在多个标签页并发访问场景下的暗网网站识别方法及装置

文档序号:33713455发布日期:2023-04-01 01:59阅读:148来源:国知局
在多个标签页并发访问场景下的暗网网站识别方法及装置

1.本发明涉暗网流量的网站识别技术领域,特别是涉及在多个标签页并发访问场景下的暗网网站识别方法及装置。


背景技术:

2.网站指纹是网络流量模式的结合,包括访问网站过程中数据包的大小、间隔。通过分析用户浏览网站的流量,甚至是加密的流量,提取出不同网站的指纹,进而可以识别用户浏览的网站。此外,它还可以被应用于监测和打击暗网犯罪。
3.传统的加密流量网站识别方法主要分为两类:
4.(1)基于人工提取流量特征的网站识别。这类方法利用人工构造的特征和机器学习算法识别网站,例如k-nn分类器、svm、随机森林等。这类方法需要专家知识进行特征构造,成本高,且容易被针对性地防御。
5.(2)自动提取流量特征的网站识别。随着深度学习的兴起,深度学习也被广泛应用于暗网网站识别中。例如基于卷积神经网络可以在基础的原始流量上自动提取有用的特征,准确的识别网站。然而这一类方法在用户打开多个标签页和存在防御流量的噪声时会失效。
6.针对上述的暗网网站识别方法,各种防御手段被提出,它们的目的是消除特定网站的流量模式从而隐藏网站指纹。buflo模拟流量包传输的速率从而干扰识别,然而总的数据量和输入输出流量包数量等其他特征仍可以被现存的网站识别方法利用。tamaraw和cs-buflo将具有相似规模的流量和加入的填充数据包聚合到一个组中,但是它们会在加载网页时产生显著的延迟,不适用于现实世界的部署。针对上述问题,一些轻量的防御方法被提出。wtf-pad采用适应式的填充机制来减小开销,它只会在通道占用率较低的时候填充数据包。front在流量序列的头部数据包中进行填充。然而这些防御方法并不能抵御本发明提出的暗网网站识别方法。
7.为了解决防御的干扰,一系列针对防御场景的暗网网站识别方法被提出。这类方法主要通过加强特征和改进模型提升识别能力,例如在特征中加入时间信息或者使用自注意力机制增强模型能力。
8.在现实中,更常见的是tor用户同时打开多个标签页访问暗网,在识别网站时需要分辨混淆的暗网流量,由于tor用户打开标签页的数量、标签页之间的时间间隔具有动态性,使得解决这一类问题具有挑战性。同时在防御的干扰下,大大提升了多标签暗网网站识别的难度,目前没有研究考虑到该问题。


技术实现要素:

9.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
10.为此,弥补上述现有技术的不足,本发明提出一种多标签页场景下的混淆暗网流量的网站识别方法,在不具备浏览网站数等先验知识的前提下提升网站识别的准确性,更
好地适用于真实的用户浏览网站的场景,同时在网站指纹防御的干扰下保证鲁棒性,适用于各类加密流量的网站识别,且具有较小的开销。
11.本发明地另一个目的在于提出一种在多个标签页并发访问场景下的暗网网站识别装置。
12.为达上述目的,本发明一方面提出一种在多个标签页并发访问场景下的暗网网站识别方法,包括:
13.获取待识别网站被浏览的网络流量包,并提取所述网络流量包中的方向序列特征;
14.基于多滑动窗口将所述方向序列特征划分为多个子序列特征,将所述多个子序列特征输入神经网络模型提取得到预设模式特征;
15.利用目标网站识别模型对所述预设模式特征的相关性进行分析,以得到目标网站被访问的概率计算结果;
16.基于所述概率计算结果和预设的分类模型,得到所述待识别网站中的目标网站识别结果。
17.另外,根据本发明上述实施例的在多个标签页并发访问场景下的暗网网站识别方法还可以具有以下附加的技术特征:
18.进一步地,在本发明的一个实施例中,所述分类模型包括多个二分类器,所述二分类器用于识别待识别网站中是否包含所述目标网站。
19.进一步地,在本发明的一个实施例中,所述基于多滑动窗口将所述方向序列特征划分为多个子序列特征,包括:将所述方向序列特征拼接得到流量环路特征;利用多个滑动窗口从不同位置对所述流量环路特征进行分割得到多个子序列特征。
20.进一步地,在本发明的一个实施例中,所述神经网络模型包括第一分析模块和第二分析模块;所述将多个子序列特征输入神经网络模型提取得到预设模式特征,包括:将所述多个子序列特征输入第一分析模块的卷积层和batch norm层,输出得到第一局部特征向量,将所述第一局部特征向量与所述多个子序列特征连接后输入第一分析模块的最大池化层,输出得到第一局部模式特征;将所述第一局部模式特征输入第二分析模块的卷积层和batch norm层,输出得到第二局部特征向量,将所述第二局部特征向量与所述第二局部特征向量连接后输入第二分析模块的最大池化层,输出得到第二局部模式特征。
21.进一步地,在本发明的一个实施例中,所述目标网站识别模型包括多头top-m注意力层;所述利用目标网站识别模型对所述预设模式特征的相关性进行分析,以得到目标网站被访问的概率计算结果,包括:基于第二局部模式特征和多头top-m注意力层得到第预设数量个头的投影矩阵,基于所述投影矩阵和第一预设公式得到所述第预设数量个头的输出结果;基于所述第预设数量个头的输出结果和线性投射函数,并利用第二预设公式得到所述多头top-m注意力层的输出结果;根据所述多头top-m注意力层的输出结果和预设的网络规则,并利用第三预设公式得到目标网站被访问的概率计算结果。
22.为达上述目的,本发明另一方面提出一种在多个标签页并发访问场景下的暗网网站识别装置,包括:
23.初始特征获取模块,用于获取待识别网站被浏览的网络流量包,并提取所述网络流量包中的方向序列特征;
24.关键特征提取模块,用于基于多滑动窗口将所述方向序列特征划分为多个子序列特征,将所述多个子序列特征输入神经网络模型提取得到预设模式特征;
25.访问概率计算模块,用于利用目标网站识别模型对所述预设模式特征的相关性进行分析,以得到目标网站被访问的概率计算结果;
26.目标网站识别模块,用于基于所述概率计算结果和预设的分类模型,得到所述待识别网站中的目标网站识别结果。
27.本发明实施例的在多个标签页并发访问场景下的暗网网站识别方法和装置,能够在用户打开的标签页数量未知且动态变化的情况下实现准确的识别效果,是第一个针对现实场景的多标签页网站识别的发明。同时对于多种网页指纹防御的方法,本发明仍可以实现相比现有方法更加鲁棒的网站识别能力,因为本发明提出的基于局部流量特征的top-m自注意力机制设计可以更好地消除噪声的影响。综上所述,本发明不仅是一种具有现实应用价值的多标签页网站识别方法,还能实现抵抗防御和概念漂移影响的鲁棒性识别。
28.本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
29.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
30.图1为通用网站识别的威胁模型;
31.图2为根据本发明实施例的在多个标签页并发访问场景下的暗网网站识别方法的流程图;
32.图3为根据本发明实施例的在多个标签页并发访问场景下的暗网网站识别方法的架构图;
33.图4为根据本发明实施例的局部分析模块的结构图;
34.图5为根据本发明实施例的网站识别模块中多头top-m注意力机制的结构图;
35.图6为根据本发明实施例的在多个标签页并发访问场景下的暗网网站识别装置。
具体实施方式
36.需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
37.为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
38.下面参照附图描述根据本发明实施例提出的在多个标签页并发访问场景下的暗网网站识别方法和装置。
39.图2是本发明实施例的在多个标签页并发访问场景下的暗网网站识别方法的流程图。
40.如图1所示,该方法包括但不限于以下步骤:
41.s1,获取待识别网站被浏览的网络流量包,并提取网络流量包中的方向序列特征;
42.s2,基于多滑动窗口将方向序列特征划分为多个子序列特征,将多个子序列特征输入神经网络模型提取得到预设模式特征;
43.s3,利用目标网站识别模型对预设模式特征的相关性进行分析,以得到目标网站被访问的概率计算结果;
44.s4,基于概率计算结果和预设的分类模型,得到待识别网站中的目标网站识别结果。
45.下面结合附图对本发明实施例的在多个标签页并发访问场景下的暗网网站识别方法进行详细阐述。
46.作为一种示例,本发明的威胁模型。用户通过隐私保护机制例如tor浏览器等来隐藏自身的上网活动,且他们可以打开多个浏览器网页来同时加载不同网站的多个页面。因此,用户的一次浏览会话可能包含来自多个网站的加密流量。此外,用户的浏览器或tor的中继节点上可能部署了防御手段,因此单个网站的流量模式无法完整保存。在本发明中,利用网站指纹的方式推测用户浏览的网站来分析用户的上网行为。识别者可以部署多个流量收集点从而记录用户的加密流量,甚至可以得到进入tor网络之前的流量。值得一提的是,延迟或丢弃用户的网络流量包不在本发明的考虑范围内。
47.和传统的多标签页网站识别模型相比,图1为通用网站识别的威胁模型,如图1所示。本发明的模型致力于更现实的场景,同时也更具有挑战性。其一,考虑了用户可能部署了防御手段的情况。因此,单个网站的流量模式可能受到这些反识别手段的干扰。其二,考虑了用户打开的网页数可能是动态变化并且事先未知的,而之前的识别策略均假定用户总是打开固定数量的网页数,所以他们的模型可以在相同网页数的场景下进行训练和测试,这在现实中的应用是受限制的。
48.本发明针对两种场景:封闭世界和开放世界。封闭场景下假设用户只会浏览一个很小的网站集合,称之为受监视的网站,例如:alexa最常被访问的100个网站。在这种情况下,识别者可以收集到所有网站的训练数据。开放世界下用户可以浏览任意的网站,因此识别者只能获取一部分网站的训练数据。
49.下面介绍本发明提出的一种在多个标签页并发访问场景下的暗网网站识别方法的模型。
50.之前的多标签页网站识别需要事先知道打开的网页数,为了解决这个问题,本发明将多标签页场景下的网站识别看作一个多标签分类问题。由于不同网站之间的相互干扰以及防御手段引入的噪声,只训练一个分类器来解决上述问题是十分困难的。因此,本发明构建了一个多分类器架构来解决以上多标签分类问题,每个分类器用于计算一个特定的网站在具体场景下被访问的概率。最后,本发明整合各个分类器的结果,来输出每次浏览下所有访问的网站集合。此外,由于网站的局部模式仍可以从多个短的流量序列中提取出来,对每一个分类器我们设计了一个新的模型trans-wf,它可以根据这些局部模式对特定的网站构建鲁棒的指纹。
51.进一步的,图3是本发明提出的一种在多个标签页并发访问场景下的暗网网站识别方法的架构图,如表1所示为标记的含义。
52.表1
[0053][0054][0055]
实施例1:
[0056]
s11,窃听打开多个标签页访问暗网网站的tor用户,提取流量的方向序列作为特征;
[0057]
s12,将提取的方向序列特征输入到多个二分类器中,每个二分类器用于识别混淆流量中是否包含目标网站;
[0058]
s13,基于多滑动窗口划分方向序列为多个子序列。
[0059]
具体地,收集用户浏览网站过程中的网络流量包,提取网络流量包中的方向序列,用+1表示流出的流量包,用-1表示输入的流量包。将提取到的方向序列并行输入到多个分类器中。流量分割模块通过滑动窗口的方式,将收集到的完整方向序列分割成多个分段,同时保留了每一分段局部流量模式的完整性。基于多个二分类器的架构,每个二分类器用于识别混淆流量中是否包含目标网站。
[0060]
可以理解的是,考虑到局部流量模式的不均匀性,直接将整个方向序列划分成大小相同的不重叠的片段是不恰当的,因为它可能会破坏特定的局部模式。此外,仅仅增加分段大小也不能保证好的效果,因为这样减小了局部流量模式的数量。网站的模式通常与网页的html元素相关,而与html元素相关的流量包通常集中在一个较小的流量序列中,形成一个独特的局部流量模式。为了确保捕捉到每一个完整的局部小分段,利用多个滑动窗口从不同位置开始分割流量序列,这样即使某个分段在一个滑动窗口中被破坏,也能在另一个滑动窗口中被捕捉到。为了保证所有捕捉到的序列长度相同,我们在分割之前将原始片段拼接到原片段之后,形成一个流量环路。对同一个滑动窗口,各分段之间互不重合,不同滑动窗口之间的流量序列可重合。
[0061]
具体地,为了保证局部流量的完整性,本发明利用多个滑动窗口从不同的起始位
置开始分割流量,这样即使某个局部流量模式在一个滑动窗口中被破坏,也能在另一个滑动窗口中被提取出来。具体来说,用(d,y)来表示一个用户的浏览样例,d是长度为l的方向序列,y是该样例的标签向量。如果这个样例包含第i个被监视的网站则yi=1,否则yi=0。定义w和n分别为滑动窗口的大小和数量。在分割之前,本发明将原始序列复制到其后形成一个环,确保所有的分段长度相同。第i个滑动窗口的开始位置是序列d中的第i个元素,其提取出的流量分段集合表示为其中每一个分段之间互不重合。最终n个滑动窗口分割出的所有的分段序列集合为s={w1,

,wn},不同滑动窗口提取出的分段序列可以重合。
[0062]
s14,基于卷积神经网络对子序列中的关键局部模式进行提取。
[0063]
作为一种示例,局部分析模块精确提取s13中分割得到的分段集合s中的每一个方向序列小段的局部特征作为被监控网站的局部模式。由于表示不同局部流量模式的包序列位置不固定且来自其他网站的流量包或防御流量包会产生噪声干扰,现有的基于线性transformation的模型不能很好的适用于这个问题,因为它们对包位置和噪声很敏感。考虑到卷积神经网络对于变化的输入仍能获得相对稳定的嵌入向量且对噪声有较好的鲁棒性,本发明利用卷积神经网络来提取局部特征。
[0064]
具体地,如图4所示,局部分析模块的卷积神经网络结构包含l个块,每个块包含两个一维的卷积层,两个以relu作为激活函数的batch norm层和一个最大池化层。此外,我们加入了如下两个机制来进一步提升我们模型的能力:a1、残差连接:将较低层的中间输出结果与较高层的结果连接来防止梯度消失;a2、dropout:在训练过程中随机丢弃一些神经网络的单元来避免过拟合现象。
[0065]
进一步地,如下将具体阐述本具体实施方式的局部分析模块的流程。第一个块的输入为s13中分割得到的分段集合s中的一个分段s,且s∈{-1,1}w,第一个块的输出作为第二个块的输入,依次类推。在每一个块中,输入首先进入两个卷积层和两个batch norm层来提取局部特征。这些局部特征向量即最后一个batch norm层的输出结果和原始输入连接后,进入最大池化层,用于提取最具代表性的特征,同时过滤掉一些噪音。具体来说,定义x为块输入,块输出b(x)可通过下面的等式计算:
[0066]
b(x)=dropout(maxpool(f(f(x))+x)),
[0067]
其中,f(x)包含一个卷积层和一个以relu作为激活函数的batch norm层,即:
[0068]
f(x)=relu(bn(conv1d(x)))。
[0069]
本发明实施例利用卷积神经网络提取每一个分段的流量模式。由于表示不同局部流量模式的包序列位置不固定且同一分段中存在其他网站流量的不相关序列的噪声干扰,考虑到卷积神经网络对有位置偏差的输入具有较好的鲁棒性,本发明利用卷积神经网络来提取局部特征。
[0070]
s15,基于transformer分析不同局部流量模式的相关性,计算混淆流量中包含目标网站的概率。
[0071]
可以理解的是,网站识别模块分析不同分段的局部特征的相关性从而判断单个网站在本次会话中被访问的概率。transformer架构中的注意力机制适用于解决这个问题。注意力机制用于计算一个查询和一个键-值对集合的相关性,其中查询向量、键向量、值向量均从输入向量中通过不同的矩阵投影得到。注意力机制的工作流程如下:首先根据查询向
量和相应的键向量计算每一个值向量的权重,然后对所有的值向量计算它们的带权和作为不同查询和键-值对之间的相关性。当将上述方法运用到同一序列的不同片段时,称之为自注意力机制,它可以将原始序列转化为一个可以表示其内部相关性的表示。借用自注意力机制,将局部特征向量作为输入,将输出作为受监视网站的指纹。具体来说,定义x为输入矩阵,维度为b*dm,b为批大小;定义wq,wk,wv分别为用于投影的参数矩阵,维度为dm*d,d为输出向量的维度,这些投影矩阵会在训练过程中学习更新;定义q,k,v分别为查询矩阵、键矩阵、值矩阵。
[0072]
注意力机制的工作流程如下:a1、通过输入矩阵和投影矩阵计算q、k、v矩阵。具体计算公式如下:
[0073]
q=xw
q k=xw
k v=xwv,
[0074]
a2、利用注意力函数计算输出。注意力函数计算了每个查询向量和所有键向量的点积,并通过除以的方式归一化,然后应用softmax函数来获取每个值向量的权重并对值向量计算加权和。具体计算公式如下:
[0075][0076]
然而,由于存在来自其他网站流量和防御流量的噪声,直接将上述注意力机制运用于多标签页场景下并不是一个很好的选择。具体来说,上述机制包含一个全连接注意力层,因此输出向量会依赖于这个输入向量和其他所有输入的局部特征向量的相关性,噪声流量不可避免的会损害输出的准确性。为了解决这个问题,本发明提出了一种改进的注意力层:top-m自注意力。不同于基础的注意力机制对所有的值计算带权和输出,top-m注意力层只根据由查询和键计算出的最大的m个权重值计算输出向量。由于监控网站自身的流量和其他网站及防御产生的流量的相关性较低,由它们提取出的分段局部特征也会有较小的基于注意力机制的权重值,通过top-m自注意力机制便可以过滤掉这些权重较小的值,从而过滤掉噪声。具体来说,top-m的计算方式如下:
[0077][0078][0079]
其中,γ是一种行粒度下最大m个元素的选择操作,∈是一个非常小的常数。
[0080]
如图5所示,本发明的网站识别模块并行了多个top-m注意力层来组成一个多头top-m注意力层,这使得每一个分类器trans-wf可以计算出不同滑动窗口提取出的局部特征的相关性,从而对每个网站获取更精确的指纹。它的工作流程如下:
[0081]
a1、对第i个头,定义为针对这个头的投影矩阵,它们均为d*dh维矩阵,且dh是这个头输出向量的维度,定义h为头的数量,设置dh=d/h。第i个头的输出可通过以下等式计算得到:
[0082][0083]
且每个头可以单独并行的计算。
[0084]
a2、连接各个头的结果并通过一个线性投射函数得到注意力层的输出。具体来说,
定义wo为权重矩阵,它是hdh*d维矩阵,定义λ(x)为多头top-m注意力层的输出,则它可通过以下等式计算得到:
[0085]
λ(x)=concat(head1,
……
,headh)wo[0086]
a3、计算出注意力层的输出后,利用一个归一化层和多层感知机来识别一个特定目标网站出现的概率。同样引入残差连接机制和dropout机制来避免梯度消失和过拟合的问题。具体来说,定义ln为归一化层计算,定义g,b为增益参数和偏置参数,定义μ,σ为x的期望和方差,定义

为两个向量相同位置对应元素之间的乘法,定义∈为一个很小的常数来避免除以0,且mlp利用softmax函数,则目标网站的结果φ(x)可通过以下等式计算得到:
[0087]
φ(x)=mlp(ln(x+dropout(λ(x)))),
[0088][0089]
本实施例基于transformer的目标网站识别模块,负责计算在用户的一次浏览行为中某个特定网站被访问的概率。为了排除来自其他网站流量和防御流量的干扰,只考虑相关性较高的流量分段,并计算它们的相关性作为某个特定的被监视网站的指纹,从而过滤掉噪声流量。此外,通过共同捕捉多个滑动窗口提取出的局部模式的相关性,从而获取更精确的网站指纹。
[0090]
s16,集成所有分类器,识别出tor用户通过多标签页访问的暗网网站集合。
[0091]
具体地,整合不同网站分类器的结果,按照从大到小的顺序排序,最终输出本次会话中预测的用户浏览网站集合。
[0092]
根据本发明实施例的在多个标签页并发访问场景下的暗网网站识别方法,通过将多标签页场景下的网站识别看作多标签分类问题,并设计了一种包含多个二分类器的模型架构,解决了现有方法需要获取访问网页数的限制。对每一个分类器,我们提出的trans-wf模型可以在不依赖来自单个网站的纯净流量模式的情况下识别出特定网站。通过收集多标签页场景下封闭世界和开放世界大规模的流量数据,本发明中我们提出的方法可以提升识别的准确性,并且在多种防御手段下仍保持一定的鲁棒性。综上,本方法可以更好的应用于现实场景下的多标签网站识别。
[0093]
实施例2:
[0094]
为了实现上述实施例,如图6所示,本实施例中还提供了在多个标签页并发访问场景下的暗网网站识别装置10,该装置10包括,初始特征获取模块100、关键特征提取模块200、访问概率计算模块300和目标网站识别模块400。
[0095]
初始特征获取模块100,用于获取待识别网站被浏览的网络流量包,并提取网络流量包中的方向序列特征;
[0096]
关键特征提取模块200,用于基于多滑动窗口将方向序列特征划分为多个子序列特征,将所述多个子序列特征输入神经网络模型提取得到预设模式特征;
[0097]
访问概率计算模块300,用于利用目标网站识别模型对预设模式特征的相关性进行分析,以得到目标网站被访问的概率计算结果;
[0098]
目标网站识别模块400,用于基于概率计算结果和预设的分类模型,得到待识别网站中的目标网站识别结果。
[0099]
所述分类模型包括多个二分类器,所述二分类器用于识别待识别网站中是否包含
所述目标网站。
[0100]
进一步地,上述关键特征提取模块200,还用于:
[0101]
将方向序列特征拼接得到流量环路特征;
[0102]
利用多个滑动窗口从不同位置对流量环路特征进行分割得到多个子序列特征。
[0103]
进一步地,上述神经网络模型包括第一分析模块和第二分析模块;上述关键特征提取模块200,还用于:
[0104]
将多个子序列特征输入第一分析模块的卷积层和batch norm层,输出得到第一局部特征向量,将第一局部特征向量与所述多个子序列特征连接后输入第一分析模块的最大池化层,输出得到第一局部模式特征;
[0105]
将第一局部模式特征输入第二分析模块的卷积层和batch norm层,输出得到第二局部特征向量,将第二局部特征向量与第二局部特征向量连接后输入第二分析模块的最大池化层,输出得到第二局部模式特征。
[0106]
进一步地,上述目标网站识别模型包括多头top-m注意力层;上述访问概率计算模块300,还用于:
[0107]
基于第二局部模式特征和多头top-m注意力层得到第预设数量个头的投影矩阵,基于投影矩阵和第一预设公式得到预设数量个头的输出结果;
[0108]
基于第预设数量个头的输出结果和线性投射函数,并利用第二预设公式得到所述多头top-m注意力层的输出结果;
[0109]
根据多头top-m注意力层的输出结果和预设的网络规则,并利用第三预设公式得到目标网站被访问的概率计算结果。
[0110]
根据本发明实施例的在多个标签页并发访问场景下的暗网网站识别装置,通过将多标签页场景下的网站识别看作多标签分类问题,并设计了一种包含多个二分类器的模型架构,解决了现有方法需要获取访问网页数的限制。对每一个分类器,我们提出的trans-wf模型可以在不依赖来自单个网站的纯净流量模式的情况下识别出特定网站。通过收集多标签页场景下封闭世界和开放世界大规模的流量数据,本发明中我们提出的方法可以提升识别的准确性,并且在多种防御手段下仍保持一定的鲁棒性。
[0111]
在本说明书的描述中,参考术语“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。
[0112]
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。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1