自适应边缘计算卸载方法、装置及计算机可读存储介质

1.本发明涉及边缘计算技术领域，具体涉及一种自适应边缘计算卸载方法、装置及计算机可读存储介质。


背景技术：

2.近年来，随着海量用户涌入网络，大数据时代已经来临，网络数据处理能力迅速向网络边缘转移，使得多接入边缘计算(multi-access edge computing,mec)已经成为了5g/b5g、工业物联网以及算力网络发展的关键技术和基础。与传统中心云计算技术相比，它集电信和it服务于一体，在无线接入网的边缘为用户等网络设备提供云计算能力，并可以减少终端用户的计算、存储、处理和访问的延迟，同时还具有邻近性、高带宽、网络信息实时监测、位置感知、移动支持和高安全性等优势。这些优势也使得mec可以应用于具有可变时延要求的垂直行业中，例如：触觉互联网、远程手术、工业自动化、智能交通和智能电网。
3.目前，领域内越来越多的研究者对mec中的若干问题进行了长足且丰富的研究，其中与mec相结合的一个广泛的研究方向就是对计算卸载技术的推进和优化。mec环境下的计算卸载技术通过将移动终端设备的计算任务卸载到网络边缘执行，相比于集中式云计算，在请求时延、通信资源占用等方面具有明显优势，从请求端来看，计算卸载可以分为部分卸载以及二进制卸载两类；从服务端来看，它又可以分为边缘全卸载、中心云和边缘联合卸载、设备到设备(device to device,d2d)卸载、服务器和设备联合卸载四类。每种卸载方案具有不同的包容性和适用性，需要在实际的卸载环境下选择相适应的卸载技术。从本质上来说，边缘计算卸载的最终目标都是为了最小化用户请求的延迟，而延迟高低则取决于mec服务器之间的资源部署条件和用于计算卸载的服务器的选择情况。由于在物联网中产生的任务大部分具有优先级约束，如何将具有优先级约束的任务转发到不同类型的终端或服务器上，需要根据不同任务特性进行调度。而卸载服务器的选择又依赖于各个mec服务器上的服务部署和调度方案。如何满足具有优先级要求的物联网任务的性能需求，以及如何平衡资源利用和计算延迟对于网络负载造成的差异是目前边缘计算卸载技术研究的一大痛点。有很多新的研究技术都将这两者割裂开来，分别对其进行深入研究和优化；或是弱化其中一项对于边缘计算卸载性能的影响，真正以优先级约束、服务部署和计算卸载共生且并重为前提的边缘计算卸载研究技术屈指可数。


技术实现要素：

4.本发明的目的在于提供一种自适应边缘计算卸载方法、装置及计算机可读存储介质，以能够减少边缘服务的缓存空间、降低边缘服务器上的能耗的同时降低任务卸载的决策时间和决策复杂度。
5.本发明解决上述技术问题的技术方案如下：
6.本发明提供一种自适应边缘计算卸载方法，所述自适应计算卸载方法包括：
7.s101：获取用户任务请求；
8.s102：判断用户任务请求中的服务特征是否存在于mec服务器中，若是，进入步骤s103，否则，执行可卸载对象预处理方案并进入步骤s103；
9.s103：执行卸载方案并输出计算卸载结果。
10.可选择地，所述步骤s102中，所述可卸载对象预处理方案包括：
11.a1：分别对所述mec服务器中的已有服务特征的流行度和所述用户请求中的服务特征的流行度进行更新；以及
12.a2：以满足边缘卸载率的同时最小化边缘服务缓存空间为目的进行边缘服务部署。
13.可选择地，各服务特征的流行度的更新结果p
new
(si)为：
14.p
new
(si)＝p(si)(1-p(s
new
))
15.其中，si表示第i个服务特征，p(si)表示第i个服务特征的流行度，p(s
new
)表示所述用户请求中的服务特征的流行度，s
new
表示用户请求中的服务特征。
16.可选择地，所述a2包括以下分步骤：
17.a21：将各服务特征以微服务的形态存储在mec服务器上；
18.a22：根据所有所述微服务的集合，得到服务特征占用边缘端的存储空间，并对服务特征占用边缘端的存储空间进行去冗余操作，得到最小化边缘服务缓存空间。
19.可选择地，所述a22包括以下分步骤：
20.a221：根据所有所述微服务的集合构建所有所述微服务的相似图；
21.a222：将优化目标融入所述相似图中，得到新的相似图和服务特征占用边缘端的存储空间，其中，所述新的相似图包含配额代价；
22.a223：将所述新的相似图转换为边权值图；
23.a224：分别对所述新的相似图中原顶点的配额代价和邻接节点的配额代价进行更新，得到更新后的原顶点的配额代价和更新后的邻接节点的配额代价；
24.a225：根据所述边权值图的所有顶点的个数更新预设配额代价之和，得到更新后的配额代价之和；
25.a226：根据所述更新后的原顶点的配额代价、所述更新后的邻接节点的配额代价和所述更新后的配额代价之和，得到带配额问题的图；
26.a227：分别将所述带配额问题的图中的每一个顶点转化为一个星节点，得到转化后的带配额问题的图；
27.a228：利用k-mst算法对所述转化后的带配额问题的图进行求解，得到与所述带配额问题的图等价的求解结果；
28.a229：将所述求解结果作为所述最小化边缘服务缓存空间输出。
29.可选择地，所述步骤s103中，所述卸载方案包括：
30.b1：将所述用户任务请求中的任务拆分为多个子任务；
31.b2：分别对每个子任务分配卸载优先级并进行子任务调度和卸载队列设计。
32.可选择地，所述步骤b2中，所述分别对每个子任务分配卸载优先级包括：
33.b201：将多个所述子任务构建为子任务卸载矩阵；
34.b202：根据所述子任务卸载矩阵中行的非零元素，得到各子任务的可卸载对象序列；
35.b203：根据所有所述子任务的可卸载对象序列和预设优先级规则，得到每个子任务分配卸载优先级。
36.可选择地，所述步骤b2中，所述卸载队列设计包括：
37.b211：获取候选卸载队列和已完成卸载队列；
38.b212：将目标子任务放入所述候选卸载队列中；
39.b213：将所述候选卸载队列中优先级最高的子任务调度至所述已完成卸载队列中，并将所述优先级最高的子任务从所述候选卸载队列中移除；
40.b214：判断所述目标子任务是否为所述任务中的最后一个子任务，若是，结束卸载队列设计，否则，获取所述目标子任务的邻序任务以更新所述目标子任务并返回步骤b212。
41.另一方面，本发明还提供一种自适应边缘计算卸载装置，所述自适应边缘计算卸载装置包括：
42.任务获取模块，所述任务获取模块用于获取用户任务请求；
43.服务特征判断模块，所述服务特征判断模块用于判断用户任务请求中的服务特征是否存在于mec服务器中；
44.卸载对象预处理模块，所述卸载对象预处理模块用于执行可卸载对象预处理方案；
45.计算卸载执行模块，所述计算卸载执行模块用于执行卸载方案并输出计算卸载结果。
46.另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的自适应边缘计算卸载方法。
47.本发明具有以下有益效果：
48.1、低延迟。首先，本发明以热点服务的必要性为基准，仅在必要的mec服务器上部署相应服务，而非将热点服务都部署在所有的mec服务器上，有效的缩减了任务在确定卸载方向时的决策时延。其次，相比于传统的边缘计算任务调度算法，本发明通过在一个时隙内批量调度卸载任务，对任务集合进行整体排序，避免了单个mec服务器上的负载过重或闲置时间过长等负载不均衡的现象，高效利用了网络资源，进一步减少了任务的处理时延。
49.2、低能耗。本发明通过计算卸载预处理阶段对热点服务进行部署以及去冗余的过程，避免了因时间上或地理上的邻近性而造成的数据冗余，减少了资源浪费，大大节省了mec服务器上的存储资源。
50.3、高卸载成功率。首先，卸载成功率与mec服务器上部署的服务息息相关，在可卸载对象预处理阶段，只要所需部署的服务不超过mec服务器的容量，便可以通过对k-mst的k值的设置以最大化卸载成功率。其次，基于服务流行度的服务部署方案将优先缓存时下高访问量的服务，增加了可执行的任务卸载的数量，提高了卸载成功率。
51.4、适用性强。本发明提出的自适应联合计算卸载方案以任务优先级约束和服务流行度为基准满足了在同一时间段内卸载不同类任务的需求，并在新服务及新任务到达时自适应更新服务部署和任务调度策略。特别而言，在任务的高发时期，可以缩小任务调度时隙，以适应高峰期任务在线卸载的场景。
附图说明
52.图1为本发明自适应边缘计算卸载方法的流程图；
53.图2为本发明相似图的结构示意图。
具体实施方式
54.以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
55.本发明中所用到的参数解释如表1所示：
56.表1参数解释说明
57.[0058][0059]
实施例
[0060]
本发明提供一种自适应边缘计算卸载方法，参考图1所示，所述自适应计算卸载方法包括：
[0061]
s101：获取用户任务请求；
[0062]
s102：判断用户任务请求中的服务特征是否存在于mec服务器中，若是，进入步骤s103，否则，执行可卸载对象预处理方案并进入步骤s103；
[0063]
s103：执行卸载方案并输出计算卸载结果。
[0064]
本发明整个计算卸载方案可以分为两个阶段：可卸载对象预处理阶段和执行卸载方案阶段，其中可卸载对象预处理阶段分为服务流行度设计和边缘服务部署两个部分，执行卸载方案阶段分为以优先级设置为中心的卸载任务调度部分和卸载队列设计部分。
[0065]
本发明假设用户任务请求和服务特征到达都分别服从概率为bu，bs的伯努利随机过程，网络内具有m个mec服务器和c个云服务器，其中每个mec服务器覆盖ui(1≤i≤m)个用户，从而可得到网络内用户集合u，其中|u|＝∑i|ui|。
[0066]
接下来对上述两个阶段分别进行说明。
[0067]
首先，可选择地，所述步骤s102中，所述可卸载对象预处理方案包括：
[0068]
a1：分别对所述mec服务器中的已有服务特征的流行度和所述用户请求中的服务特征的流行度进行更新；以及
[0069]
a2：以满足边缘卸载率的同时最小化边缘服务缓存空间为目的进行边缘服务部署。
[0070]
可选择地，各服务特征的流行度的更新结果p
new
(si)为：
[0071]
p
new
(si)＝p(si)(1-p(s
new
))
[0072]
其中，si表示第i个服务特征，p(si)表示第i个服务特征的流行度，p(s
new
)表示所述用户请求中的服务特征的流行度，s
new
表示用户请求中的服务特征。
[0073]
具体地，假设网络内已有的服务集合为s＝{s1,s2,
…
,sn}，mec服务器上部署的服务集合为sm＝{s1,s2,
…
,sc}，各个服务对应的服务流行度为p(si)，它也表示了用户发出的卸载任务正好对应于服务si的概率，其中所有服务的服务流行度之和为1。那么可得到边缘服务命中率为：
[0074][0075]
当有新的服务s
new
进入网络时，且该新服务s
new
的服务流行度为p(s
new
)，网络的服务集合更新为s
new
＝{s1,s2,
…
,sn，s
new
},各个服务的流行度更新为：
[0076]
p
new
(si)＝p(si)(1-p(s
new
))
[0077]
通过上述更新，可以保证新服务加入网络后，网络内所有服务的流行度之和仍然为1。
[0078]
可选择地，所述a2包括以下分步骤：
[0079]
a21：将各服务特征以微服务的形态存储在mec服务器上；
[0080]
a22：根据所有所述微服务的集合，得到服务特征占用边缘端的存储空间，并对服务特征占用边缘端的存储空间进行去冗余操作，得到最小化边缘服务缓存空间。
[0081]
可选择地，所述a22包括以下分步骤：
[0082]
a221：根据所有所述微服务的集合构建所有所述微服务的相似图；
[0083]
a222：将优化目标融入所述相似图中，得到新的相似图和服务特征占用边缘端的存储空间，其中，所述新的相似图包含配额代价；
[0084]
a223：将所述新的相似图转换为边权值图；
[0085]
a224：分别对所述新的相似图中原顶点的配额代价和邻接节点的配额代价进行更新，得到更新后的原顶点的配额代价和更新后的邻接节点的配额代价；
[0086]
a225：根据所述边权值图的所有顶点的个数更新预设配额代价之和，得到更新后的配额代价之和；
[0087]
a226：根据所述更新后的原顶点的配额代价、所述更新后的邻接节点的配额代价和所述更新后的配额代价之和，得到带配额问题的图；
[0088]
a227：分别将所述带配额问题的图中的每一个顶点转化为一个星节点，得到转化后的带配额问题的图；
[0089]
a228：利用k-mst算法对所述转化后的带配额问题的图进行求解，得到与所述带配额问题的图等价的求解结果；
[0090]
a229：将所述求解结果作为所述最小化边缘服务缓存空间输出。
[0091]
具体地，缘层的服务部署情况会对任务卸载率造成极大的影响，但是具有有限容量的mec服务器无法放置所有所需的服务，因此本发明执行边缘服务部署过程的目的就是在满足边缘卸载率的情况下最小化边缘服务缓存空间，其中边缘卸载率等价于边缘缓存服务的命中率，进而等价于边缘部署服务的服务流行度之和。
[0092]
首先时间上和地理上的相关性使得mec服务器之间存在服务部署冗余的情况，为了减少边缘服务的部署空间，本发明将各个服务以微服务的形态存储在边缘服务器上，并对各个mec上部署的微服务执行去冗余操作，具体处理过程如下。
[0093]
将网络内的服务特征si看作一系列微服务的集合，则那么去冗余之前部署服务所占用的存储空间可以表示为：其中n
new
表示当前网络内部署的服务总数。令ω表示存储在边缘端的服务集合，令ψ表示存储在云端的服务集合,则去冗余之后部署服务在边缘端所占用的存储空间其中w表示部署在边缘端的服务总数，表示在云端部署服务占用的存储空间。
[0094]
令每个mec服务器mi(1《i《m)的最大存储能力为卸载成功率的最低要求为b，则可得到如下的优化问题：
[0095][0096][0097][0098][0099]
类比于背包问题可知，该优化问题是np-hard的。
[0100]
如何转化并求解上述优化问题的具体步骤如下：
[0101]
首先，构建一个相似图：g＝(v,e)，如图2所示，节点v代表mec服务器，节点代价vi代表对应mec服务器上部署的微服务数量，边e
ij
代表两个关联节点之间存在相似的微服务，边权值e
ij
代表两个关联节点之间部署的相似微服务数量的负值。这个图可以有效地估计部署去冗余之后的服务所需要的空间需求，自此可以对优化问题var.的约束条件进行一个转化——找到该相似图的一个子图即可表征上述空间约束问题。
[0102]
然后，为了将优化目标融入相似图中，在相似图的每个节点上增加一个配额代价参数，得到新的相似图，该参数等价于对应mec服务器上部署的服务流行度之和。由此便可在该图的基础上求解斯坦纳树的配额问题，也就是在满足所给出的配额代价之和r的条件下得到一个节点代价及边代价之后最小的子图，其中配额代价之和r就是卸载率，节点代价及边代价之和便是去冗余之后部署服务在边缘端所占用的存储空间
[0103]
之后，将得到的包含节点配额代价的相似图转化为k-最小生成树(k-mst)来计算。具体而言，就是将具有边权值和节点代价的图转化为只有边权值的图：对于原图的顶点v的流行度p(v)，将其变为0，同时在该顶点上增加一个附属的邻接节点v'，邻接节点v'的配额代价为p(v')＝p(v)，关联邻接节点v'与原顶点v的边的权重设置为原顶点v的节点代价。
[0104]
再者，为了使包含节点配额代价的相似图和只有边权值的图等价，将原顶点v和邻接节点v'的奖励p(v)和p(v')做如下更新：
[0105]
p'(v)＝2|v'|p(v)+1
[0106]
p'(v')＝2|v'|p(v')+1
[0107]
在只有边权值的图中，所给出的配额代价之和也相应更新为：
[0108]
r'＝2r|v'|
[0109]
根据上述更新内容，得到带配额问题的图。
[0110]
最后，将带配额问题的图上每一个顶点都转化为一个星节点：在其上增加p'(v')-1个附属节点，令这些附属节点与星节点中心(也就是步骤四得到的图的顶点)相连的边的权值都为0，所有的点的配额代价都为1。由此可以得到在该图上求解k-mst的时候，令k等于r'，可以得到与所述带配额问题的图等价的求解结果。
[0111]
由于带配额问题的图，不能直接用k-mst的算法求解到最小生成树，需要将这个图里的顶点再做一次转化，才能直接使用k-mst算法求解。转化之后令k等于r'，再用k-mst算法求解，就可以得到和步骤四等价的结果了，这个结果就是去冗余之后边缘端的服务缓存结果，得到的生成树的代价之和就是最小化的去冗余之后在边缘端占用的存储空间。
[0112]
自此，可卸载对象预处理阶段结束，并在满足卸载率要求之下得到最小化服务存
储空间的边缘服务部署方案。
[0113]
经过上述可卸载对象预处理阶段，各个mec服务器便可为边缘任务卸载提供相应的支持。首先，由于物联网中产生的任务具有各自的优先级，本发明在进行任务卸载时会考虑到各类任务的重要性差异。其次，为了充分利用mec服务器的处理资源以及降低边缘卸载的时延，本发明将会把任务拆分为数个子任务，并分别对各个子任务分配卸载优先级并进行子任务调度和卸载队列的设计。
[0114]
在时隙τ内，令用户xi产生的子任务集合为，1≤xi≤|u|，并假设每个子任务对应一个微服务，也就是说该子任务只能卸往具有该微服务的服务器或别的用户上，且每个子任务的卸载方向包含于所有的边缘服务器、云服务器以及用户。
[0115]
可选择地，所述步骤s103中，所述卸载方案包括：
[0116]
b1：将所述用户任务请求中的任务拆分为多个子任务；
[0117]
b2：分别对每个子任务分配卸载优先级并进行子任务调度和卸载队列设计。
[0118]
可选择地，所述步骤b2中，所述分别对每个子任务分配卸载优先级包括：
[0119]
b201：将多个所述子任务构建为子任务卸载矩阵；
[0120]
b202：根据所述子任务卸载矩阵中行的非零元素，得到各子任务的可卸载对象序列；
[0121]
b203：根据所有所述子任务的可卸载对象序列和预设优先级规则，得到每个子任务分配卸载优先级。
[0122]
具体地，为了降低因考虑任务优先级约束所带来的资源消耗和处理时延，本发明将卸载优先级集成为一个浮点数，其中整数部分为主优先级，它确定子任务的卸载方向，小数部分为次优先级，它确定子任务的卸载队列。
[0123]
具体实现步骤如下所述：
[0124]
首先，将由用户xi发出的任务重定义为表示由用户xi发出的任务的子任务(共hi个)。
[0125]
然后，构建一个的子任务卸载矩阵，其中每一行表示子任务的可卸载对象，每一列表示边缘服务器、云服务器及用户可接收的子任务。矩阵元素则表示行元素对应的子任务卸载到列元素所对应的任务处理设备上时的时延。
[0126]
之后，根据子任务卸载矩阵的行的非零元素，可得到每个子任务的可卸载对象序列：
[0127][0128]
为了节省存储空间以及减少计算负担，将可卸载的对象序列重定义为：
[0129][0130]
其中n为可为子任务提供计算卸载的处理设备总数。
[0131]
最后，本发明的预设优先级规则即为：选择可卸载的对象序列中时延最短的服务器或用户所对应的序列号n作为子任务卸载的主优先级，将该子任务对应的微服务的服务流行度作为次优先级，自此得到的浮点数则构成了该子任务的卸载优先级。
[0132]
可选择地，所述步骤b2中，所述卸载队列设计包括：
[0133]
b211：获取候选卸载队列和已完成卸载队列；
[0134]
b212：将目标子任务放入所述候选卸载队列中；
[0135]
b213：将所述候选卸载队列中优先级最高的子任务调度至所述已完成卸载队列中，并将所述优先级最高的子任务从所述候选卸载队列中移除；
[0136]
b214：判断所述目标子任务是否为所述任务中的最后一个子任务，若是，结束卸载队列设计，否则，获取所述目标子任务的邻序任务以更新所述目标子任务并返回步骤b212。
[0137]
具体地，尽管各个子任务已经具有了各自的优先级参数，但是由于每个子任务的卸载方向并非全部相同，且还要满足子任务之间的优先级约束，因此需要对子任务进行排序以获取卸载队列。在本发明中，考虑的卸载方案最终目的是最小化网络内最后一个子任务被处理完成的时间。为了符合实际，给出如下约束：
[0138]
第一，由同一个用户发出的子任务之间才具有优先级约束；
[0139]
第二，每个任务处理设备上的卸载任务不可同时进行；
[0140]
第三.子任务不可多向卸载；
[0141]
第四，子任务不可拆分。
[0142]
具体的子任务卸载队列设置方案如下：
[0143]
步骤一：定义两个辅助队列：w和e，其中w为候选卸载队列，e为已完成卸载队列。
[0144]
步骤二：在每个用户中随机选择一个子任务放入队列w中。
[0145]
步骤三：在w中选择优先级最高的子任务放进队列e中并从w中移除。
[0146]
步骤四：将w中被移除的子任务的邻序任务放进w中。
[0147]
步骤五：重复步骤三～四，直到网络内所有的子任务都完成排序，此时，w队列为空，e的队列大小为网络内子任务数量总和。
[0148]
另一方面，本发明还提供一种自适应边缘计算卸载装置，所述自适应边缘计算卸载装置包括：
[0149]
任务获取模块，所述任务获取模块用于获取用户任务请求；
[0150]
服务特征判断模块，所述服务特征判断模块用于判断用户任务请求中的服务特征是否存在于mec服务器中；
[0151]
卸载对象预处理模块，所述卸载对象预处理模块用于执行可卸载对象预处理方案；
[0152]
计算卸载执行模块，所述计算卸载执行模块用于执行卸载方案并输出计算卸载结果。
[0153]
另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的自适应边缘计算卸载方法。
[0154]
本发明的主要创新有以下两点：
[0155]
1、通过在存储了不同服务的边缘服务器构成的图上解决斯坦纳树的配额问题，减
少了边缘服务的缓存空间，降低了边缘服务器上的能耗。
[0156]
2、在请求端和服务端分别考虑了卸载任务的优先级约束问题，并将二者的优先级约束问题整合为一个集成约束问题，在满足不同任务的优先级约束情况下大大降低了任务卸载的决策时间和决策复杂度。
[0157]
此外，以etsi对边缘计算的参考架构和成熟理念为参考，5g边缘计算由5g核心网(5gc)、边缘计算平台和用户设备(ue)协同实现，满足边缘场景下的计费、合法侦听、移动性管理和服务质量(qos)需求。因此本发明技术可以部署在由5g网络为载体的一个应用功能(af)或是专属的网络功能(nf)上，并可将其部署在一个或多个网络切片上以实现相关效用。
[0158]
本发明具有以下有益效果：
[0159]
1、低延迟。首先，本发明以热点服务的必要性为基准，仅在必要的mec服务器上部署相应服务，而非将热点服务都部署在所有的mec服务器上，有效的缩减了任务在确定卸载方向时的决策时延。其次，相比于传统的边缘计算任务调度算法，本发明通过在一个时隙内批量调度卸载任务，对任务集合进行整体排序，避免了单个mec服务器上的负载过重或闲置时间过长等负载不均衡的现象，高效利用了网络资源，进一步减少了任务的处理时延。
[0160]
2、低能耗。本发明通过计算卸载预处理阶段对热点服务进行部署以及去冗余的过程，避免了因时间上或地理上的邻近性而造成的数据冗余，减少了资源浪费，大大节省了mec服务器上的存储资源。
[0161]
3、高卸载成功率。首先，卸载成功率与mec服务器上部署的服务息息相关，在可卸载对象预处理阶段，只要所需部署的服务不超过mec服务器的容量，便可以通过对k-mst的k值的设置以最大化卸载成功率。其次，基于服务流行度的服务部署方案将优先缓存时下高访问量的服务，增加了可执行的任务卸载的数量，提高了卸载成功率。
[0162]
4、适用性强。本发明提出的自适应联合计算卸载方案以任务优先级约束和服务流行度为基准满足了在同一时间段内卸载不同类任务的需求，并在新服务及新任务到达时自适应更新服务部署和任务调度策略。特别而言，在任务的高发时期，可以缩小任务调度时隙，以适应高峰期任务在线卸载的场景。
[0163]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。