一种基于通信卫星间协同计算的业务请求分配方法与流程

本发明涉及通信技术领域，具体涉及一种基于通信卫星间协同计算的业务请求分配方法。

背景技术：

随着信息技术的不断发展，涌现了如远程手术，实时交通状况监控，无人驾驶等一系列时延敏感的新型业务模式，信息连接从传统的人-人互联，正朝向物-物互联的境界发展，地理的概念在信息层面逐渐变得模糊，用户随时随地享受新型信息业务成为可能。然而，当前地面移动通信网络有限的覆盖现状与和未来无处不在的信息服务需求之间存在巨大的鸿沟，因此，非地面通信网络(non-terrestrialnetworks，ntn)成为当前移动通信领域的研究热点。其中，卫星通信网络具备覆盖范围广、抗毁性强、全天候服务、不受地理环境约束等众多优点，能够有效补齐移动通信网络覆盖范围有限的短板，特别是低轨通信卫星网络(lowearthorbit-communicationsatellitenetwork,leo-scn)凭借星地传输距离短、建造成本低的独特优势获得了广泛的关注，正逐步从概念构想迅速转向实质建设。目前，3gpp已将ntn纳入5g标准讨论稿；波音、空客、facebook、spacex等高科技企业相继投资了oneweb、starlink等十余个leo-scn，以期实现全球的通信网络无缝覆盖；同期，中国航天科技集团和中国航天科工集团分别提出了“鸿雁”和“虹云”leo-scn，希冀引领中国进入leo卫星通信时代。可以看出，将leo-scn作为移动通信网络的补充，实现深山、沙漠、海洋乃至外太空等区域的泛在覆盖已成为主流趋势。但是，随着提供的信息服务类型不断拓展，leo-scn在支撑时延敏感的新型信息业务时产生了新的问题。当前已部署和建设中的leo-scn均采用弯管式透明转发通信卫星，用户的请求数据统统经过leo-scn转发并在地面云中心服务器进行集中处理。这将导致海量用户数据经过leo-scn传输到地面站，给leo-scn带来巨大的传输压力；同时，频繁的星地链路长距离传输产生较高的业务传输时延，难以满足新型信息业务的低时延需求。因此，如何利用低轨通信卫星进行在轨计算成了研究的热点问题。

为了将业务部署在低轨通信卫星上处理，研究者们提出了一些优化单星服务能力的方案。硬件方面，针对机载处理器更新难度大、成本高的问题，hofmann等人基于现场可编程门阵列技术提出了一种机载处理平台，能够在轨调整服务功能，以满足不同业务的处理需求；面向业务内在机理，jacobs等人设计了一个中央处理器和现场可编程门阵列相结合的机载混合处理器架构并给出了高光谱图像监测与分析的案例，通过部署服务功能到最兼容的处理器模块上，提高低轨通信卫星的计算性能。软件优化方面，wang等人提出了一种面向多终端用户的星载资源动态分配方案，最大化单颗卫星的资源利用率，但是上述方案都受到卫星载荷能力制约，单颗卫星越来越难以适应日益增长的业务请求数量。

技术实现要素：

为解决现有技术的不足，本发明实施例提供了一种基于通信卫星间协同计算的业务请求分配方法，该方法包括以下步骤：

根据预设的基于业务请求的有向无环图dag及基于低轨通信卫星网络的加权时间扩展图wteg之间的映射规则，生成业务请求对应的多个映射结果；

根据二值粒子群优化算法，从所述多个映射结果中获取最优的映射结果；

根据所述映射结果，将所述业务请求分配至各个通信卫星。

优选地，所述映射规则的创建过程包括：

采用表达式φ＝(ω,γ)作为有向无环图dag的数学模型，其中，ω＝{ω1,...,ωl}为业务请求节点集合，构成φ的业务请求集群；γ为边集合，表示业务请求间的依赖关系；φ为单起点、单终点的数学模型，即ω1为业务请求起点，ωl为业务请求终点，其余为中间业务请求节点；其中，业务请求ωi由元组{εi,ηi,di}表征，其中，εi为计算复杂度系数，表征执行业务请求ωi耗费计算资源的程度；ηi为数据缩放因子参数，反映执行业务请求ωi过程中对输入数据量放大与缩小的过程；di表示ωi的输入数据量，定义θ↑(ωi)＝{ωj|(ωj,ωi)∈γ}表示业务请求ωi的先驱节点集合，则di可通过式求得，其中，dj和ηj属于表征服务功能ωj的元组；

采用表达式n＝(n^t,e^t,graph)作为加权时间扩展图wteg的数学模型，其中，n^t为加权时间扩展图wteg的节点集合，e^t为加权时间扩展图wteg的边集合，graph为加权时间扩展图wteg的时延权重组合矩阵，其中，表示相邻时隙q与q+1间所有边的权重，表示时隙q内所有边的权重；

制定ω至n^t的映射规则，包括：

根据表达式将业务请求起点映射至业务请求发起通信卫星，将业务请求终点映射至结果接收通信卫星；将中间业务请求节点映射至任意通信卫星，由于业务请求之间不可分割，故每个业务请求都需要分配到单颗低轨通信卫星上计算，但受计算过程影响，存在业务请求被缓存到下一时隙的现象，此时业务请求经过虚拟缓存链路到达下一时隙的副本节点，因此，任意业务请求ωi∈ω会被映射至n^t中同一通信卫星的ρi+1个副本节点，ρi为自然数，ρi为由业务请求ωi计算引起的跨时隙数目；

制定γ至p的映射规则，包括：

根据表达式z((ωi,ωj))＝path(b(ωi)e,b(ωj)s)，将有向无环图dag任意边映射为加权时间扩展图wteg节点集合b(ωi)中最后一个节点b(ωi)e到加权时间扩展图wteg节点集合b(ωj)第一个节点b(ωj)s之间的最短路由用path(b(ωi)e,b(ωj)s)表示，路由中包含的边序列即为边(ωi,ωj)的映射结果，其中，鉴于低轨通信卫星网络的动态特性，加权时间扩展图wteg的部分节点之间无连通路由，因此，(ωi,ωj)的映射需满足表达式

优选地，根据二值粒子群优化算法，求解表达式t(x)的最小值，得到所述多个映射结果中最优的映射结果包括：

假设粒子群规模为u，同时i表示群体最大迭代次数，则第i次迭代过程中第u个粒子的位置和速度表达式分别如式(1)及式(2)所示：

式(1)中，式(2)中，当i<i时，粒子u首先通过跟踪其历史最优位置pubest和整个粒子群的历史最优位置gbest更新其速度，如式(3)所示，

其中，μ为惯性权重，γ1、γ2为加速因子，β1、β2为均匀分布于区间[0,1]的随机数；随后跟踪速度方向按照式(4)更新其位置，

式(4)中，表示数值向上取整运算，表示两个矩阵的元素之间的置换操作,具体过程是找出中数值最大的元素索引作为待置换位置，根据式的约束条件计算中与待置换位置进行置换操作的元素索引，完成置换操作，通过式计算其适应度值；

将适应度值定义为当前粒子映射结果的业务请求处理总时延，将表达式

分为最后一项业务请求的计算时延和前项业务请求的累积处理时延运用递归原理，最终计算得到粒子的适应度值，即所述多个映射结果中最优的映射结果，其中，表示ωi在加权时间扩展图wteg中映射的最后一个节点，表示ωl在加权时间扩展图wteg中映射的第一个节点，t(x)为业务请求处理总时延。

本发明实施例提供的基于通信卫星间协同计算的业务请求分配方法具有以下有益效果：

利用加权时间扩展图wteg模型，屏蔽了leo-scn的动态特性，从而将基于业务请求的有向无环图dag驱动的协同计算技术引入到leo-scn，达到降低业务请求处理时延的目的。

附图说明

图1为典型的空基云雾网络架构示意图；

图2为本发明实施例提供的基于通信卫星间协同计算的业务请求分配方法流程示意图；

图3a为dag模型示意图；

图3b为wteg模型示意图；

图3c为dag模型映射至wteg模型过程示意图；

图4为leo-scn前3时隙的wteg模型示意图；

图5为采用地面云处理业务请求时延与星间协同处理业务请求时延对比仿真示意图；

图6为计算复杂度系数对时延的影响仿真示意图；

图7为不同数据缩放因子组合业务时延对比仿真示意图；

图8为采用不同算法的处理时延比较仿真示意图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

为了能够利用leo-scn机载计算资源实现星间协同计算构想，解决远距离的星地传输带来的高传输时延问题，本发明采用如图1所示的典型的空基云雾网络架构进行研究。业务请求被卸载到传输路径中的卫星上进行分布式计算，不再转发至地面云中心集中计算，在传输过程中完成业务处理。从计算和网络的角度该空基云雾网络架构可以被视为卫星雾层和地面云层两部分。

卫星雾层由具有一定计算能力的低轨通信卫星集群组成，能够为沙漠、海洋、高空等区域的用户提供高速的信息服务。为了保证信息服务质量，当业务请求到达发起卫星后，业务被调度到不同的卫星上协同计算，并将处理结果直接传给目标用户。地面云层由高性能服务器组成，通过地面站与卫星雾层相连，对卫星雾层进行监控和管理，包括网络资源调度、星间链路状态监控、接入用户信息管理等。此外，为了实现星间协同计算，地面云层需要根据卫星雾层网络资源状态、业务图模型等信息，在业务请求到达发起卫星前，预先规划业务调度方案，并将调度指令缓存到相应的通信卫星。

其中，随着业务模式的改变，爆发出灵活多样的用户需求，因此，新型信息业务的处理过程往往复杂多变，难以用统一的单业务表示。为了更好的处理新型信息业务，研究者们通常将其划分为多个可单独执行且不可分割的业务请求，并按照业务请求间的相互依赖关系建立有向无环图(directedacyclicgraph,dag)模型。加权时间扩展图(weightedtimeextensiongraph，wteg)模型将leo-scn动态拓扑转化为高维稳态图，完整的表征了任意时刻网络的连通情况，能够分析网络的最短路由和最大容量且分别为时隙内和时隙间的边设计时延权重参数，用于星间协同计算方案的时延性能分析。

如图2所示，本发明实施例提供的基于通信卫星间协同计算的业务请求分配方法包括以下步骤：

s101，根据预设的基于业务请求的有向无环图dag及基于低轨通信卫星网络的加权时间扩展图wteg之间的映射规则，生成业务请求对应的多个映射结果；

s102，根据二值粒子群优化算法，从多个映射结果中获取最优的映射结果；

s103，根据映射结果，将业务请求分配至各个通信卫星。

可选地，该映射规则的创建过程包括：

采用表达式φ＝(ω,γ)作为有向无环图dag的数学模型，其中，ω＝{ω1,...,ωl}为业务请求节点集合，构成数学模型φ的业务请求集群；γ为边集合，表示业务请求间的依赖关系；φ为单起点、单终点的数学模型，即ω1为业务请求起点，ωl为业务请求终点，其余为中间业务请求节点；其中，业务请求ωi由元组{εi,ηi,di}表征，其中，εi为计算复杂度系数，表征执行业务请求ωi耗费计算资源的程度；ηi为数据缩放因子参数，反映执行业务请求ωi过程中对输入数据量放大与缩小的过程；di表示ωi的输入数据量，定义θ↑(ωi)＝{ωj|(ωj,ωi)∈γ}表示业务请求ωi的先驱节点集合，则di可通过式求得，其中，dj和ηj属于表征服务功能ωj的元组；

采用表达式n＝(n^t,e^t,graph)作为加权时间扩展图wteg的数学模型，其中，n^t为加权时间扩展图wteg的节点集合，e^t为加权时间扩展图wteg的边集合，graph为加权时间扩展图wteg的时延权重组合矩阵，其中，表示相邻时隙q与q+1间所有边的权重，表示时隙q内所有边的权重；

制定ω至n^t的映射规则，包括：

根据表达式将业务请求起点映射至业务请求发起通信卫星，将业务请求终点映射至结果接收通信卫星；将中间业务请求节点映射至任意通信卫星，由于业务请求之间不可分割，故每个业务请求都需要分配到单颗低轨通信卫星上计算，但受计算过程影响，存在业务请求被缓存到下一时隙的现象，此时业务请求经过虚拟缓存链路到达下一时隙的副本节点，因此，任意业务请求ωi∈ω会被映射至n^t中同一通信卫星的ρi+1个副本节点，ρi为自然数，ρi为由业务请求ωi计算引起的跨时隙数目；

制定γ至p的映射规则，包括：

根据表达式z((ωi,ωj))＝path(b(ωi)e,b(ωj)s)，将有向无环图dag任意边映射为加权时间扩展图wteg节点集合b(ωi)中最后一个节点b(ωi)e到加权时间扩展图wteg节点集合b(ωj)第一个节点b(ωj)s之间的最短路由用path(b(ωi)e,b(ωj)s)表示，路由中包含的边序列即为边(ωi,ωj)的映射结果，其中，鉴于低轨通信卫星网络的动态特性，加权时间扩展图wteg的部分节点之间无连通路由，因此，(ωi,ωj)的映射需满足表达式

作为一个具体的实施例，图3a为dag模型示意图，图3b为wteg模型示意图，图3c为dag模型映射至wteg模型过程示意图，dag被映射到wteg中3个连续的时隙上。其中，节点ω1、ω2、ω3及ω5分别被映射到单个网络节点及而节点ω4受计算过程的影响，在相邻两个时隙的节点进行计算，故被映射到节点集合同时，边映射结果分别为：

及由此可得，dag在wteg上的映射结果与dag是异构的，dag节点和边的数目在映射过程中都可能改变。

可选地，根据二值粒子群优化算法，求解表达式t(x)的最小值，得到多个映射结果中最优的映射结果包括：

假设粒子群规模为u，同时i表示群体最大迭代次数，则第i次迭代过程中第u个粒子的位置和速度表达式分别如式(1)及式(2)所示：

式(1)中，式(2)中，当i<i时，粒子u首先通过跟踪其历史最优位置pubest和整个粒子群的历史最优位置gbest更新其速度，如式(3)所示，

其中，μ为惯性权重，γ1、γ2为加速因子，β1、β2为均匀分布于区间[0,1]的随机数；随后跟踪速度方向按照式(4)更新其位置，

式(4)中，表示数值向上取整运算，表示两个矩阵的元素之间的置换操作,具体过程是找出中数值最大的元素索引作为待置换位置，根据式的约束条件s.t.计算中与待置换位置进行置换操作的元素索引，完成置换操作，通过式计算其适应度值；

将适应度值定义为当前粒子映射结果的业务请求处理总时延，将表达式分为最后一项业务请求的计算时延和前项业务请求的累积处理时延运用递归原理，最终计算得到粒子的适应度值，即多个映射结果中最优的映射结果，其中，表示ωi在加权时间扩展图wteg中映射的最后一个节点，表示ωl在加权时间扩展图wteg中映射的第一个节点，t(x)为业务请求处理总时延。

其中，为了最小化业务处理时延，基于上述过程生成的映射规则，本发明以业务处理时延为优化目标构建理论优化问题，求解时延最优的星间协同计算方案。为了便于描述又不失一般性，本发明忽略业务请求由用户至发起卫星及业务处理结果由接收卫星至用户的过程带来的时延。

对于有向无环图dag，其进行到节点ωi∈γ的处理时延可由式(5)表示，

t(ωi)＝tcomp(ωi)+taccu(ωi)(5)

其中，tcomp(ωi)表示ωi的计算时延，如式(6)所示，其中表示节点b(ωi)s的计算能力；

taccu(ωi)表示φ进行到ωi时的累积时延，为ωi所有前向节点的处理时延加上由前向节点转发所需数据量至ωi的传输时延的最大值，故ωi的累积时延taccu(ωi)如式(7)所示。

其中为最短路由z((ωj,ωi))传输单位数据量的时延，由式(6)式及(7)可知，式(5)也可以通过式(8)表示。

因此，φ的业务处理时延如式(9)所示。

对于相同的dag与wteg，存在多个映射结果同时上述映射规则。而不同的映射结果会经过图n中不同的边和节点进行传输和计算，导致不同的业务处理时延，因此，最小化业务请求处理时延就是寻找时延最低的映射结果。对于任意的图φ与图n，任一个映射结果都可以由一个l行n×d列的决策矩阵x唯一确定，决策矩阵x如式(10)所示。

其中，表示节点ωi是否被映射到节点如式(11)所示。当时，节点ωi被映射至节点反之，当时，节点ωi不被映射至节点

此外，ωi被映射到wteg中ρi+1个节点，所以ωi在wteg中的映射还应满足式(12)所示条件。

由式(9)至式(12)可得，某个映射结果的业务处理时延可用式(13)表示，其中，表示ωi在图n中映射的最后一个节点，表示ωl在图n中映射的第一个节点。

为了验证本发明实施例提供的基于通信卫星间协同计算的业务请求分配方法的优越性，下面提供三组对比仿真实验，验证在leo-scn中业务图驱动的协同计算方案的时延性能。首先，对比星间协同计算与地面云计算的业务处理时延，随后，分析计算复杂度系数变化对业务处理时延的影响，最后，比较通信卫星间协同计算对不同数据缩放因子组合业务的承载能力。

仿真平台采用matlab仿真软件，实验室计算机cpu为i5-7400，内存为24gb。仿真设计了一个局部的12星leo-scn，低轨通信卫星均匀分布在高度大约500km的4个轨道，轨道倾角都为90°，且任意轨道都与其相邻轨道反向。考虑到太空中即将部署数万颗leo卫星，彼时leo-scn拓扑切换将十分频繁，所以时隙时长设为100ms，并且leo卫星的初始相位被设置在拓扑切换的临界点。不失一般性，假设业务在初始时刻到达接入卫星，此时leo-scn前3时隙的wteg模型如图4所示。leo-scn系统参数设置如表1所示，bsc为星地链路带宽，ρc为地面云服务器计算能力。基于表1给出的参数值，星间设计速率r^*设定为1000mbps。此外，仿真采用业务φ的dag如图3a所示，且对于εi＝1900/8cycles/bit且ηi＝1，二值粒子群优化算法的基本参数为：种群规模u＝100，最大迭代次数i＝50，加速因子r1＝r2＝1，惯性权重μ＝1.5。

表1

下面分别测试星间协同计算与地面云计算的业务处理时延并进行比较：

如图5所示，结果表明，一方面，星间协同计算的时延性能始终优于地面云计算，这是由于地面云计算模式中，星地链路远距离数据传输会带来超高的传输时延，然而星间协同计算将业务调度到多颗卫星上执行，有效地避免了星地远距离传输；另一方面，两者的差距呈现出愈来愈大的趋势，这是因为在数据量较小时，地面云服务器的计算能力可以弥补传输时延造成的损失，但是随着数据量不断增加，传输时延的影响愈发明显。具体而言，当数据量较小，如1mb时，星间协同计算与地面云计算的业务处理时延分别为18.38ms和44.75ms，此时两者的时延差仅为26.37ms。随着数据量由1mb增加至5mb，星间协同计算的业务处理时延平均增速为18.37ms/mb，计算时延增速稍高于传输时延增速，两者分别为11.87ms/mb和6.5ms/mb；相反地，地面云计算的业务处理时延增速一直居高不下，稳定在44.75ms/mb，其中传输时延增速高达40ms/mb，占处理总时延的\89.4％，是处理时延增速居高不下的主要原因。当数据量增至5mb时，两者的处理时延分别为91.87ms和223.75ms，两者的时延差已增至131.88ms。此时，相比地面云计算，星间协同计算将时延性能提高了58.9％。因此，星间协同计算方法更适应新型信息业务的低时延需求。

下面讨论计算复杂度系数对业务处理时延的影响：

以业务请求φ为例，当其计算复杂度从0.2εi增加到1.8εi时，业务处理时延的变化趋势如图6所示。由图6可知，若数据量一定，随着计算复杂度升高，业务处理时延逐渐增加。而且，业务处理时延的增加在不同数据量约束下呈现两种趋势。当数据量为1mb时，随着计算复杂度由0.2εi升高到1.8εi，业务总时延由6.4ms平缓增加至27.9ms。这是因为随着计算复杂度升高，业务的计算时延相应升高引起业务处理时延相应增加；然而，当数据量为5mb时，随着计算复杂度升高，业务总时延由50.9ms跳跃式增加至152.3ms。特别是，业务处理时延在复杂度为1.4εi时由98.8ms跳跃式增加至125.5ms。这是因为当计算复杂度增加到为1.4εi时，由于计算时延增长，φ不能在原本的时隙完成，数据需要通过虚拟缓存链路到达下一时隙，此缓存过程导致传输时延显著增加，最终，业务处理时延出现跳跃式增长。

下面比较星间协同计算对不同数据缩放因子组合业务的承载能力：

不同服务功能会基于其特性，按照一定的比率放大或缩小所经过的业务数据量，本节采用2、1、0.5三组缩放因子值设计仿真。如图3a所示的节点集合可以被划分为前排节点(ω1,ω2)和后排节点(ω3,ω4,ω5)，则按照不同的数据缩放因子组合，业务可以被分为前缩后放型和前放后缩型。仿真设计了4种业务φ1,φ2,φ3,φ4与φ作对比，φ1,φ2,φ3,φ4的数据缩放因子组合分别设置为{0.5,1,1,1,2}、{2,1,1,1,0.5}、{1,1,0.5,2,1}及{1,1,2,0.5,1}，其中φ3及φ4为了讨论在并行业务分支上数据一缩一放的情况对业务处理时延的影响。仿真结果如图7所示。仿真结果表明，当数据量为5mb时，φ、φ1、φ2、φ3与φ4的业务处理时延分别为91.87ms、62.81ms、138.75ms、95.68ms和95.93ms。其中，φ1的业务处理时延最低，这是因为其在业务起点将数据量压缩为输入数据量的一半，使得后续过程所需处理的数据量减半。同理，由于业务起点将数据量放大为输入数据量的两倍，导致后续过程所需处理的数据量翻倍，所以φ2的业务处理时延最高。此外，φ3与φ4的业务处理时延相当且略高于φ的总时延。由式(7)可知，ω5的累积时延为ω3与ω4引起的累积时延的最大值，故当输入数据量和计算复杂度相等时，ω5的累积时延由数据缩放因子最大的分支决定。综上所述，星间协同计算方案在处理前缩后放型业务时更能发挥其性能优势，而且数据缩小因子更宜分布在dag主干节点。

下面分别测试几种经典算法(随机动态算法pick-kx、加权轮转算法wrr、贪婪负载均衡算法greedy-lb)的卫星间协同计算时延并与二值粒子群优化算法的时延进行比较，仿真结果如图8所示。结果表明，当数据量小于1mb时，四种算法的时延差别不明显，随着数据量不断增大，算法间的时延差异逐渐显现。例如，当数据量为5mb时，随机动态算法、加权轮转算法、贪婪负载均衡算法及二值粒子群优化算法算法的时延分别为181.50ms、155.37ms、141.25ms及91.87ms。这是因为随机动态算法算法在leo-scn中随机选取卫星进行映射，所以时延性能最差；加权轮转算法和贪婪负载均衡算法均以卫星的计算能力为依据选取卫星，所以其时延性能相差不大，且较pick-kx算法时延性能有所提升；bpso算法将链路传输速率和卫星计算能力联合考虑选取卫星，通过优化业务处理时延搜索最佳映射方案，故相比其他3种经典映射算法能更有效降低星间协作计算的业务处理时延。

本发明实施例提供的基于通信卫星间协同计算的业务请求分配方法，根据预设的基于业务请求的有向无环图dag及基于低轨通信卫星网络的加权时间扩展图wteg之间的映射规则，生成业务请求对应的多个映射结果，根据二值粒子群优化算法，从多个映射结果中获取最优的映射结果，根据映射结果，将业务请求分配至各个通信卫星，有效地降低了卫星间协作计算的业务请求处理时延。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。