一种基于资金交易网络的异常交易识别方法及系统与流程

本发明涉及交易数据处理技术领域，更为具体地，本发明为一种基于资金交易网络的异常交易识别方法及系统。

背景技术：

反洗钱，往往指为了预防通过各种方式掩饰、隐瞒毒品犯罪、黑社会性质的组织犯罪、恐怖活动犯罪、走私犯罪、贪污贿赂犯罪以及破坏金融管理秩序犯罪等犯罪所得及其收益的来源和性质的洗钱活动，洗钱的主要活动基本都是通过金融交易实现的，所以能够通过排查金融交易发现洗钱现象，但如果仅依靠人力手动排查海量的金融交易数据、发现洗钱行为，是不可能实现的；鉴于此，现有技术采用了数据库、指标计算或存储过程编码计算等方式识别异常交易、试图发现洗钱行为，大量实践表明：上述方式仍然无法准确、全面地识别出异常交易，其效果还是不理想，后期对洗钱行为的调查仍然存在极大难度。

因此，如何能够准确且全面地识别出异常交易、为洗钱行为调查工作提供有力的数据支持，成为了本领域技术人员亟待解决的技术问题和始终研究的重点。

技术实现要素：

为解决现有技术存在的无法准确和全面地发现异常交易、对洗钱行为调查工作帮助较小等问题，本发明创新地提供了一种基于资金交易网络的异常交易识别方法及系统，从异常交易行为自身的特点出发，以异常交易行为具有的风险特征作为依据，依靠于资金交易网络的构建，本发明能够彻底还原洗钱过程和洗钱场景，为洗钱行为调查工作提供了强有力的支持和帮助。

为实现上述的技术目的，本发明公开了一种基于资金交易网络的异常交易识别方法，所述异常交易识别方法包括如下步骤；

对已获取的交易相关数据进行标准化处理，从而将所述交易相关数据转化为多类主题数据，通过所述多类主题数据构建数据集市；

基于所述数据集市，通过数据挖掘方式对数据集市中的多类主题数据进行处理，以得到用于作为异常行为比较标准的基础指标数据；

以所述基础指标数据作为依据，对数据集市中的数据进行特征计算，从而生成第一风险特征数据；

令与所述第一风险特征数据关联的所有交易数据作为数据基础，按照资金的转入转出关系组建基于所述交易数据形成的多个资金交易网络；

将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配，以计算各个资金交易网络与交易风险模型的匹配程度，将匹配程度达到风险门限的资金交易网络作为异常交易可疑案例。

基于上述的技术方案，本发明能够从大量的交易相关数据中发现异常交易情况，精准且全面地确定异常交易，彻底还原洗钱过程和洗钱场景，为洗钱行为调查工作提供线索和证据，以有效解决现有技术存在的问题。

进一步地，在组建资金交易网络的过程中，包括如下步骤；

提取与所述第一风险特征数据相关联的所有交易数据，利用所述所有交易数据构建临时风险数据集市；

以资金的转入转出关系作为依据，对临时风险数据集市中的所有交易数据进行分组处理；其中，令同组内的交易数据之间存在转入或转出关系；

将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络，所述网络节点为用户、账户、设备中的至少一种。

基于上述改进的技术方案，本发明能够清晰地表达出可疑交易之间的资金往来关系、各网络中包含的洗钱风险特征以及相关人员，为异常交易识别、反洗钱工作提供了极大的帮助。

进一步地，通过如下方式建立交易风险模型；

对洗钱案件数据进行场景化定义，将场景化定义的洗钱案件数据进行分类，从而使属于同一场景的洗钱案件数据在同一个场景类别下；

在任一个场景类别下，提取该场景内洗钱案件数据中的第二风险特征数据，基于第二风险特征数据建立交易风险模型；其中，一种场景类别对应一种交易风险模型。

基于上述改进的技术方案，本发明通过洗钱案件场景化的方式将洗钱行为识别场景化，从而建立准确、全面的的交易风险模型，进而有效降低人工参数配置工作量，以实现对异常交易行为、洗钱行为更准确地识别。

进一步地，在资金交易网络与交易风险模型进行风险特征匹配时，将与所述资金交易网络对应的第一风险特征数据、与所述交易风险模型对应的第二风险特征数据进行风险特征匹配。

进一步地，将所述第一风险特征数据与所述第二风险特征数据的风险特征匹配结果进行量化，令量化结果为累加总分值或逻辑表达式；

若量化结果为累加总分值，将所述累加总分值与风险门限对应的预设门限分值进行比较，将大于或等于预设门限分值的累加总分值对应的资金交易网络作为异常交易可疑案例；

若量化结果为逻辑表达式，将所述逻辑表达式与风险门限对应的预设表达式进行匹配，将与预设表达式匹配的逻辑表达式对应的资金交易网络作为异常交易可疑案例。

进一步地，所述交易风险模型为反洗钱模型。

进一步地，在对数据集市中的数据进行特征计算时，包括如下步骤；

通过参照基础指标数据的方式定义风险事件特征，根据所述风险事件特征对数据集市中的数据进行筛选和解析，将解析结果作为第一风险特征数据。

进一步地，所述风险事件特征用于描述风险事件，所述风险事件包括：不同企业的法定代表人或高管相同、不同企业拥有同一名公司会计、多家企业发生关联交易、企业所属行业为特定行业、交易频率和交易规模与企业注册资金规模明显不符、规避监管意图明显、对公账户频繁向个人账户转入大量资金、对公账户公转私、资金交易全部通过网上银行交易。

进一步地，该异常交易识别方法还包括如下步骤；

在确定所述异常交易可疑案例后，将与所述异常交易可疑案例相关的数据填充至指定模板文件中，从而生成可疑甄别报告。

进一步地，所述多类主题数据包括客户主题数据、账户主题数据及交易主题数据。

进一步地，所述基础指标数据包括银行多维度信息统计数据；所述银行多维度信息统计数据包括：对公法人、个体户、其他组织、对私自然人的分布情况数据，存款账户、贷款账户分布情况数据，交易渠道占比、交易笔数、交易金额分布情况数据，大额客户交易的排名情况数据，行业交易行为分布情况数据，年龄段交易行为数据，交易去向地分布情况数据。

为实现上述技术目的，本发明还公开了一种基于资金交易网络的异常交易识别系统，所述异常交易识别系统包括数据集市构建模块、基础指标挖掘模块、风险特征生成模块、交易网络组建模块及可疑案例生成模块；

所述数据集市构建模块，用于对已获取的交易相关数据进行标准化处理，从而将所述交易相关数据转化为多类主题数据，并用于通过所述多类主题数据构建数据集市；

所述基础指标挖掘模块，用于基于所述数据集市、通过数据挖掘方式对数据集市中的多类主题数据进行处理，以得到用于作为异常行为比较标准的基础指标数据；

所述风险特征生成模块，用于以所述基础指标数据作为依据，对数据集市中的数据进行特征计算，从而生成第一风险特征数据；

所述交易网络组建模块，用于令与所述第一风险特征数据关联的所有交易数据作为数据基础，用于按照资金的转入转出关系组建基于所述交易数据形成的多个资金交易网络；

所述可疑案例生成模块，用于将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配，以计算各个资金交易网络与交易风险模型的匹配程度，用于将匹配程度达到风险门限的资金交易网络作为异常交易可疑案例。

基于上述的技术方案，本发明能够从大量的交易相关数据中发现异常交易情况，精准且全面地确定异常交易，彻底还原洗钱过程和洗钱场景，为洗钱行为调查工作提供线索和证据，以有效解决现有技术存在的问题。

进一步地，所述交易网络组建模块包括临时集市构建单元、交易数据处理单元及交易网络组建单元；

所述临时集市构建单元，用于提取与所述第一风险特征数据相关联的所有交易数据以及利用所述所有交易数据构建临时风险数据集市；

所述交易数据处理单元，用于以资金的转入转出关系作为依据对临时风险数据集市中的所有交易数据进行分组处理，用于令同组内的交易数据之间存在转入或转出关系；

所述交易网络组建单元，用于将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络，所述网络节点为用户、账户、设备中的至少一种。

基于上述改进的技术方案，本发明能够清晰地表达出可疑交易之间的资金往来关系、各网络中包含的洗钱风险特征以及相关人员，为异常交易识别、反洗钱工作提供了极大的帮助。

进一步地，所述异常交易识别系统还包括风险模型建立模块；

所述风险模型建立模块，用于对洗钱案件数据进行场景化定义，用于将场景化定义的洗钱案件数据进行分类，从而使属于同一场景的洗钱案件数据在同一个场景类别下；在任一个场景类别下，所述风险模型建立模块用于提取该场景内洗钱案件数据中的第二风险特征数据及基于第二风险特征数据建立交易风险模型；其中，一种场景类别对应一种交易风险模型。

进一步地，所述可疑案例生成模块，还用于在资金交易网络与交易风险模型进行风险特征匹配时将与所述资金交易网络对应的第一风险特征数据、与所述交易风险模型对应的第二风险特征数据进行风险特征匹配。

进一步地，所述可疑案例生成模块，还用于将所述第一风险特征数据与所述第二风险特征数据的风险特征匹配结果进行量化、令量化结果为累加总分值或逻辑表达式，以及用于根据量化结果确定异常交易可疑案例。

进一步地，该异常交易识别系统还包括甄别报告生成模块；

所述甄别报告生成模块，用于将与所述异常交易可疑案例相关的数据填充至指定模板文件中，从而生成可疑甄别报告。

本发明的有益效果为：基于建立的资金交易网络和交易风险模型，本发明能彻底还原洗钱过程和洗钱场景，为洗钱行为调查工作提供强有力的支持和帮助；本发明还具有精度高、全面性好、客观性强等突出优点。

本发明能够有效降低人工参数配置工作量及参数设置的客观性：通过系统基于基础指标自动计算完成，数值更客观准确，可充分满足不同地域，不同客户群体的特征量化需要。

本发明能够有效提升可疑案例的识别能力及准确性：将洗钱行为识别场景化，通过群组关系、资金交易网络入手，不单单只关注某笔交易或者某个客户，能够彻底还原洗钱过程全貌。

本发明创新提供了模型量化方案，使本发明更简单和易用，量化标准客观准确：将洗钱行为识别过程分解为：指标-特征-模型的不同层次，再利用大数据计算能力，充分识别个主体的行为习惯、洗钱特征及模型匹配情况，每个层次均可根据实际需求不断扩展，所以本发明具有适用范围广、便于推广应用等优点。上述模型量化过程简单、有效，可以更加直观反应洗钱场景：依据自身的洗钱风险识别理论设计的洗钱风险模型量化体系，通过公式法及分值法可以将模型量化过程交由业务人员完成，可便捷地在系统里体现业务思路。

本发明通过可疑案例而客观还原了洗钱行为发生的过程及资金流向、资金流量以及资金流速情况，客观反应了参与洗钱行为的客户群组信息，为金融机关及监管机构进一步侦破案件，提供了有利的线索及证据。

将本发明固化为软件系统后，可以实现自动化、持续有效的洗钱案件甄别过程，有效降低人工工作压力，具有可靠性强、成本低等突出优点。

附图说明

图1为基于资金交易网络的异常交易识别方法的流程示意图。

图2为本发明涉及的资金交易网络的组建流程示意图。

图3为网络节点为用户的资金交易网络的示意图。

图4为本发明涉及的交易风险模型的建立流程示意图。

图5为基于资金交易网络的异常交易识别系统的组成框图。

具体实施方式

下面结合说明书附图对本发明的一种基于资金交易网络的异常交易识别方法及系统进行详细的解释和说明。

实施例一

本实施例公开了一种基于资金交易网络的异常交易识别方法，本发明对异常交易(包括洗钱风险)的识别依据的是银行的客户数据、账户数据及各类交易流水等数据，如图1所示，该异常交易识别方法包括如下步骤。

步骤s1，获取银行的交易相关数据，对已获取的交易相关数据进行标准化处理，从而将交易相关数据转化为多类主题数据，比如将信贷系统、国结系统、核心系统的数据转化为相同主题标准，通过多类主题数据构建数据集市，该数据集市用于异常交易识别的基础；本实施例中，多类主题数据包括客户主题数据、账户主题数据及交易主题数据等。本实施例还可采用etl方式：即抽取(extract)、交互转换(transform)、加载(load)，对不完善的客户信息、账户信息及交易对手信息依据监管标准进行完善及补录，保证数据的一致性和完整性。

步骤s2，基于上述标准的数据集市，通过数据挖掘方式对数据集市中的多类主题数据进行处理，本实施例采用聚类、回归、迭代等数据挖掘方法计算多类主题数据(即基础数据指标)，其涵盖银行各个维度的信息统计数据，从而得到用于作为异常行为比较标准的基础指标数据，以形成具有每家金融机构特有的标准值数据库；基础指标数据可包括银行多维度信息统计数据；银行多维度信息统计数据包括：对公法人、个体户、其他组织、对私自然人的分布情况数据，存款账户、贷款账户分布情况数据，交易渠道占比、交易笔数、交易金额分布情况数据，大额客户交易的排名情况数据，行业交易行为分布情况数据，年龄段交易行为数据，交易去向地分布情况数据等近100个指标。这些指标体现了不同行业、不同年龄等群体的金融特征、交易偏好、行为习惯等，也可体现金融机构的业务偏好、地域特征、当地客户群组特征等，本实施例建立了银行特有的指标标准，从而建立了银行特有的异常行为比较标准。

步骤s3，本实施例基于基础指标数据和数据集市，以基础指标数据作为依据，对数据集市中的数据进行特征计算，以生成第一风险特征数据，进而能够构建出反洗钱标准的风险事件库；本实施例中，对数据集市中的数据进行特征计算时，包括如下步骤：通过参照基础指标数据的方式定义风险事件特征，并能够形成持久化配置，该风险事件特征与正常交易行为相关的事件特征存在显著区别、反映交易过程中的某些特定洗钱场景中包含的显著特征，根据风险事件特征对数据集市中的数据进行筛选和解析，将解析结果作为第一风险特征数据。其中，风险事件特征用于描述风险事件，比如，风险事件包括：不同企业的法定代表人或高管相同、不同企业拥有同一名公司会计、多家企业发生关联交易、企业所属行业为特定行业、交易频率和交易规模与企业注册资金规模明显不符、规避监管意图明显、对公账户频繁向个人账户转入大量资金、对公账户公转私、资金交易全部通过网上银行交易等等。虽然通过上述某个风险事件不能判定一定存在洗钱行为，但洗钱行为一定与上述至少一个风险事件有关，所以基于风险事件而确定的第一风险特征数据构成洗钱案件的基础要素。经过大量的试验和尝试，本实施例已经量化了近500个风险事件，即至少已经生成500种第一风险特征数据，上述特征计算过程可实现多线程并发执行，具有计算效率高、可按日生成第一风险特征数据等优点。

步骤s4，令与第一风险特征数据关联的所有交易数据作为数据基础，按照资金的转入转出关系组建基于交易数据形成的多个资金交易网络；该资金交易网络能够全面反映出具有洗钱风险的客户群组的资金流向、交易特征等，且可根据实时数据变化而自动组建、实时消减，如图2所示，在组建资金交易网络的过程中，包括如下步骤。

步骤s40，针对全部第一风险特征数据关联的所有交易数据，提取与第一风险特征数据相关联的所有交易数据，再利用所有交易数据构建临时风险数据集市。

步骤s41，以资金的转入转出关系作为依据，对临时风险数据集市中的所有交易数据进行分组处理；其中，令同组内的交易数据之间存在转入或转出关系。

步骤s42，将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络，本实施例提供的资金交易网络是将具有一定关联性的交易流水数据形成一套独立的资金交易流水分组，这种关联性主要体现了上述的第一风险特征数据(或风险事件)，比如，“不同企业其法定代表人或高管相同、不同企业拥有同一名公司会计或者多家企业发生关联交易”等，更体现了该分组中参与交易往来的客户信息等，基于此，可以快速识别出该网络具有的可以特征及人员组成等；其中，网络节点为用户、账户、设备中的至少一种，本实施例公开了一种网络节点为用户的资金交易网络，如图3所示，比如，(1)转入金额累计：100万；转出金额累计：80万，现金交易：20万；累计交易笔数：15笔；(2)李承建向李小纱累计转入20万，交易笔数3笔；(3)tommy向李小纱累计转入5万，交易笔数1笔；(4)蔡文清向李小纱累计转入25万，交易笔数1笔；(5)侯晓东向李小纱累计转入10万，交易笔数1笔；(6)周衫向李小纱累计转入40万，交易笔数6笔；(7)陈思成向李承建累计转入20万，交易笔数1笔；(8)李小纱向侯晓东累计转入75万，交易笔数1笔；(9)李小纱向周衫累计转入5万，交易笔数1笔。

本实施例通过上述方式构建了资金交易网络，每个资金交易网络中都包含一定数量的第一风险特征数据，但各资金交易网络的可疑程度、是否存在洗钱行为、具体存在哪些洗钱行为等情况仍不明确，所以，本实施例采用了基于洗钱案件场景化构建洗钱风险模型等技术手段，对每一类洗钱案件进行精确定义，从而确定各资金交易网络的可疑程度、是否存在洗钱行为、具体存在哪些洗钱行为等情况。

步骤s5，将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配，以计算各个资金交易网络与交易风险模型的匹配程度，将匹配程度达到风险门限的资金交易网络作为异常交易可疑案例，可对达到风险门限的资金交易网络予以警报。该案例包含：a)参与洗钱过程的全部客户信息；b)反应洗钱行为的交易信息；c)反应洗钱行为的可疑识别点；d)以及反应匹配标准的群组特征标准值等。

在本实施例中，交易风险模型可为专门用于反洗钱的反洗钱模型，在资金交易网络与交易风险模型进行风险特征匹配时，可将与资金交易网络对应的第一风险特征数据、与交易风险模型对应的第二风险特征数据进行风险特征匹配。为提高匹配的准确度和可靠性，本实施例将第一风险特征数据与第二风险特征数据的风险特征匹配结果进行量化，可令量化结果为累加总分值或逻辑表达式，本实施例可根据各个风险特征匹配结果之间的逻辑关系的紧密程度确定量化方式：如果风险特征匹配结果之间逻辑关系较强，则可采用公式法，即逻辑表达式；如果风险特征匹配结果之间逻辑关系较若，则可采用分值法，即累加总分值。

若量化结果为累加总分值，将累加总分值与风险门限对应的预设门限分值进行比较，将大于或等于预设门限分值的累加总分值对应的资金交易网络作为异常交易可疑案例。例如：“疑似纳税犯罪洗钱模型”的“场景1-骗取退税的洗钱场景”，包含6个可疑特征：(1)企业所属行业为特定行业(分值＝1)，(2)交易频率和交易规模与企业注册资金规模明显不符(分值＝10)，(3)规避监管意图较明显(分值＝8)，(4)对公账户频繁向个人账户转入大量金额(分值＝7)，(5)对公账户公转私(分值＝7)，(6)资金交易基本全部通过网上银行(分值＝12)；这六个特征均无关联关系，本实施例依据可疑程度设定标准分值，通过算数累加法，实现总分计算，再与案例预设门限分值比较，如果其大于预设门限分值，则可判断该量化结果对应的资金交易网络为异常交易可疑案例。

若量化结果为逻辑表达式，将逻辑表达式与风险门限对应的预设表达式进行匹配，将与预设表达式匹配的逻辑表达式对应的资金交易网络作为异常交易可疑案例。例如：“疑似纳税犯罪洗钱模型”中的“场景2-通过关联企业转移收入的洗钱场景”，包含3个风险特征：(1)不同企业其法定代表人或高管相同、(2)不同企业拥有同一名公司会计、(3)多家企业发生关联交易；三个特征量化后可得到预设表达式：(1∪2)∩3；如果逻辑表达式形式的量化结果满足上述预设表达式，则可判断该量化结果对应的资金交易网络为异常交易可疑案例。

步骤s6，在确定异常交易可疑案例后，将与异常交易可疑案例相关的数据填充至指定模板文件中，从而生成可疑甄别报告，可疑甄别报告中可涵盖系统计算流程、分析该案例的整个流程及相关证据信息，能够通过图表形式予以直观展现，该可疑甄别报告还可经过人工认定后上报给银行主管部门及上级监管部门等。

作为优选的技术方案，本实施例可事先建立交易风险模型，以供异常交易识别使用，如图4所示，通过如下方式建立交易风险模型。

步骤100，对洗钱案件数据进行场景化定义，本实施例根据实际需要对洗钱案件进行精确定义，将场景化定义的洗钱案件数据进行分类，从而使属于同一场景的洗钱案件数据在同一个场景类别下，本实施例中，场景类别可包括地下钱庄、偷税漏税、赌博、电信诈骗、非法集资等二十多种，能够对各洗钱案件进行全面、精确地描述。

步骤200，在任一个场景类别下，提取该场景内洗钱案件数据中的第二风险特征数据，基于第二风险特征数据建立交易风险模型；其中，一种场景类别对应一种交易风险模型，每种交易风险模型中都包含若干风险特征数据。

实施例二

如图5所示，与实施例一基于相同的发明构思，本实施例提供了一种用于实现实施例一的异常交易识别方法的基于资金交易网络的异常交易识别系统，该异常交易识别系统包括：数据集市构建模块、基础指标挖掘模块、风险特征生成模块、交易网络组建模块、可疑案例生成模块、甄别报告生成模块及风险模型建立模块，本实施例的具体说明如下。

数据集市构建模块，用于对已获取的交易相关数据进行标准化处理，从而将交易相关数据转化为多类主题数据，并用于通过多类主题数据构建数据集市。

基础指标挖掘模块，用于基于数据集市、通过数据挖掘方式对数据集市中的多类主题数据进行处理，以得到用于作为异常行为比较标准的基础指标数据。

风险特征生成模块，用于以基础指标数据作为依据，对数据集市中的数据进行特征计算，从而生成第一风险特征数据。

交易网络组建模块，用于令与第一风险特征数据关联的所有交易数据作为数据基础，用于按照资金的转入转出关系组建基于交易数据形成的多个资金交易网络。

本实施例中，交易网络组建模块可包括临时集市构建单元、交易数据处理单元及交易网络组建单元。

临时集市构建单元，用于提取与第一风险特征数据相关联的所有交易数据以及利用所有交易数据构建临时风险数据集市。

交易数据处理单元，用于以资金的转入转出关系作为依据对临时风险数据集市中的所有交易数据进行分组处理，用于令同组内的交易数据之间存在转入或转出关系。

交易网络组建单元，用于将处于同一组内的全部交易数据组建成网络节点间具有转入或转出关系的资金交易网络，网络节点为用户、账户、设备中的至少一种。

可疑案例生成模块，用于将各个资金交易网络分别与预先建立的交易风险模型进行风险特征匹配，以计算各个资金交易网络与交易风险模型的匹配程度，用于将匹配程度达到风险门限的资金交易网络作为异常交易可疑案例。更为具体地，可疑案例生成模块还用于在资金交易网络与交易风险模型进行风险特征匹配时将与资金交易网络对应的第一风险特征数据、与交易风险模型对应的第二风险特征数据进行风险特征匹配。与实施例1中所公开的工作方式对应，本实施例中，可疑案例生成模块还用于将第一风险特征数据与第二风险特征数据的风险特征匹配结果进行量化、令量化结果为累加总分值或逻辑表达式，可疑案例生成模块还用于根据量化结果确定异常交易可疑案例，详细说明如下。

若量化结果为累加总分值，将累加总分值与风险门限对应的预设门限分值进行比较，将大于或等于预设门限分值的累加总分值对应的资金交易网络作为异常交易可疑案例。

若量化结果为逻辑表达式，将逻辑表达式与风险门限对应的预设表达式进行匹配，将与预设表达式匹配的逻辑表达式对应的资金交易网络作为异常交易可疑案例。

作为改进的技术方案，本实施例涉及的异常交易识别系统还包括单独设计的风险模型建立模块。

风险模型建立模块，用于对洗钱案件数据进行场景化定义，用于将场景化定义的洗钱案件数据进行分类，从而使属于同一场景的洗钱案件数据在同一个场景类别下；在任一个场景类别下，风险模型建立模块用于提取该场景内洗钱案件数据中的第二风险特征数据及基于第二风险特征数据建立交易风险模型；其中，一种场景类别对应一种交易风险模型。

甄别报告生成模块，用于将与异常交易可疑案例相关的数据填充至指定模板文件中，从而生成可疑甄别报告。

在本说明书的描述中，参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。