一种基于海量数据的数据迁移方法及系统与流程

1.本发明属于信息技术领域，具体地，涉及一种基于海量数据的数据迁移的方法及系统。


背景技术：

2.大数据是指一种规模大到在获取、存储、分析方面大大超出了传统数据库软件工具(如mysql，oracle，postgresql等)能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征；是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
3.近年来，基于大数据的数据存储、数据迁移、数据读取等研究已经进入了一个高速发展期，但很多技术层面的问题还需要解决，发明人在研究过程中发现，针对突发性的热点事件带来的瞬间流量激增，会导致大数据的读取和数据迁移造成短时期拥塞，目前却缺乏有效的预警机制来拒绝此类现象。


技术实现要素：

4.本发明提供了一种基于海量数据的数据迁移的方法及系统，解决了现有技术中海量数据场景下热点事件产生数据读取和传输拥塞的问题，有效降低了拥塞问题，提升用户体验。
5.为了实现上述目的，本发明提供了一种基于海量数据的数据迁移的方法，应用于数据迁移系统，所述系统包括中心云、hdfs存储引擎、分布式数据仓库及边缘云集群，该方法包括：
6.在第一周期内，
7.步骤1：所述中心云对热点事件进行预测，并输出对应的热点数据组；
8.步骤2：所述中心云将所述热点数据组导入到hdfs存储引擎中；
9.步骤3：所述hdfs存储引擎将所述热点数据组迁移至所述分布式数据仓库中；
10.步骤4：所述分布式数据仓库将所述热点数据组分发至所述边缘云集群中，以使所述边缘云集群为用户设备提供所述热点数据组；
11.在第二周期内，
12.重复上述步骤1-3，以使所述分布式数据仓库将第二周期内的热点数据组分发至所述边缘云集群中，其中，所述第二周期的热点数据组不同于所述第一周期的热点数据组。
13.可选地，若所述分布式数据仓库预先存储了所述热点数据组，则所述hdfs存储引擎将所述热点数据组迁移至所述分布式数据仓库中，包括：
14.所述hdfs存储引擎获取所述热点数据组的id和优先级参数；
15.所述hdfs存储引擎将所述热点数据组的优先级参数进行调整，并将所述调整后的优先级参数和所述热点数据组的id通过指令导入到所述分布式数据仓库中，以使所述分布式数据仓库基于所述热点数据组的id和优先级参数，寻找并更新所述热点数据组的优先级
参数。
16.可选地，所述分布式数据仓库分为范围分区和哈希分区，则所述将所述调整后的优先级参数和所述热点数据组的id通过指令导入到所述分布式数据仓库中，包括：
17.将所述热点数据组的id写入至所述分布式数据仓库的范围分区中，并将所述调整后的优先级参数写入至所述分布式数据仓库的哈希分区中。
18.可选地，若所述分布式数据仓库预先未存储所述热点数据组，则所述hdfs存储引擎将所述热点数据组迁移至所述分布式数据仓库中，包括：
19.所述分布式数据仓库设置监听程序，并将所述监听程序用于对所述hdfs存储引擎的文件记录表进行监听；
20.当监听到所述热点数据组记录在所述文件记录表中后，所述分布式数据仓库向所述hdfs存储引擎发送数据获取请求；
21.所述hdfs存储引擎在接收到所述数据获取请求后，将所述热点数据组封装为消息队列，并将所述消息队列迁移至所述分布式数据仓库中。
22.可选地，所述将所述消息队列迁移至所述分布式数据仓库中，包括：
23.将所述消息队列通过kafka connect工具分为多个扇区，并将所述多个扇区并行写入所述分布式数据仓库中，并在所述分布式数据仓库中进行合并。
24.可选地，所述边缘云集群包括多个边缘云及边缘云管理器，则在所述边缘云集群为用户设备提供所述热点数据组之后，所述方法还包括：
25.所述边缘云管理器对所述多个边缘云的kpi性能指标进行预测，并在预测到第一边缘云的kpi性能指标超过第一预设阈值后，设置负载均衡策略；
26.所述边缘云管理器基于所述负载均衡策略，将所述第一边缘云的存储内容发送至所述分布式数据仓库的临时分区中，其中，所述第一边缘云的存储内容不包括所述热点数据组；
27.所述分布式数据仓库将所述临时分区中的所述存储内容迁移至距离所述第一边缘云最近的一个或多个边缘云上，其中，所述一个或多个边缘云的kpi性能指标低于第二预设阈值，且所述第二预设阈值小于所述第一预设阈值。
28.可选地，所述边缘云管理器对所述多个边缘云的kpi性能指标进行预测，包括：
29.使用隐马尔可夫模型hmm对所述多个边缘云的kpi性能指标进行预测。
30.可选地，所述中心云对热点事件进行预测，并输出对应的热点数据组，包括：
31.所述中心云使用时间序列模型arima对所述热点事件进行预测。
32.可选地，所述边缘云集群包括多个边缘云和多个边缘节点，其中，一个边缘云对应多个边缘节点，则所述边缘云集群为用户设备提供所述热点数据组，包括：
33.所述多个边缘云分别将所述热点数据组分发至对应的所述多个边缘节点中；
34.所述多个边缘节点将所述热点数据组发送至所述用户设备。
35.本发明实施例还提供一种系统，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。
36.本发明实施例的方法及系统具有下列优点：
37.本发明实施例中，通过对热点事件进行预测，获取该周期内热点事件对应的热点内容数据组，并将该热点内容数据提前进行数据迁移，将热点数据组提前写入至边缘云，以
便在用户设备请求该热点事件时，边缘云可以快速对用户设备进行响应，不仅能提升网络传输效率，还可以极大的降低由于突发性热点事件带来的数据拥塞问题。此外，由于大数据存储数据库的定位原因，hdfs存储引擎适合一次写入，多次读取的场景，不支持对存储的数据进行随机修改，因此，对于不同周期的热点事件，其对应的热点数据组是不同的，因此，对于数据的随机修改要求将大大增加，原有的hdfs存储引擎并不适合于该场景，因此，本发明实施例提供了随机读写性能较好的分布式数据仓库，其随机读写性能较高，因此，通过该分布式数据仓库可极大增加数据的写入和读取速度，从而进一步提升数据迁移的效率。
附图说明
38.图1为一个实施例中基于海量数据的数据迁移系统架构图；
39.图2为一个实施例中基于海量数据的数据迁移的方法流程图；
40.图3为一个实施例中存量数据迁移的逻辑示意图；
41.图4为一个实施例中增量数据迁移的的逻辑示意图；
42.图5为一个实施例中边缘云数据分发的逻辑示意图；
43.图6为一个实施例中边缘云负载均衡的逻辑示意图；
44.图7为一个实施例中系统的硬件组成示意图。
具体实施方式
45.为了使本发明的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
46.图1是本发明实施例的网络架构图，如图1所示，本发明实施例包括中心云11、hdfs存储引擎12、分布式数据仓库13、边缘云集群14和用户设备15，其中，中心云11位于网络的核心层，用于获取海量数据，并对海量数据进行处理和分析，并控制各类数据的存储、迁移和分发。
47.hdfs存储引擎12是大数据hadoop的主流存储工具/引擎，其全称为分布式文件系统。是一种适用于高吞吐量的离线分析工具，其适合于一次写入，多次读写的场景，不支持文件的随机修改。
48.分布式数据仓库13区别于hdfs，其支持文件的随机修改，因此非常适合数据需要随机更新和修改的场景。对于数据仓库(data warehouse)而言，是为企业所有级别的决策的制定提供所有类型数据支持的战略集合。它的主要功能仍是将组织透过资讯系统之联机事务处理(oltp)经年累月所累积的大量资料，透过数据仓库理论所特有的资料储存架构，做系统性的分析整理，以利于各种分析方法如联机分析处理(olap)、数据挖掘的进行，并进而支持如决策支持系统(dss)、主管资讯系统(eis)的创建，帮助决策者能快速有效的从大量资料中分析出有价值的资讯，帮助建构bi。
49.边缘云集群14是位于边缘层的云服务器集群，更贴近于用户，是轻量级，小型化的云服务集群，边缘云集群14又可以包括边缘云管理器141(图中未示出)和边缘节点142(图中未示出)，边缘云管理器是一种功能性的装置，其本身的功能特性往往是一台边缘云服务
器兼具，是对边缘云的负载均衡、数据迁移等常规运维工作进行管控的装置，而边缘节点则是边缘云的更下一层级，更加贴近于用户，可以理解的是，边缘云服务器通常分布在市级、区级，而边缘节点则分布在县级和乡级。
50.用户设备15是一切可以联网、拥有智能化分析处理能力的设备，例如手机、平板电脑、pc、vr、ar、工控机、智能汽车、物联网设备等。其可以通过现有的无线通信协议与边缘云集群进行数据交互，获取到各类不同的数据。
51.为达到以上目的，如图2所示，本发明提供了一种基于海量数据的数据迁移的方法，应用于图1所示的网络架构中，该方法包括如下步骤：
52.在第一周期t1内，执行如下步骤1-4：
53.步骤1：所述中心云对热点事件进行预测，并输出对应的热点数据组；
54.热点事件即短时期高并发的一组事件，例如重大新闻、重大话题等，其特点是一个较短的时期搜索量较高，且关键词较为集中。热点事件分为两类，一类为固定的热点事件，例如“中秋”、“月饼”这类型的固定时间会出现的高并发强关联热点事件，另一类是非固定的，例如突发性的新闻，因此，对于本发明实施例而言，对于固定的热点事件可采用事件序列预测模型进行热点数据预测。
55.时间序列分析解释了随时间获得的数据点可能具有应该被考虑的内部结构(例如自相关、趋势或季节变化)的事实。而时间序列预测是使用回归模型来基于先前观察到的值预测未来值。在本发明实施例中，可采用时间序列模型arima(自回归求和移动平均)或var(矢量自回归)来对热点事件进行预测，并获取出该热点事件对应的热点数据组(热点数据组是该热点事件的内容的数据文件，具体地，热点数据组可以为二进制数据文件、视频文件、音频文件等，例如，热点事件为“中秋”，则热点数据组可以为中秋晚会的视频、月饼图片等，即热点事件与热点数据组存在着强关联关系)。arima模型和var模型是现有技术，本发明实施例在此不再累述。
56.步骤2：所述中心云将所述热点数据组导入到hdfs存储引擎中；
57.hdfs是hadoop应用用到的一个最主要的分布式存储系统。一个hdfs集群主要由一个namenode和很多个datanode组成：namenode管理文件系统的元数据，而datanode存储了实际的数据。hadoop(包括hdfs)非常适合在商用硬件(commodity hardware)上做分布式存储和计算，因为它不仅具有容错性和可扩展性，而且非常易于扩展。map-reduce框架以其在大型分布式系统应用上的简单性和可用性而著称，这个框架已经被集成进hadoop中。
58.中心云在获取了热点数据组之后，将该热点数据组导入到hdfs存储引擎之中。但是，由于大数据存储的定位原因，hdfs适合一次写入和多次读取的场景，不支持文件的随机修改，如果在数据迁入的过程中进行数据的随机更新和删减，则不被允许。
59.步骤3：所述hdfs存储引擎将所述热点数据组迁移至所述分布式数据仓库中；
60.正是基于上述的原因，所以本发明实施例提供了分布式数据仓库，其可支持短时间内的批量存储和随机读写。利用分布式数据仓库来“代替”hdfs进行数据存储、迁移和分发。
61.对于热点数据组的迁移操作，可以有两种理解，一种是增量迁移，一种是存量迁移，增量迁移代表该数据仓库中原本没有该热点数据，属于新增该热点数据组，而存量迁移则代表该数据仓库中原本具有该热点数据组，只是需要对该热点数据组进行更新，例如，对
该热点数据组的某一些属性/参数进行变更，举例而言，原本该热点数据组在数据仓库中只是优先级较低的数据组，此时就需要提升该热点数据组的优先级，使得该热点数据组在传输或迁移过程中，优先保证其迁移的时间优先等。
62.具体地，若所述分布式数据仓库预先存储了所述热点数据组，则步骤3实际上是存量迁移，该方法包括：
63.hdfs存储引擎获取所述热点数据组的id和优先级参数；
64.hdfs存储引擎将所述热点数据组的优先级参数进行调整，并将所述调整后的优先级参数和所述热点数据组的id通过指令导入到所述分布式数据仓库中，以使所述分布式数据仓库基于所述热点数据组的id和优先级参数，寻找并更新所述热点数据组的优先级参数。
65.具体地，分布式数据仓库可以分为范围分区(range partition)和哈希分区(hash partition)，其中，范围分区是应用最广的分区方式，它是以列的值的范围来做为分区的划分条件，其优点是分区的水平扩展容易，顺序读的吞吐量大。其原理是将记录存放到列值所在的range分区中，因此在创建的时候需要指定基于的列，以及分区的范围值，如果某些记录暂无法预测范围，可以创建maxvalue分区，所有不在指定范围内的记录都会被存储到maxvalue所在分区中，并且支持多列做为依赖列。每个分区内储存的数据小于该分区指定的values less than数值，除第一个分区外，其它分区都有最小值且等于上一分区指定的values less than数值。
66.而哈希分区对key进行哈希散列算法，数据会均匀分布，因此写入速度快。哈希分区实现思路是为系统中的每个节点分配一个token，范围是0～232-1，这些token构成一个哈希环。数据读写执行节点查找操作时，先根据key计算出哈希值，然后顺时针找到第一个遇到的token节点。这种方式相对于节点取余的好处在于加入和删除节点只影响哈希环中相邻的节点，对其他节点无影响。
67.因此，如图3所示，基于不同分区的优势，hdfs可将所述热点数据组的id写入至所述分布式数据仓库的范围分区中(范围分区读取速度快)，并将所述调整后的优先级参数写入至所述分布式数据仓库的哈希分区中(哈希分区的写入速度快)，最后再进行合并。
68.若分布式数据仓库预先未存储热点数据组，则步骤3实际上是增量迁移，该方法包括：
69.分布式数据仓库设置监听程序，并将监听程序用于对hdfs存储引擎的文件记录表进行监听；例如，可以监听mysql的binlog文件，当binlog文件有变更时，监听程序可以知道数据是否发生了修改或更新。
70.当监听到热点数据组记录在文件记录表中后，分布式数据仓库向hdfs存储引擎发送数据获取请求；即，当发生了数据的修改或更新后，分布式数据仓库向该存储引擎进行数据同步，保持数据的修改或更新能够实时的更新在该数据仓库中。
71.hdfs存储引擎在接收到数据获取请求后，将热点数据组封装为消息队列，并将消息队列迁移至分布式数据仓库中。
72.在本发明实施例中，采用了消息队列工具来做数据的缓冲池，来降低数据同步带来的峰值。
73.其中，将消息队列迁移至所述分布式数据仓库中的步骤，具体可以为：
74.将所述消息队列通过kafka connect工具分为多个扇区，并将所述多个扇区并行写入所述分布式数据仓库中，并在所述分布式数据仓库中进行合并。其中，kafka connect是一个工具，用于在kafka和其他系统之间进行可靠的数据传输。
75.如图4所示，当增量数据需要同步时，分布式数据仓库通过监听程序监听，并通过同步机制将增量数据并行导入到自身的数据库中，最后实现合并。在该过程中，充分发挥了分布式数据仓库并行写入速度快的优势，将不同的扇区数据并行传输到数据库中，最后将不同扇区数据组合/合并，保存在一个容器空间或一个class内部。
76.步骤4：所述分布式数据仓库将所述热点数据组分发至所述边缘云集群中，以使所述边缘云集群为用户设备提供所述热点数据组；
77.当接收到该热点数据组后，分布式数据仓库将该热点数据组分发到各个边缘云服务器中，这样，当用户在该第一周期内请求该热点数据组时，边缘云集群能够快速响应用户需求，将热点事件对应的热点数据组(即热点事件对应的内容)发送给各个用户设备ue中。
78.在本发明实施例中，边缘云集群包括多个边缘云和多个边缘节点，其中，一个边缘云对应多个边缘节点，则边缘云集群为用户设备提供热点数据组，具体可以为：
79.多个边缘云分别将热点数据组分发至对应的多个边缘节点中；
80.多个边缘节点再将热点数据组发送至用户设备。如图5，分布式数据仓库-边缘云-边缘节点可形成一个树形结构，分布式数据仓库作为根节点，因此分发热点数据组至边缘云，边缘云分发至边缘节点，最后发送到ue中，形成一种有效的数据分发方法。
81.在第二周期内，
82.重复上述步骤1-3，以使所述分布式数据仓库将第二周期内的热点数据组分发至所述边缘云集群中，其中，所述第二周期的热点数据组不同于所述第一周期的热点数据组。在第二周期内，热点事件随之更新，热点数据组也随之更新，与第一周期的处理方式相同，第二周期内，也是通过中心云预测新的热点事件，获取热点数据组，导入到hdfs，hdfs再倒入到分布式数据仓库，分布式数据仓库随之导入到边缘云集群中，完成一个周期循环，以此类推，第三周期，第四周期...第n周期的处理方式同第一周期，这样可以保证在很长的一段时间内，通过预测热点事件，能够准确地将热点数据组及时的发送到用户设备之中。
83.此外，为了提升数据传输效率，针对边缘云的负载性能，不能不进行负载均衡的考量。如图6所示，在本发明实施例中，边缘云管理器对多个边缘云的kpi(关键绩效指标，key performance indicator)性能指标进行预测，并在预测到第一边缘云的kpi性能指标超过第一预设阈值后，设置负载均衡策略；
84.kpi性能指标是一系列指标参数的统称，包括不限于资源占用率、传输效率、存储空间等。在云计算运维领域，kpi性能指标通常用来指示服务器的性能好坏与否，如果任何一个指标超标，例如存储空间超过85％的上限，则此时该云服务器有存储响应恶化的可能，需要及时告警以便降低存储空间。
85.此外，kpi性能指标可以通过预测得到。例如，可以使用隐马尔可夫模型hmm对多个边缘云的kpi性能指标进行预测。hmm是用于时间序列的强大且复杂的算法。其本身使用最大化历史训练数据似然性的em算法来训练hmm参数。例如，可以采用无监督学习来进行时间序列的分析，利用时间签名来确定并预测kpi异常情况。该技术属于现有技术，本发明实施例对此不再累述。
86.边缘云管理器基于负载均衡策略，将第一边缘云的存储内容发送至分布式数据仓库的临时分区中，其中，第一边缘云的存储内容不包括热点数据组；
87.负载均衡策略的思想是资源均分，效率提升最大化，若第一边缘云(边缘云中的任一云)出现了kpi异常，则需要将当前第一边缘云中非重要的数据(即非热点数据组的其他数据)进行迁移，以降低其资源占用率，实现负载均衡。因此，边缘云管理器需要将第一边缘云中的数据迁移，迁移过程中，可通过分布式数据仓库作为中转站，开辟临时分区用于临时中转数据，在数据中转完毕后即可销毁该临时分区。
88.分布式数据仓库将临时分区中的存储内容迁移至距离第一边缘云最近的一个或多个边缘云上，其中，一个或多个边缘云的kpi性能指标低于第二预设阈值，且第二预设阈值小于第一预设阈值。
89.其中，数据迁移到目标对象，要保证其kpi性能指标不能超标，且要在一个比较低的阈值一下，因此，可人为设定一个第二预设阈值(例如存储空间上限不超过60％)，满足该条件的边缘云其负载程度较轻，适合做数据冗余备份的迁移。
90.本发明实施例的方法具有下列优点：
91.本发明实施例中，通过对热点事件进行预测，获取该周期内热点事件对应的热点内容数据组，并将该热点内容数据提前进行数据迁移，将热点数据组提前写入至边缘云，以便在用户设备请求该热点事件时，边缘云可以快速对用户设备进行响应，不仅能提升网络传输效率，还可以极大的降低由于突发性热点事件带来的数据拥塞问题。此外，由于大数据存储数据库的定位原因，hdfs存储引擎适合一次写入，多次读取的场景，不支持对存储的数据进行随机修改，因此，对于不同周期的热点事件，其对应的热点数据组是不同的，因此，对于数据的随机修改要求将大大增加，原有的hdfs存储引擎并不适合于该场景，因此，本发明实施例提供了随机读写性能较好的分布式数据仓库，其随机读写性能较高，因此，通过该分布式数据仓库可极大增加数据的写入和读取速度，从而进一步提升数据迁移的效率。
92.本发明实施例还提供一种系统，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。
93.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机可执行指令，该计算机可执行指令用于执行上述实施例中的方法。
94.图7为一个实施例中系统的硬件组成示意图。可以理解的是，图7仅仅示出了系统的简化设计。在实际应用中，系统还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等，而所有可以实现本技术实施例的大数据管理方法的系统都在本技术的保护范围之内。
95.存储器包括但不限于是随机存储记忆体(random access memory，ram)、只读存储器(read至only memory，rom)、可擦除可编程只读存储器(erasable programmable read only memory，eprom)、或便携式只读存储器(compact disc read至only memory，cd至rom)，该存储器用于相关指令及数据。
96.输入系统用于输入数据和/或信号，以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件，也可以是一个整体的器件。
97.处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(central processing unit，cpu)，在处理器是一个cpu的情况下，该cpu可以是单核cpu，也可以是多
核cpu。处理器还可以包括一个或多个专用处理器，专用处理器可以包括gpu、fpga等，用于进行加速处理。
98.存储器用于存储网络设备的程序代码和数据。
99.处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
100.在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
101.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单元来实现本实施例方案的目的。
102.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至only memory，rom)，或随机存储存储器(random access memory，ram)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，dvd)、或者半导体介质，例如，固态硬盘(solid state disk，ssd)等。
103.以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。