公式(13)对上述评价矩阵B和权重矩阵A进行模糊合成计算，以确定评价SLA评价指标集对SLA评价等级集中每个评价等级的隶属度。

S403中可以通过下述公式(13)对上述评价矩阵B和权重矩阵A进行模糊合成计算，以确定上述表1所示的SLA评价指标集对SLA评价等级集中每个评价等级的隶属度。

公式(13)中，result表示隶属度，表示模糊合成关系，模糊合成关系的计算与矩阵的乘积计算类似，result₁表示SLA评价指标集(v₁，v₂，...，v_n)对等级1的隶属度，result₂表示价指标集(v₁，v₂，...，v_n)对等级2的隶属度，result_m表示价指标集(v₁，v₂，...，v_n)对等级m的隶属度。

例如，同样以上述表1所示的SLA评价等级集包括等级1至等级5，SLA评价指标集包括delay、throughput、以及loss为例，假设delay的权重为a₁，throughput的权重为a₂,loss的权重为a₃，上述S202中建立的评价矩阵为：

S402中根据delay的权重、throughput的权重、以及loss的权重组成的权重矩阵可以表示为A：

A＝{a₁，a₂，a₃}

S403中可以通过下述公式(13)可以对上述评价矩阵B和权重矩阵A进行模糊合成计算，以确定上述表1所示的SLA评价指标集对SLA评价等级集中每个评价等级的隶属度。

S204、确定SLA评价指标集对SLA评价等级集中每个评价等级的隶属度中，最大隶属度对应的评价等级为SLA评价等级集的评价等级。

本申请实施例中，最大隶属度可以通过公式(14)计算得到：

r＝Max(result₁，result₂，...，result_m) 公式(14)

公式(14)中，r表示SLA评价等级集中最大隶属度对应的评价等级。Max表示取result₁、result₂、...、result_m中的最大值。

示例性地，同样以上述表1所示的SLA评价等级集包括等级1至等级5，SLA评价指标集包括delay、throughput、以及loss为例，假设上述S204中的公式(13)得到的评价指标为delay、throughput、以及loss的评价指标组合对评价等级为等级1、等级2、等级3、等级4、以及等级5的隶属度result＝(0.1,0.2,0.2,0.3,0.5)，则该评价指标组合对于等级5的隶属度最大，为0.5，所以该评价指标组合的评价等级就是等级5。

本申请实施例提供的服务等级协议映射方法可以将SLA参数划分为多个(如至少两个)服务等级(或称为评价等级)，并通过机器学习和数学计算的手段提供一种该SLA参数与该SLA参数对应的QoS参数之间的映射方式。服务等级协议映射方法中提供的SLA参数与QoS参数之间的映射方式，可以适用于不同的业务服务、不同的承载网络类型，具有普适性。方便服务提供方管理编排自己所提供的服务。

另外，该服务等级协议映射方法中SLA参数与QoS参数之间的映射更加具有客观性。

此外，本申请实施例提供的服务等级协议映射方法还可以反向映射，通过该服务等级协议映射方法中提供的SLA参数与QoS参数之间的映射方式还可以将QoS参数反向映射为SLA参数，方便服务使用方评估自己所使用的服务。

图5为本申请实施例提供的服务等级协议映射装置的结构示意图。如图5所示，该装置包括获取模块501和处理模块501

获取模块501，用于获取服务等级协议SLA参数对应的服务质量QoS参数集和SLA评价等级集；

处理模块502，用于根据QoS参数集和SLA评价等级集建立评价矩阵，根据评价矩阵和QoS参数集中的每个QoS参数的权重确定QoS参数集对SLA评价等级集中的每个评价等级的隶属度，确定QoS参数集对SLA评价等级集中的每个评价等级的隶属度中的最大隶属度，确定最大隶属度对应的评价等级为QoS参数集对应的评价等级。

在一种可能的设计中，获取模块501，还用于获取QoS参数集中每个QoS参数的权重；处理模块502，还用于根据QoS参数集中每个QoS参数的权重生成权重矩阵，根据权重矩阵和评价矩阵确定QoS参数集对SLA评价等级集中每个评价等级的隶属度。

在另一种可能的设计中，获取模块501，还用于获取权重矩阵和评价矩阵的模糊合成关系计算结果；处理模块502，还用于根据权重矩阵和评价矩阵的模糊合成关系计算结果，确定QoS参数集对SLA评价等级集中每个评价等级的隶属度。

在又一种可能的设计中，获取模块501，还用于获取QoS参数集中的每个QoS参数对SLA评价等级集中的每个评价等级的隶属度；处理模块502，还用于根据每个QoS参数对所述SLA评价等级集中的每个评价等级的隶属度确定每个QoS参数对每个评价等级的隶属度的归一化结果，根据每个QoS参数对每个评价等级的隶属度的归一化结果，建立评价矩阵。

在又一种可能的设计中，获取模块501，还用于获取QoS参数中满足各个评价等级的个数；处理模块502，还用于根据QoS参数中满足各个评价等级的个数，获得每个QoS参数对SLA评价等级集中的每个评价等级的隶属度。

可选地，所述获取模块501，具体用于根据极限梯度提升模型，确定所述QoS参数集中每个QoS参数的信息增益；根据所述QoS参数集中每个QoS参数的信息增益，确定所述QoS参数集中每个QoS参数的重要程度的数值；根据所述QoS参数集中每个QoS参数的重要程度的数值，计算每个QoS参数的重要性占比，得到每个QoS参数的权重。

图6为本申请实施例提供的电子设备的结构示意图，如图6所示，该电子设备包括：处理器601和存储器602；所述存储器存储有所述处理器可执行的指令；所述处理器被配置为执行所述指令时，使得所述电子设备实现如前述实施例中所述的方法。

在示例性实施例中，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令；当所述计算机程序指令被电子设备执行时，使得电子设备实现如前述实施例中所述的方法。

计算机可读存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。