薛祥祥,羅 澤

1(中國(guó)科學(xué)院 計(jì)算機(jī)網(wǎng)絡(luò)信息中心,北京 100190)

2(中國(guó)科學(xué)院大學(xué),北京 100049)

青海湖區(qū)域是我國(guó)重要的生態(tài)保護(hù)基地,青海湖國(guó)家級(jí)自然保護(hù)區(qū)是以野生水鳥(niǎo)及其棲息地保護(hù)為主要任務(wù)的保護(hù)區(qū)[1].近年來(lái),伴隨著人類的生產(chǎn)活動(dòng),以及氣候的變化,青海湖湖泊會(huì)在一定程度上發(fā)生變化.為了能夠更好的進(jìn)行青海湖生態(tài)保護(hù),及時(shí)了解青海湖水體變化,如何能夠自動(dòng)快速的進(jìn)行青海湖水體識(shí)別成為研究的關(guān)鍵.

遙感圖像水體識(shí)別是指通過(guò)一定的方法對(duì)遙感圖像數(shù)據(jù)進(jìn)行處理分析,以期能夠識(shí)別出遙感圖像中的水體.近年來(lái),針對(duì)水體識(shí)別問(wèn)題,相關(guān)研究人員和學(xué)者提出了很多理論和方法.目前主要分為兩類,第一類方法主要通過(guò)發(fā)現(xiàn)單個(gè)波段或多個(gè)波段之間的關(guān)系,通過(guò)設(shè)定閾值來(lái)實(shí)現(xiàn)[2–5];第二類方法是指通過(guò)機(jī)器學(xué)習(xí)算法,進(jìn)行訓(xùn)練模型來(lái)實(shí)現(xiàn)[6–8].上述方法目前均在單機(jī)環(huán)境下進(jìn)行水體的提取,同時(shí)又存在耗時(shí),普適性不強(qiáng),自動(dòng)化程度較低等不足[9,10].

2013年2月,Landsat8衛(wèi)星在美國(guó)加州發(fā)射,經(jīng)過(guò)100天測(cè)試運(yùn)行成功之后,開(kāi)始向地面提供遙感影像,是目前唯一一顆在軌運(yùn)行的Landsat系列衛(wèi)星[11].隨著Landsat8陸地資源衛(wèi)星的發(fā)射,我們可以更方便的獲取更高精度的青海湖區(qū)域遙感影像數(shù)據(jù).但隨著時(shí)間的推移,數(shù)據(jù)量將日益增多,在大數(shù)據(jù)量的情況下,耗時(shí),自動(dòng)化程度低等問(wèn)題將更加突出.

針對(duì)目前面臨的上述問(wèn)題,本文采用分布式處理框架進(jìn)行解決,搭建水體識(shí)別系統(tǒng),實(shí)現(xiàn)水體識(shí)別自動(dòng)化執(zhí)行.其主要包括基于Hadoop平臺(tái)實(shí)現(xiàn)遙感數(shù)據(jù)的存儲(chǔ)和處理,基于Spark平臺(tái)實(shí)現(xiàn)青海湖區(qū)域水體的識(shí)別.最后通過(guò)實(shí)驗(yàn),驗(yàn)證系統(tǒng)的有效性.

1 系統(tǒng)概述

本文通過(guò)Hadoop平臺(tái)和Spark平臺(tái)實(shí)現(xiàn)青海湖水體識(shí)別系統(tǒng),其整體架構(gòu)圖如圖1所示.

圖1 系統(tǒng)架構(gòu)圖

本系統(tǒng)的主要模塊功能為:(1)數(shù)據(jù)存儲(chǔ).系統(tǒng)使用HDFS進(jìn)行數(shù)據(jù)存儲(chǔ),用戶首先將本地遙感圖像數(shù)據(jù)上傳至HDFS,并存儲(chǔ)到相應(yīng)的文件夾下.(2)數(shù)據(jù)讀取.本系統(tǒng)利用GDAL來(lái)實(shí)現(xiàn)Hadoop平臺(tái)對(duì)遙感影像的數(shù)據(jù)讀取,通過(guò)重寫(xiě)Hadoop的輸入輸出格式進(jìn)行實(shí)現(xiàn).(3)數(shù)據(jù)處理.通過(guò)第二步的讀取,可以獲得遙感影像數(shù)據(jù),之后自定義MapReduce程序,將原始數(shù)據(jù)轉(zhuǎn)換為libSVM格式數(shù)據(jù),并輸出到HDFS相應(yīng)的文件夾下,提供給Spark程序使用.(4)模型訓(xùn)練.本實(shí)驗(yàn)的算法模型采用邏輯斯諦回歸算法.針對(duì)遙感影像上青海湖區(qū)域,人工選取水體和非水體樣本,作為訓(xùn)練樣本,并利用Spark MLlib進(jìn)行訓(xùn)練,最后將模型進(jìn)行持久化.(5)模型預(yù)測(cè).第三步的輸出結(jié)果為用戶的待預(yù)測(cè)數(shù)據(jù),通過(guò)讀取該數(shù)據(jù),并調(diào)用第四步的模型進(jìn)行預(yù)預(yù)測(cè),最終預(yù)測(cè)結(jié)果輸出到HDFS上.

2 系統(tǒng)設(shè)計(jì)

2.1 遙感圖像存儲(chǔ)策略

Landsat8遙感圖像較之前的Landsat系列影像,具有更高的精度,能夠更好的對(duì)地物進(jìn)行區(qū)分,并且對(duì)外開(kāi)放,可以從官方網(wǎng)站下載獲取,故本論文采用Landsat8遙感衛(wèi)星圖像作為實(shí)驗(yàn)數(shù)據(jù).Landsat8遙感影像屬于多光譜遙感圖像,共包含11個(gè)波段,每個(gè)波段對(duì)應(yīng)一幅遙感圖像.亦即,對(duì)于同一個(gè)區(qū)域,遙感數(shù)據(jù)為11幅單波段遙感圖像.根據(jù)遙感圖像數(shù)據(jù)的特點(diǎn),本文采用如下的方式來(lái)進(jìn)行數(shù)據(jù)存儲(chǔ).

首先在HDFS根目錄下創(chuàng)建image目錄,并且之后上傳的圖像均在/image目錄下.下載得到的青海湖區(qū)域某一天的遙感圖像為一個(gè)文件夾,該文件夾中包含各個(gè)波段的遙感圖像.本文在將本地文件夾數(shù)據(jù)上傳至HDFS時(shí),會(huì)首先獲取該文件夾名稱,并在HDFS上/image目錄下創(chuàng)建與此文件夾名稱相同的文件目錄.然后依次將本地文件夾中的波段數(shù)據(jù)上傳到HDFS對(duì)應(yīng)的目錄下.

2.2 Hadoop平臺(tái)輸入輸出設(shè)計(jì)

Hadoop平臺(tái)支持文本文件,SequenceFile等多種文件作為輸入,同時(shí)也允許用戶自定義輸入輸出格式[12,13].Hadoop平臺(tái)默認(rèn)的輸入格式為textInputFormat,當(dāng)進(jìn)行數(shù)據(jù)讀取時(shí),會(huì)首先計(jì)算SplitSize大小,然后根據(jù)此數(shù)值對(duì)輸入文件進(jìn)行Split操作,最后每一個(gè)Split對(duì)應(yīng)一個(gè)Map任務(wù).按照Hadoop的默認(rèn)輸入格式,其Split的過(guò)程是按照文件大小來(lái)進(jìn)行分片的,不會(huì)考慮數(shù)據(jù)之間的關(guān)系.而遙感影像數(shù)據(jù)屬于柵格數(shù)據(jù),如果按照默認(rèn)方式進(jìn)行切分,則會(huì)丟失數(shù)據(jù)之間的關(guān)系,無(wú)法讀取到正確結(jié)果.所以,如何實(shí)現(xiàn)正確讀取遙感數(shù)據(jù),是問(wèn)題解決的關(guān)鍵.

為了保證數(shù)據(jù)的完整性,本文對(duì)于輸入的遙感圖像不進(jìn)行切片操作,一幅遙感影像作為一個(gè)Map任務(wù)進(jìn)行數(shù)據(jù)讀取.本文通過(guò)自定義MyInputFormat類和MyRecordReader類來(lái)實(shí)現(xiàn)該功能.MyInputFormat類重寫(xiě)isSplitable()方法,使其返回值為false,表明對(duì)輸入數(shù)據(jù)不進(jìn)行切片.MyRecordReader類的功能為獲取Split數(shù)據(jù),并將其轉(zhuǎn)換為MapReduce的輸入,該類重寫(xiě)initialize()nextKeyValue(),getCurrentKey(),getCurrentValue()四個(gè)方法來(lái)進(jìn)行實(shí)現(xiàn).

根據(jù)2.1中的存儲(chǔ)策略,本文會(huì)將青海湖區(qū)域同一時(shí)刻的遙感數(shù)據(jù)存儲(chǔ)到HDFS上同一文件夾下.在執(zhí)行Hadoop程序時(shí),程序的輸入路徑為該文件夾的路徑.Hadoop程序會(huì)依次遍歷該路徑下的每一個(gè)文件,按照上述不分片處理的設(shè)計(jì),則該文件夾下每個(gè)波段文件會(huì)分別對(duì)應(yīng)一個(gè)Map任務(wù)進(jìn)行處理.

Hadoop程序通過(guò)自定義輸入格式來(lái)讀取數(shù)據(jù),之后通過(guò)MapReduce程序?qū)?shù)據(jù)進(jìn)行處理,然后輸出libSVM格式數(shù)據(jù),以提供給Spark程序進(jìn)行調(diào)用.根據(jù)系統(tǒng)需求,本文Hadoop程序輸出格式采用默認(rèn)輸出格式,即 TextOutputFormat.

2.3 MapReduce程序設(shè)計(jì)

MapReduce是Hadoop框架的計(jì)算模型,可以完成海量數(shù)據(jù)的處理任務(wù).其主要包含三個(gè)階段,分別是Map階段,Shuffle階段和Reduce階段.Map函數(shù)的輸入為一個(gè)

圖2 MapReduce執(zhí)行原理圖

本文MapReduce中,Map函數(shù)的輸入key值為當(dāng)前處理的文件名稱,value為當(dāng)前處理文件的二進(jìn)制數(shù)據(jù)流.經(jīng)過(guò)MapReduce處理,本文最終要得到由多個(gè)波段數(shù)據(jù)組成的libSVM格式數(shù)據(jù).因此,本文采用如下MapReduce設(shè)計(jì).

Map函數(shù)輸入的key值為當(dāng)前處理文件的文件名稱,value值為當(dāng)前處理文件的二進(jìn)制數(shù)據(jù)流.Map函數(shù)首先獲取當(dāng)前處理文件的波段號(hào),然后通過(guò)GDAL進(jìn)行數(shù)值讀取,對(duì)每一個(gè)像素點(diǎn)進(jìn)行輸出.Map函數(shù)的輸出key值為當(dāng)前像素點(diǎn)的坐標(biāo),格式為:XSize.YSize,輸出的value為當(dāng)前波段號(hào)和該像素點(diǎn)的值,格式為“波段號(hào):像素值”.具體轉(zhuǎn)換過(guò)程如圖3所示.

圖3 Map函數(shù)轉(zhuǎn)換圖

Reduce函數(shù)輸入的key值與map函數(shù)輸出的key值相同,為當(dāng)前像素點(diǎn)的坐標(biāo).輸入的value值為該坐標(biāo)下,各個(gè)波段的像素值組成的集合.Reduce函數(shù)會(huì)對(duì)集合中的數(shù)據(jù)進(jìn)行排序,使其按照波段的大小順序有序.Reduce函數(shù)輸出的key值為像素點(diǎn)的坐標(biāo),輸出的value為各個(gè)波段值的有序集合.最后設(shè)置Reduce函數(shù)輸出的key值和value值之間用空格進(jìn)行分隔,這樣,通過(guò)MapReduce函數(shù),即可得到libSVM格式數(shù)據(jù).其具體的輸入輸出格式如下所示:

2.4 模型訓(xùn)練和模型預(yù)測(cè)設(shè)計(jì)

本文對(duì)遙感圖像進(jìn)行水體識(shí)別,其本質(zhì)上屬于二分類問(wèn)題,要求算法能夠準(zhǔn)確判別出待預(yù)測(cè)數(shù)據(jù)為水體或非水體.本文采用Spark MLlib中邏輯歸回算法來(lái)進(jìn)行實(shí)現(xiàn).

邏輯回歸算法屬于分類算法,廣泛應(yīng)用于二分類問(wèn)題.該算法首先對(duì)數(shù)據(jù)進(jìn)行線性擬合,而后通過(guò)Sigmoid函數(shù)進(jìn)行映射,將預(yù)測(cè)結(jié)果值限定在0到1區(qū)間之內(nèi),通過(guò)設(shè)定閾值,從而實(shí)現(xiàn)分類.邏輯回歸算法基于Spark平臺(tái),實(shí)現(xiàn)了并行化處理,并且基于內(nèi)存計(jì)算,大大提高了模型訓(xùn)練和預(yù)測(cè)的速度.

Landsat8衛(wèi)星遙感影像數(shù)據(jù)共包含11個(gè)波段,根據(jù)遙感圖像的光譜特征,其中第2波段到第7波段,對(duì)于水體的區(qū)分具有明顯效果.故本文采用第2波段到第7波段這6個(gè)波段數(shù)據(jù).遙感圖像由一個(gè)個(gè)像元組成,本文在模型訓(xùn)練和模型預(yù)測(cè)中以像元為基本單位,每一個(gè)樣本共7個(gè)維度,分別對(duì)應(yīng)波段2到波段7像元的數(shù)值.

本文系統(tǒng)實(shí)現(xiàn)過(guò)程中,首先選取樣本進(jìn)行模型訓(xùn)練,并將此模型持久化存儲(chǔ)到HDFS相應(yīng)的目錄下.之后,對(duì)于待識(shí)別的遙感影像數(shù)據(jù),經(jīng)過(guò)MapReduce計(jì)算轉(zhuǎn)換為待預(yù)測(cè)數(shù)據(jù)后,直接調(diào)用此模型進(jìn)行預(yù)測(cè),并將預(yù)測(cè)結(jié)果輸出到HDFS相應(yīng)的目錄下.

3 系統(tǒng)實(shí)現(xiàn)

本文根據(jù)上述系統(tǒng)設(shè)計(jì)方法實(shí)現(xiàn)了基于大數(shù)據(jù)平臺(tái)的水體識(shí)別系統(tǒng).主要系統(tǒng)模塊包括數(shù)據(jù)上傳,數(shù)據(jù)讀取,數(shù)據(jù)轉(zhuǎn)換,模型訓(xùn)練,模型預(yù)測(cè).通過(guò)系統(tǒng)測(cè)試,本文實(shí)現(xiàn)的水體識(shí)別系統(tǒng)能夠自動(dòng)完成遙感圖像水體識(shí)別,且具有較高準(zhǔn)確率.

本系統(tǒng)在VMware虛擬機(jī)下進(jìn)行實(shí)現(xiàn),采用CDH(Cloudera’s Distribution including apache Hadoop)來(lái)搭建大數(shù)據(jù)平臺(tái).軟件版本信息為:CDH5.12.0,Hadoop2.6.0,Spark1.6.0,Java1.7.0,Maven3.0.4,GDAL2.2.2.

3.1 遙感圖像存儲(chǔ)實(shí)現(xiàn)

首先在HDFS根目錄下創(chuàng)建image文件夾,此后所有遙感圖像數(shù)據(jù)均保存在此目錄下.本文遙感圖像數(shù)據(jù)從Landsant遙感圖像官方網(wǎng)站進(jìn)行下載.這里本文下載2017年10月4日青海湖區(qū)域數(shù)據(jù),并以此進(jìn)行說(shuō)明.

數(shù)據(jù)下載后,其文件夾名稱為:LC08_L1TP_133034_20171004_20171014_01_T1.通過(guò) hadoop fs –put命令將該文件夾及文件夾下數(shù)據(jù)上傳到HDFS image目錄下.則執(zhí)行命令之后,該數(shù)據(jù)在HDFS上對(duì)應(yīng)的路徑為:/image/LC08_L1TP_133034_20171004_20171014_01_T1/*.

3.2 數(shù)據(jù)讀取及轉(zhuǎn)換實(shí)現(xiàn)

從上述3.1中得知,遙感圖像數(shù)據(jù)已經(jīng)存儲(chǔ)到HDFS相應(yīng)目錄之下,本步驟所要實(shí)現(xiàn)的功能為通過(guò)Hadoop程序,完成HDFS數(shù)據(jù)的讀取以及轉(zhuǎn)換功能,最后生成libSVM格式數(shù)據(jù),作為水體識(shí)別模型的輸入.

Hadoop程序采用Maven管理工具來(lái)進(jìn)行構(gòu)建,通過(guò)編寫(xiě)pom文件,實(shí)現(xiàn)程序jar包的依賴.本文通過(guò)GDAL(Geospatial Data Abstraction Library)來(lái)進(jìn)行讀取遙感圖像.GDAL是一個(gè)用于讀取柵格數(shù)據(jù)的開(kāi)源庫(kù),對(duì)外提供了多種語(yǔ)言接口,本文通過(guò)Java語(yǔ)言來(lái)進(jìn)行函數(shù)調(diào)用.

整體的實(shí)現(xiàn)過(guò)程如下所述:(1)首先從GDAL官方網(wǎng)站下載其源碼,然后在linux系統(tǒng)上進(jìn)行編譯,編譯完成之后,將得到so文件和jar文件.其中so文件復(fù)制到Hadoop安裝目錄native目錄下;jar文件通過(guò)maven命令安裝到本地maven倉(cāng)庫(kù),而后通過(guò)pom.xml文件的設(shè)置,添加到Hadoop程序中.(2)按照本文3.2,3.3中的系統(tǒng)設(shè)計(jì)方案,實(shí)現(xiàn)輸入輸出及MapReduce程序.(3)進(jìn)入程序的根目錄,執(zhí)行mvn package命令,對(duì)程序執(zhí)行打包操作,得到hadoop.jar文件.

之后,對(duì)于遙感圖像進(jìn)行讀取轉(zhuǎn)換,只需執(zhí)行如下命令即可:

程序會(huì)處理inputPath下遙感圖像數(shù)據(jù),并將其轉(zhuǎn)換為libSVM格式數(shù)據(jù),結(jié)果輸出到outputPath路徑下.

3.3 模型訓(xùn)練及預(yù)測(cè)實(shí)現(xiàn)

本文從遙感圖像中共選取訓(xùn)練樣本18 000個(gè),其中正樣本(水體)9000個(gè),負(fù)樣本(非水體)9000個(gè).樣本具體信息為:青海湖中心水體樣本3000個(gè),沿岸水體樣本3000個(gè),小島附近水體樣本3000個(gè),耕地樣本3000個(gè),山脈樣本3000個(gè),荒地樣本3000個(gè).以此作為訓(xùn)練數(shù)據(jù)集,進(jìn)行模型訓(xùn)練.

本模塊基于Spark平臺(tái)來(lái)進(jìn)行編碼實(shí)現(xiàn),Spark工程同樣采用Maven管理工具進(jìn)行構(gòu)建.在模型訓(xùn)練過(guò)程中,對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行隨機(jī)切分,其中70%用于模型訓(xùn)練,30%進(jìn)行模型測(cè)試,不斷迭代訓(xùn)練,直至模型收斂.

整體實(shí)現(xiàn)過(guò)程如下所述:(1)讀取遙感圖像,得到訓(xùn)練數(shù)據(jù)集,并保存為train_libsvm.csv文件.(2)將train_libsvm.csv上傳到HDFS /MLlib目錄下.(3)通過(guò)邏輯回歸算法進(jìn)行模型訓(xùn)練,并將得到的模型持久化保存到HDFS /model目錄下.

本文模型訓(xùn)練的參數(shù)及測(cè)試集上準(zhǔn)確率,如表1所示.

由上述3.2,可以得到待預(yù)測(cè)數(shù)據(jù)集,其格式為libsvm格式.Spark程序通過(guò)從HDFS相應(yīng)目錄下讀取待預(yù)測(cè)數(shù)據(jù),然后調(diào)用訓(xùn)練得到的模型進(jìn)行預(yù)測(cè),最終將預(yù)測(cè)結(jié)果輸出到HDFS/spark_output目錄下.

表1 模型參數(shù)及準(zhǔn)確率說(shuō)明

3.4 系統(tǒng)執(zhí)行流程實(shí)現(xiàn)

本文中,數(shù)據(jù)在HDFS上的存儲(chǔ)路徑設(shè)置如下:遙感圖像存儲(chǔ)于/image目錄下,Hadoop程序運(yùn)行結(jié)果存儲(chǔ)于/Hadoop_output目錄下,spark程序運(yùn)行結(jié)果存儲(chǔ)于/spark_output目錄下,訓(xùn)練數(shù)據(jù)集存儲(chǔ)于/mllib目錄下,模型存儲(chǔ)于/model目錄下.根據(jù)目錄之間的設(shè)定關(guān)系,本文采用shell腳本來(lái)進(jìn)行程序的自動(dòng)化執(zhí)行,用戶可以根據(jù)不同的需求,執(zhí)行相應(yīng)的腳本來(lái)完成功能.腳本的具體信息如下所述.

本文定義腳本waterClassification.sh,該腳本完成整個(gè)流程的自動(dòng)化執(zhí)行.當(dāng)用戶執(zhí)行該腳本時(shí),只需輸入本地遙感圖像文件夾路徑即可.該腳本將依次完成文件上傳,并執(zhí)行Hadoop計(jì)算,而后進(jìn)行模型預(yù)測(cè),最終將結(jié)果識(shí)別結(jié)果輸出到HDFS對(duì)應(yīng)文件夾下,完成水體識(shí)別的整個(gè)流程.

由于本文水體識(shí)別過(guò)程,由不同的功能模塊組成,故針對(duì)每一個(gè)具體的功能模塊,本文定義對(duì)應(yīng)的shell腳本,來(lái)實(shí)現(xiàn)模塊功能的單獨(dú)執(zhí)行.實(shí)現(xiàn)模塊功能的shell腳本有:uploadImage.sh,hadoop.sh,spark.sh.其中uploadImage.sh完成本地遙感圖像上傳功能;hadoop.sh完成讀取數(shù)據(jù),并對(duì)數(shù)據(jù)進(jìn)行運(yùn)算的功能,該腳本可以指定HDFS上任意遙感圖像文件夾.spark.sh完成水體識(shí)別功能,該腳本運(yùn)行時(shí)需指定待預(yù)測(cè)樣本文件路徑.

3.5 系統(tǒng)驗(yàn)證

在上述系統(tǒng)設(shè)計(jì)方案的基礎(chǔ)上,本文成功實(shí)現(xiàn)了基于大數(shù)據(jù)平臺(tái)的水體識(shí)別系統(tǒng).為了驗(yàn)證系統(tǒng)的有效性,以及對(duì)青海湖區(qū)域水體識(shí)別的效果,本文選取了不同三天的遙感圖像數(shù)據(jù),通過(guò)該系統(tǒng)進(jìn)行水體識(shí)別.測(cè)試遙感圖像數(shù)據(jù)為時(shí)間分別為:2017年7月16日,2017年10月4日,2017年11月5日.

通過(guò)該系統(tǒng)對(duì)遙感圖像進(jìn)行水體識(shí)別,得到識(shí)別結(jié)果后,對(duì)于識(shí)別出的水體像元,本實(shí)驗(yàn)將其對(duì)應(yīng)的像元值設(shè)置為0,進(jìn)行標(biāo)注,其最終識(shí)別效果如圖4,圖5,圖6所示.

圖4 2017年7月16日

圖5 2017年10月4日

圖6 2017年11月5日

4 結(jié)論與展望

針對(duì)當(dāng)前遙感圖像水體識(shí)別速度慢,自動(dòng)化程度低等問(wèn)題,本文基于大數(shù)據(jù)平臺(tái),構(gòu)建了水體識(shí)別系統(tǒng).將遙感圖像存儲(chǔ)于HDFS,實(shí)現(xiàn)數(shù)據(jù)的分布式存儲(chǔ);自定義實(shí)現(xiàn)Hadoop輸入輸出格式,完成數(shù)據(jù)的讀取;設(shè)計(jì)MapReduce,完成對(duì)遙感數(shù)據(jù)的處理;通過(guò)訓(xùn)練的模型對(duì)遙感圖像像元進(jìn)行預(yù)測(cè);最后通過(guò)實(shí)驗(yàn),來(lái)對(duì)該系統(tǒng)進(jìn)行驗(yàn)證.實(shí)驗(yàn)結(jié)果表明,該系統(tǒng)可以自動(dòng),快速完成青海湖區(qū)域遙感圖像水體識(shí)別,且準(zhǔn)確率較高,具有一定的應(yīng)用性.在本實(shí)驗(yàn)中,系統(tǒng)的執(zhí)行是通過(guò)命令行的形式來(lái)完成,下一步工作將嘗試開(kāi)發(fā)Web界面,以使用戶可以更簡(jiǎn)單方便的進(jìn)行操作.