一种用户信息的加载方法、装置及服务器与流程

本申请涉及网络
技术领域：
，尤其涉及一种用户信息的加载方法、装置及服务器。
背景技术：
：对任何一个系统或网站而言，用户登录是很常见的功能。在用户登录时，系统或网站需要将该用户的信息和配置都加载进来，例如需要加载每个用户的权限信息、用户信息等。现有技术中，系统是在用户登录的时候，即时的将用户的信息加载进来。这样就存在一个问题，当某时刻有大量用户同时登录时，系统需要在短时间完成这些用户信息的加载，这样会给系统带来很大的压力，导致系统运行速度慢，使得用户在浏览过程中出现卡机，甚至于宕机的现象，影响用户体验。技术实现要素：本申请提供一种用户信息的加载方法、装置及服务器，以解决现有技术中的问题。根据本申请实施例的第一方面，提供一种用户信息的加载方法，所述方法包括：获取用户从当前时刻起预设时间内的历史登录信息；根据所述历史登录信息，得到所述用户下一次登录时间的预测值；在所述用户下一次登录时间的预测值之前，完成对所述用户的信息加载。根据本申请实施例的第二方面，提供一种用户信息的加载装置，所述装 置包括：第一获取单元，用于获取用户从当前时刻起预设时间内的历史登录信息；预测单元，用于根据所述历史登录信息，得到所述用户下一次登录时间的预测值；加载单元，用于在所述用户下一次登录时间的预测值之前，完成对所述用户的信息加载。根据本申请实施例的第三方面，提供一种服务器，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为：获取用户从当前时刻起预设时间内的历史登录信息；根据所述历史登录信息，得到所述用户下一次登录时间的预测值；在所述用户下一次登录时间的预测值之前，完成对所述用户的信息加载。本申请实施例中，依据用户从当前时刻起预设时间段内的历史登录信息，得到该用户下一次登录时间的预测值，从而可以使得系统能够在该下一次登录时间预测值到来之前，在系统空闲时预先对该用户的信息进行加载，以解决现有技术存在的问题。由此使得，在该用户登录时，系统就不需要临时加载该用户的信息，可以有效的加快用户的访问速度，提升用户体验，且能够减轻系统压力。附图说明图1为本申请用户信息的加载方法的一个实施例的流程图；图2为本申请用户信息的加载方法的另一个实施例的流程图；图3为本申请的最小二乘法曲线拟合的示例图；图4为本申请用户信息的加载装置所在设备的一种硬件结构图；图5为本申请用户信息的加载装置的一个实施例框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。在用户登录系统或网站时，系统需要将该用户的信息和配置加载进来。通常情况下，系统都是在用户登录的时候，即时的实现用户信息的加载。但是，对于系统或网站，有时会面对在某时间段内有大量用户同时登录的现象。例如，以淘宝网为例进行说明。众所周知，淘宝网的聚划算版块的商品一般都是在每天上午十点开始抢拍的，所以在每天上午十点前后一段时间内，会有大量用户同时登录淘宝网。在这种情形下，使用常规的用户信息加载的方法，系统就需要在短时间内完成对大量用户信息的加载工作，这样不仅会给系统带来很大的压力，而且会导致系统运行速度变慢，用户在浏览过程中出现卡机，甚至于宕机现象， 严重影响用户体验。基于此，本申请实施例提供一种用户信息的加载方法，能够根据用户的历史登录信息，预测得到用户下一次的登录时间，并在该登录时间之前、系统比较空闲的时候预先将该用户的信息加载进来。这样，在该用户登录时，系统就不需要临时加载该用户的信息，由此可以有效的加快用户的访问速度，提升用户体验，且能够减轻系统压力。参照图1，为本申请用户信息的加载方法的一个实施例的流程图。如图1所示，所述方法用于服务器，所述方法可以包括以下步骤：步骤101：获取用户从当前时刻起预设时间内的历史登录信息。步骤102：根据所述历史登录信息，得到所述用户下一次登录时间的预测值。步骤103：在所述用户下一次登录时间的预测值之前，完成对所述用户的信息加载。本申请实施例中，依据用户从当前时刻起预设时间段内的历史登录信息，得到该用户下一次登录时间的预测值，从而可以使得系统能够在该下一次登录时间预测值到来之前，在系统空闲时预先对该用户的信息进行加载，以解决现有技术存在的问题。由此使得，在该用户登录时，系统就不需要临时加载该用户的信息，可以有效的加快用户的访问速度，提升用户体验，且能够减轻系统压力。参照图2，为本申请用户信息的加载方法的另一个实施例的流程图。如图2所示，所述方法用于服务器，所述方法可以包括以下步骤：步骤201：服务器获取用户从当前时刻起预设时间段内最近一次登录的时间。本申请实施例中，服务器获取用户的历史登录信息，提取出该用户从当前时刻起预设时间段内每一次登录的时间信息。具体的，用户每次登录系统时，服务器都会记录用户该次登录的时间信息、地址信息(例如IP地址等)，并将上述信息作为历史登录信息保存在数 据库中。步骤202：以所述用户从当前时刻起预设时间段内的首次登录作为起始，统计得到所述最近一次登录属于所述预设时间段内的登录次数。本申请实施例中，服务器对从当前时刻起预设时间段内该用户每次登录属于所述预设时间段内的登录次数进行统计，以所述用户在所述预设时间段内的首次登录作为起始，即为第1次，统计得到所述用户每次登录属于所述预设时间段内的第n次登录。其中，n为自然数。本申请实施例中，服务器可以在用户每次登录的时间信息里记录该次登录属于该用户在预设时间段内的登录次数。例如，假设该预设时间段为一个月，则对该用户在当前时刻起一个月内的登录次数进行统计。例如，该用户在一个月内登录了45次，则在该用户每次登录的时间信息里记录该次登录属于的登录次数。例如，从当前时刻起一个月内的第一次登录对应的登录次数为1，从当前时刻起一个月内的最近一次登录对应的登录次数为45。需要说明的是，其中，所述预设时间段可以由用户自己根据业务场景预设，比如倒数第20次的登录时间，或者最近20天。步骤203：根据所述最近一次登录属于所述预设时间段内的登录次数，利用登录预测模型，预测得到所述用户下一次登录与所述从当前时刻起最近一次登录的间隔时间的预测值；其中，所述登录预测模型是以所述用户从当前时刻起预设时间段内每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数为样本数据，利用最小二乘法拟合得到的；所述每次登录对应的间隔时间为所述用户每次登录与下一次登录之间的间隔时间。本申请实施例中，针对每个用户在预设时间段内的登录信息，建立相应的登录预测模型。利用该用户的登录预测模型，结合该用户在预设时间段内最近一次的登录信息，可以得到该用户下一次登录与所述最近一次登录的间隔时间的预测值。根据该间隔时间预测值，可以很容易的得到该用户下一次登录时间的预测值，从而可以使得系统能够在该下一次登录时间预测值到来 之前，在系统空闲时预先对该用户的信息进行加载，以解决现有技术存在的问题。下面，对本申请实施例的登录预测模型的建立过程进行详细介绍。该登陆预测模型的建立可以包括下述步骤2031至步骤2033。步骤2031：服务器获取所述用户从当前时刻起预设时间段内每次登录的时间，计算得到每次登录对应的间隔时间。用户每次登陆系统时，服务器都会记录用户该次登录的时间信息、地址信息(例如IP地址等)，并将上述信息作为历史登录信息保存在数据库中。本申请实施例中，服务器可以从数据库中获取从当前时刻起预设时间段内该用户的历史登录信息，提取出该用户每次登录的时间信息，并计算得到该用户每次登录对应的间隔时间。其中，每次登录对应的间隔时间为所述用户每次登录与下一次登录之间的间隔时间。例如，假设该预设时间段为一个月，且该用户在一个月内登录了45次。通过获取得到的登录信息得到，该用户在该一个月内，第20次登录的时间为2015年1月2日8:12:34，第21次登录的时间为2015年1月2日14:37:54，则可以计算得到该用户第20次登录对应的间隔时间为6小时25分钟20秒。在实际应用中，为了计数方便，该间隔时间的单位可以设定为秒，则该用户第j次登录与第j+1次登录的间隔时间Tj为23120秒。以此类推，可以计算得到该用户在预设时间段内每一次登录与下一次登录之间的间隔时间。步骤2032：以所述用户从当前时刻起预设时间段内的首次登录作为起始，统计得到所述用户每次登录属于所述预设时间段内的登录次数。本申请实施例中，服务器获取得到该用户从当前时刻起、预设时间段内的每次登录的时间信息后，对该用户在预设时间段内的所有登录信息进行统计，统计得到该用户在预设时间段内的总的登录次数n和每次登录属于所述预设时间段内的第j次登录。其中，该用户从当前时刻起预设时间段内最早的一次登录对应的登录次 数为1，即为最早的一次登录属于所述预设时间段内的第1次登录；该用户从当前时刻起预设时间段内最近的一次登录对应的登录次数为n，即为最近的一次登录属于所述预设时间段内的第n次登录。步骤2033：以所述用户每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数为样本数据，利用最小二乘法，拟合得到所述用户的登录预测模型。本申请实施例中，利用最小二乘法建立用户从当前时刻起、预设时间段内的登录预测模型，该模型的数据样本为从当前时刻起预设时间段内的所述用户每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数。具体的，本申请实施例中，将该用户从当前时刻起预设时间段内的所述用户每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数作为坐标系中的一个点。其中，该点的横坐标为所述用户每次登录属于所述预设时间段内的登录次数，纵坐标为所述用户每次登录对应的间隔时间。由此可以使得，该用户从当前时刻起预设时间段内每次的登录信息都对应坐标系中一个点，而用户在预设时间段内所有登录的信息对应坐标系中的多个点。例如，假设用户从当前时刻起在预设时间段内总的登录次数为27次，则对应坐标系中的27个点。本申请实施例中，利用最小二乘法对上述坐标系内所有的点进行曲线拟合，最终得到的曲线方程即为该用户从当前时刻起、预设时间段内对应的登录预测模型。参照图3，为本申请的最小二乘法曲线拟合的示例图。图3中，以该用户在预设时间段内总的登录次数n＝27为例进行说明。这里需要说明的是，在实际应用中，该间隔时间的单位为秒时，该间隔时间的数值一般都比较大。例如，前述实施例中曾举例为该间隔时间为23120秒，这将使得在坐标系中取点和后期进行曲线拟合的计算带来很大的不便。 同时，对于本申请实施例而言，系统对该用户下一次登录时间的预测并不需要精确到秒级，只需要一个大概的时间范围即可。即为，系统并不需要知道用户具体的在多少秒后会再次登录，只需要知道该用户大概在几个小时(每小时3600秒)后会登录就可以了。因此，本申请实施例中，在进行曲线拟合时，可以对该用户每次登录对应的间隔时间进行抽象化处理，使之便于在坐标系中描点并使得后期的最小二乘法拟合的运算更加简洁，减轻系统运算的工作量，提高运算的速度和效率。仍以间隔时间为23120秒为例，该抽象化具体可以为将该间隔时间缩小10000倍，并对缩小10000倍后得到的数据保留小数点后一位数据，则可以得到抽象化后的间隔时间为2.3。由此，可以方便的对该次登录对应的登录次数和间隔时间在坐标系中描点，且简化了最小二乘法拟合的运算量。如图3所示，图3所示坐标系中各点对应的间隔时间即为抽象化后的数据。其中，图3所示坐标系中各点分别对应的横坐标，即为该用户每次登录对应的登录次数分别为：(1，2，3，4，5，6，7，8，9，10，11，12，13，14，15，16，17，18，19，20，21，22，23，24，25，26，27)图3所示坐标系中各点分别对应的纵坐标，即为对该用户每次登录对应的间隔时间抽象化后分别为：(10，9.6，9.0，9.3，8.4，8.2，8，7.5，7.4，7.7，7，6.5，6.2，6，5.9，5.9，6.1，6，5.9，5.8，5.9，5.8，5.7，5.5，5.6，5.4，5.3)根据这些点利用最小二乘法的多项式曲线拟合原理拟合得到一条曲线，该曲线即为该时间段内，该用户对应的登录预测模型。具体的，下面对本申请实施例中，以所述用户从当前时刻起、预设时间段内每次登录对应的登录次数和该用户每次登录对应的间隔时间作为样本，利用最小二乘法，拟合得到该用户从当前时刻起、预设时间段内的登录预测模型的过程进行详细的描述。步骤a：设定拟合多项式为式(1)所示：y＝a0+a1x+…+anxn(1)步骤b：计算坐标系中的各个点到这条曲线的距离之和(即偏方差的平方和)，其中，坐标系中各点的横坐标xj等于该用户从当前时刻起预设时间段内所述用户每次登录属于所述预设时间段内的登录次数，坐标系中各点的纵坐标yj等于对所述用户每次登录对应的间隔时间抽象化后的数据，具体如式(2)所示：R2=Σi=1n[yi-(a0+a1xi+...+akxik)]2---(2)]]>步骤c：为了计算得到符合条件的a(a0，a1，…ak)，对式(2)右边求ai的偏导数，得到下述式(3)的联立方式为：-2Σi=1n[y-(a0+a1x+...+akxk)]=0-2Σi=1n[y-(a0+a1x+...+akxk)]x=0......-2Σi=1n[y-(a0+a1x+...+akxk)]xk=0---(3)]]>步骤d：对上述式(3)中各等式的左边进行化简，得到式(4)所示：a0n+a1Σi=1nxi+...+akΣi=1nxik=Σi=1nyia0Σi=1nxi+a1Σi=1nxi2+...+akΣi=1nxik+1=Σi=1nxiyi......a0Σi=1nxik+a1Σi=1nxik+1+...+akΣi=1nxi2k=Σi=1nxikyi---(4)]]>步骤e：将上述式(4)所示的等式转化为矩阵的形式，得到式(5)所 示的范德蒙矩阵式：步骤f：对式(5)所示的范德蒙矩阵化简后得到：步骤g：通过对式(6)所示方程的求解，计算得到系数矩阵a(a0，a1，…ak)，将该系数矩阵代入式(1)，得到最终的最小二乘多项式拟合方程，也即为该用户从当前时刻起、预设时间段内的登录预测模型。例如，仍以图3所示为例进行说明。对图3所示中的27个点采用上述最小二乘法进行曲线拟合，最终得到的拟合曲线为：y＝-10-6x5+5×10-5x4-0.0003x3+0.0006x2-0.3317x+10.262(7)其中，R2为0.9814。该R2又称为该曲线的拟合优度，其取值越接近1表明该曲线的拟合的精确度越高。至此就完成了对该用户的登录预测模型的建立过程。利用该登录预测模型，结合该用户最近一次登录对应的登录次数，可以计算得到该用户最近一次登录与下一次登录之间的间隔时间的预测值。这里需要说明的是，如果在实际应用中，在前述登录预测模型的建立过程中，对该间隔时间进行了抽象化，则在计算得到该间隔时间的预测值后，需要对该预测值进行反抽象化。例如，前述实施例中采用的抽象化是将间隔时间缩小10000倍，则需要对计算得到间隔时间的预测值扩大10000倍。步骤204：将所述用户最近一次登录的时间加上所述间隔时间的预测值，得到所述用户下一次登录时间的预测值。例如，仍以图3所示为例进行说明。由图3可知，图3对应的登录预测 模型为式(7)，且该用户最近一次登录为第27次登录，则将x＝27代入式(7)可以计算得到y＝8.061743。对计算得到的数据进行反抽象化，即为扩大10000倍，得到该用户最近一次登录与下一次登录的间隔时间的预测值为80617.43秒，即为可以预测得到该用户下一次登录时间在距第27次登录时间大约22小时23分钟17秒之后。在此，只需要将该用户第27次登录的时间加上该22小时23分钟17秒，即可得到该用户下一次登录，即为第28次登录的预测时间。由此可以使得，系统可以在该用户第28次登录的预测时间到来之前，在系统空闲的时候，预先完成该用户的信息加载，一避免网络高峰时间临时对用户信息加载造成的网络堵塞，提升用户的体验。步骤205：在所述用户下一次登录时间的预测值到来之前，完成对所述用户的信息加载。这里需要说明的是，本申请实施例中，该服务器可以设定定时器，周期性的对该登录预测模型进行更新。具体的，当定时器的定时时间到，触发该服务器启动模型更新步骤，使得该服务器获取该更新时刻起预设时间段内该用户每次登录的时间信息，依据该更新时刻起预设时间段内该用户每次登录的时间信息按照上述步骤1031至1033所述的过程，重新拟合得到从更新时刻起、预设时间段内该用户对应的登录预测模型。在实际应用中，一般可以设定服务器对该登录预测模型的更新周期为30天。在服务器完成对该登录预测模型的更新步骤之后，会将更新后的登录预测模型和该模型对应的样本数据替代原有的模型和数据，并保存在数据库中。在服务器再次启动预测步骤时，服务器会自动依据该更新后的登录预测模型和该模型对应的样本数据(即为更新时刻起、预设时间段内获取的样本数据)对该用户的下一次登录时间进行预测。本申请实施例中，以用户从当前时刻起预设时间段内每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数为样本数据， 利用最小二乘法拟合得到的该用户在所述预设时间段内的登录预测模型。结合该用户在预设时间段内最近一次属于所述预设时间段内的登录次数，可以得到该用户下一次登录与所述最近一次登录的间隔时间的预测值。根据该间隔时间预测值，可以得到该用户下一次登录时间的预测值，从而可以使得系统能够在该下一次登录时间预测值到来之前，在系统空闲时预先对该用户的信息进行加载，以解决现有技术存在的问题。由此使得，在该用户登录时，系统就不需要临时加载该用户的信息，可以有效的加快用户的访问速度，提升用户体验，且能够减轻系统压力。与本申请的方法实施例相对应，本申请还提供了装置及服务器的实施例。本申请用户信息的加载装置的实施例可以应用在服务器上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本申请用户信息的加载装置所在设备的一种硬件结构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常根据该设备的实际功能，还可以包括其他硬件，如对于客户端设备来说，可能包括摄像头、触摸屏子、通信组件等，对于服务器，可能包括负责处理报文的转发芯片等等。参见图5，为本申请用户信息的加载装置的一个实施例框图，该装置可以应用在服务器上：该装置可以包括：第一获取单元501、预测单元502和加载单元503。所述第一获取单元501，用于获取用户从当前时刻起预设时间内的历史登录信息。所述预测单元502，用于根据所述历史登录信息，得到所述用户下一次登录时间的预测值。所述加载单元503，用于在所述用户下一次登录时间的预测值之前，完成对所述用户的信息加载。本申请实施例中，依据用户从当前时刻起预设时间段内的历史登录信息，得到该用户下一次登录时间的预测值，从而可以使得系统能够在该下一次登录时间预测值到来之前，在系统空闲时预先对该用户的信息进行加载，以解决现有技术存在的问题。由此使得，在该用户登录时，系统就不需要临时加载该用户的信息，可以有效的加快用户的访问速度，提升用户体验，且能够减轻系统压力。其中，所述第一获取单元501包括：时间获取子单元和第一统计子单元。时间获取子单元，用于获取用户从当前时刻起预设时间段内最近一次登录的时间。第一统计子单元，用于以所述用户从当前时刻起预设时间段内的首次登录作为起始，统计得到所述最近一次登录属于所述预设时间段内的登录次数。其中，所述预测单元502包括：登录预测子单元。所述登录预测子单元，用于根据所述最近一次登录属于所述预设时间段内的登录次数，利用登录预测模型，预测得到所述用户下一次登录与所述从当前时刻起最近一次登录的间隔时间的预测值；其中，所述登录预测模型是以所述用户从当前时刻起预设时间段内每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数为样本数据，利用最小二乘法拟合得到的；所述每次登录对应的间隔时间为所述用户每次登录与下一次登录之间的间隔时间。其中，所述装置还包括：第二获取单元、计算单元、第二统计单元和拟合单元。所述第二获取单元，用于获取所述用户从当前时刻起预设时间段内每次登录的时间。所述计算单元，用于根据所述用户每次登录的时间，计算得到每次登录对应的间隔时间。所述第二统计单元，用于以所述用户从当前时刻起预设时间段内的首次登录作为起始，统计得到所述用户每次登录属于所述预设时间段内的登录次 数。所述拟合单元，用于以所述用户每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数为样本数据，利用最小二乘法，拟合得到所述用户的登录预测模型。其中，所述装置还包括：更新单元，用于定期对所述登录预测模型进行更新。其中，所述更新单元包括：定时器和更新拟合子单元。定时器，用于定期触发更新拟合子单元；所述更新拟合子单元，用于以更新时刻起、预设时间段内所述用户每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数为样本数据，利用最小二乘法，拟合得到更新后的登录预测模型。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。本申请还提供一种服务器，包括：处理器；用于存储所述处理器可执行指令的存储器。其中，所述处理器被配置为：获取用户从当前时刻起预设时间内的历史登录信息；根据所述历史登录信息，得到所述用户下一次登录时间的预测值；在所述用户下一次登录时间的预测值之前，完成对所述用户的信息加载。本申请实施例中，以用户从当前时刻起预设时间段内每次登录对应的间隔时间和所述用户每次登录属于所述预设时间段内的登录次数为样本数据，利用最小二乘法拟合得到的该用户在所述预设时间段内的登录预测模型。结合该用户在预设时间段内最近一次属于所述预设时间段内的登录次数，可以得到该用户下一次登录与所述最近一次登录的间隔时间的预测值。根据该间隔时间预测值，可以得到该用户下一次登录时间的预测值，从而可以使得系统能够在该下一次登录时间预测值到来之前，在系统空闲时预先对该用户的信息进行加载，以解决现有技术存在的问题。由此使得，在该用户登录时，系统就不需要临时加载该用户的信息，可 以有效的加快用户的访问速度，提升用户体验，且能够减轻系统压力。对于装置实施例而言，由于其基本对应于方法实施例，所以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申请方案的目的。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。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本
技术领域：
中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。当前第1页1 2 3