一种用于车载边缘计算系统的任务卸载方法

本发明涉及无线通信领域，尤其涉及车联网边缘计算任务卸载中的无线资源管理。

背景技术：

随着智能网联汽车技术的不断发展，海量低时延、大带宽、密集计算的车载应用随之产生。为满足这些异构业务需求，研究者们尝试将任务卸载到云服务器进行辅助计算，然而在现有网络架构下，业务流量需要流经整个接入网和核心网，通过基站、路由器等多重关键设备，由于传输距离远，即使无线侧的传输带宽得到提升，端到端传输仍然存在不可预知的拥塞，时延难以保证。在此基础上，研究者开始考虑在接入网边缘部署移动边缘计算(mobileedgecomputing,mec)服务器实现任务的辅助计算，同时降低业务的传输时延。

与此同时，部分研究者开始将目光转向利用静止或移动车辆的闲置计算资源进行辅助计算，提出车辆即资源或车载云计算的概念。如将静止车辆作为骨干为其他车辆、行人或购物中心的人员提供计算资源，同时移动车辆组成车载云为相邻车辆提供计算、存储资源。受限于车辆通信范围，可能出现任务车辆通信范围内不存在其他车辆的现象，导致无法实现车辆间的辅助计算。因此，协同上述两种辅助计算方式，在车载边缘计算系统实现任务卸载成为未来发展趋势。

部分研究人员对车载边缘计算系统的任务卸载进行了研究，然而在现有研究中任务卸载过程中总是将输入数据传输到服务节点而不考虑输入数据大小。当卸载数据非常大时，会消耗海量无线资源，同时卸载传输时间将成为瓶颈。

以自动驾驶中三维场景重建为例，该应用可拆分为多个任务，如图像获取、相机校正、相机位姿估计、深度估计、深度图融合、渲染。以相机位姿估计任务卸载为例，仅需要传输视频帧中关键点的坐标值到服务节点，输入数据量非常小；而在深度图融合任务卸载中，需要将原始高清视频帧传输给服务节点，由于视频数据量非常大，以分辨率7680*4320、色彩位数为12bit、每秒30帧相机为例，其数据量为11.9gbps，通过5g传输(上行峰值速率10gbps)大概需要消耗1.2秒，难以满足时延敏感任务需求。

随着各类车载应用的爆发式增长，不同应用的上行卸载数据量存在巨大差异。综上，需要设计新的任务卸载机制，使得系统可以根据输入数据量的不同自适应选择将输入数据传输给服务节点，或充分利用车载传感器实时地感知环境信息，实现感知通信融合的任务卸载，以保证无线传输时延，进而降低业务响应时延。

技术实现要素：

本发明针对上述问题，根据本发明的第一方面，提出一种用于车载边缘计算系统的任务卸载方法，所述车载边缘计算系统包括任务车辆tav、服务节点、路边单元rsu以及cu，所述服务节点包括mec和其他服务车辆，其中tav经由路边单元rsu与mec通信，所述方法包括：

步骤100：接收tav产生的任务描述，任务描述至少包括输入和/或输出数据大小、计算密度；

步骤200：根据所述任务描述以及任务车辆、服务车辆、rsu和mec的状态做出卸载决策以使最大的子任务响应时延最小化，其中卸载决策包括为每个服务节点分配的任务比例、无线带宽比例、以及每个服务节点的传输策略为数据传输还是指令传输；

步骤300：由tav根据卸载决策将用于所述多个子任务的输入数据或者计算指令传输给所述服务节点。

在本发明的一个实施例中，所述步骤200包括采用二分法和可行性检查的方法确定响应时延，所述二分法和可行性检查包括通过不断将可行响应时延范围减半，直至两次迭代中可行响应时延差值小于预定阈值。

在本发明的一个实施例中，所述步骤200包括：

将任意给定的任务分配比例和无线带宽比例下得到的响应时延作为上界值，将零作为下界，对二者取平均并验证该平均值是否为可行解；若为可行解则将该平均值作为上界值，否则该平均值作为下界值，并进行下一轮二分法验证，直至上界值与下界值之差小于预定阈值。

在本发明的一个实施例中，所述验证该平均值是否为可行解包括：当响应时延为所述平均值时，确定是否可以为每个服务节点分配无线带宽比例以使得每个服务节点的任务比例之和大于或等于1。

在本发明的一个实施例中，其中利用梯度投影法对每个服务节点分配无线带宽比例进行优化，以最大化任务比例之和。

在本发明的一个实施例中，所述利用梯度投影法对每个服务节点分配无线带宽比例进行优化包括：沿着使任务比例之和不断增加并收敛的方向，不断选择分配给每个服务节点的无线带宽比例值，直至任务比例之和不再增加，则达到了稳态点，此时选择的分配给每个服务节点的无线带宽比例，即为任务比例之和最大时的分配给每个服务节点的无线带宽比例。

在本发明的一个实施例中，还包括：

步骤400：服务节点接收输入数据，直接执行子任务计算；或者

服务节点接收计算指令，利用所述计算指令中包含的坐标值进行坐标变换，实现对其采集环境数据的预处理，然后利用处理后的数据执行子任务计算。

在本发明的一个实施例中，其中所述卸载决策从上述cu通过rsu传送给所述tav，所述cu和rsu缓存所述卸载决策。

根据本发明的第二方面，提供一种计算机可读存储介质，其中存储有一个或者多个计算机程序，所述计算机程序在被执行时用于实现本发明的用于车载边缘计算系统的任务卸载方法。

根据本发明的第三方面，提供一种计算系统，包括：存储装置、以及一个或者多个处理器；其中，所述存储装置用于存储一个或者多个计算机程序，所述计算机程序在被所述处理器执行时用于实现本发明的用于车载边缘计算系统的任务卸载方法。

相比传统的始终将输入数据传输给服务节点的任务卸载机制，即基于通信的卸载(communicationbasedoffloading,cbo)，和始终将指令传输给所有服务节点并由服务节点进行环境感知的任务卸载机制，即基于感知的卸载(sensingbasedoffloading,sbo)，在任何参数设置下，本发明所提出的流量感知的任务卸载(traffic-awaretaskoffloading,tato)机制始终可以实现最低的任务响应时延；同时，相比传统的cbo，当无线传输带宽为系统瓶颈时，本发明可有效降低业务响应时延42.8％。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了根据本发明实施例的感知通信融合的任务卸载机制场景示意图；

图2示出了根据本发明实施例tato机制子任务响应时延图；

图3示出了根据本发明实施例的二分法和可行性检查(binarysearchandfeasibilitycheck，bsfc)与穷举法的业务响应时延(overallresponsetime,ort)性能对比；

图4示出了不同机制下ort性能随坐标转换的计算密度变化趋势图；

图5示出了不同机制下ort性能随系统无线总带宽变化趋势。

具体实施方式

本专利所提出的流量感知的任务卸载机制场景如图1所示，考虑单向高速公路，道路上行驶的车辆具有计算、存储资源，同时安装有高清摄像头、激光雷达等传感器来实时感知环境信息。该系统包含一个集中式单元(centralizedunit,cu)和多个沿道路分布式部署的路边单元(roadsideunit,rsu)，rsu安装有高清摄像头等传感器，可以对环境信息进行采集。cu为全局控制中心且与mec服务器共址部署用于向计算密集型应用提供计算资源。rsu与cu之间通过高速有线前传链路fronthaul连接，因此rsu与mec也可以通过有线前传链路连接。在该网络中，仅考虑一个rsu，并且其覆盖范围内只有一个任务车辆(taskvehicle,tav)。tav通过车到车(vehicle-to-vehicle,v2v)通信与一辆或多辆服务车辆进行通信，并通过车到基础设施(vehicle-to-infrastructure,v2i)通信与网络进行通信。服务车辆和mec都是tav的服务节点sn(servingnode)。由于需要将不同的数据同时从tav发送到不同的服务节点，因此采用频分复用技术，通过正交的不同子载波分别发送不同数据，相互之间没有干扰。

本发明关注计算密集型和时延敏感型车载应用，且这些应用以环境信息为输入数据，如基于增强现实(augmentedreality,ar)、利用三维场景重建技术的自动驾驶。假设任务可以任意分割，每个子任务均为端无关且可以并行执行，因此该计算任务可以拆分为多个部分进行任务卸载。为尽快完成计算任务，tav将卸载一部分任务到其他服务车辆或mec服务器来进行辅助计算。基于mec服务器的状态、rsu的无线传输能力、各服务车辆上报的信息(包括位置、移动方向、移动速度、可用计算资源、无线信道状态等)，cu进行卸载决策并将决策发送给tav。

在任务从tav卸载到sn的过程中，有两种可能的传输过程：1)传统数据传输(datat)，即输入数据通过无线链路传输到sn，若sn是mec服务器，则需要将输入数据首先传输到rsu，然后通过有线前传链路将其中继到mec服务器；2)本发明提出的具有协调环境感知的指令传输(inst)，即通过无线链路将计算指令传输到sn，由sn采集自身感知到的环境数据，并利用这些数据执行子任务。

因此，根据本发明的一个实施例，提出一种基于感知通信的任务卸载机制tato(traffic-awaretaskoffloading)机制如下，当tav必须将其复杂的任务卸载到服务节点时，它会为每个sn自适应地选择datat或inst来最大程度地减少任务总体响应时延(overallresponsetime,ort)。当服务节点接收到计算指令时对其自身采集的环境信息进行预处理，作为输入数据。与现有始终将输入数据传输到所有服务节点不同，tato机制可以选择将输入数据传输到部分服务节点，同时将计算指令传输到其他服务节点。概括说来，本发明的任务卸载过程如下：

1.tav产生复杂计算任务并将任务描述经由rsu发送给cu，任务描述包括输入和/或输出数据大小、计算密度、qos需求等；

2.cu收到任务描述后，根据车辆、rsu和mec服务器的状态做出卸载决策以满足服务质量(qualityofservice,qos)需求，其中卸载决策包括为每个服务节点分配的任务比例、无线带宽比例以及每个服务节点的传输策略为datat还是inst；

3.cu将卸载决策经由rsu发送给tav，同时cu与rsu缓存卸载决策；

4.tav划分其任务并执行分配给自身的子任务；同时，根据卸载决策，tav传输输入数据到部分服务节点，传输计算指令到其他服务节点；

5.若服务节点收到输入数据，其直接执行子任务计算；若服务节点收到计算指令，则其首先利用指令中包含的坐标值进行坐标变换，实现对其采集环境数据的预处理，然后利用处理后的数据开始执行子任务计算；

6.计算完成后，各服务节点将结果回传到tav。

因此在inst中，若sn是mec服务器，则不需要从tav传输计算指令，只需要rsu通过有线链路将自身感知的环境数据发送到mec服务器。这是因为cu进行卸载决策并通过rsu中继到tav，cu和rsu可以缓存卸载决策，以感知和预处理相应的环境数据进而执行子任务。

根据本发明的一个实施例，通过任务分配比例与无线带宽比例的联合优化以最小化业务响应时延，将系统模型建模为无线带宽资源约束下最小化最大子任务响应时延。根据本发明的另一个实施例，进一步采用二分法和可行性检查(binarysearchandfeasibilitycheck，bsfc)来对系统模型进行优化求解。

本发明将任务响应时延作为目标函数，最大程度降低tav任务卸载到服务节点的总体响应时延ort。其中ort包括：1)任务描述的传输时间t^descrip，该时间取决于任务描述的大小以及无线和有线传输速率；2)制定卸载决策时间t^odm，该时间主要取决于所采用算法的复杂性；3)卸载决策传输时间t^odt，该时间取决于决策大小和传输速率；4)子任务上传时间，该时间取决于传输大小、传输速率和传输策略(即传输输入数据或传输计算指令)；5)子任务并行计算时间，该时间取决于子任务的比例、任务计算密度和每个服务节点的计算能力；6)子任务结果回传时间，该时间取决于子任务的输出大小和传输速率。

本发明旨在通过任务比例、无线带宽分配、传输策略的联合优化使整个任务的ort最小化。对于上述时间1)和时间3)，与输入数据大小相比，任务描述和卸载决策的数据量非常小，其传输时延可能在微秒级，可以忽略不计。对于上述时间2)可以通过设计具有较低复杂度的优化算法将决策时延减小到足够小，例如，利用本发明提出的bsfc算法，使用笔记本电脑(intelcorei5-10210ucpu)，该时间只有几毫秒，通过优化算法(例如并行执行)或使用高性能服务器，可以进一步降低该时间。因此，上述目标函数可以简化为最小化并行子任务的响应时延，该时间包括输入数据/计算指令传输时间，计算和结果回传时间，分别对应tato机制的步骤4-6。由于子任务是并行执行的，因此它们的响应时延如图2所示。

根据本发明的一个实施例，设tav表示为v0，服务节点表示为vn，n∈1，2，...，n+1，其中服务车辆表示为vn,n∈1,2,...,n，即集合n，mec服务器表示为vn+1。设任务输入数据量为sdata，计算指令大小为sinstr，输出数据量与输入数据量的比值为routput，任务计量密度为m(单位比特输入数据所需计算资源，与应用特性相关)。设xn,(xn∈[0,1])表示tav节点v0卸载到服务节点vn的计算任务比例，其满足约束条件设bn∈[0,1]表示系统分配的v0到vn的上行传输带宽比例，由于带宽很可能还需要用于传输其他信息，因此下面将分别介绍tav、服务车辆、mec服务器的子任务响应时延。

a.tav子任务响应时延

当子任务在tav节点进行计算时，输入输出传输时延均等于0，子任务响应时延t0等于计算时间，参见图2第1行tav的响应时延。设子任务计算过程中v0的cpu频率始终为f0，则子任务响应时延可以表示如下：

b.服务车辆子任务响应时延

在服务车辆执行子任务时，首先需要通过lte-v将输入数据或计算指令传输到该服务车辆，然后直接执行子任务或进行坐标转换后执行子任务，任务完成后将结果回传到tav。首先分析从v0到vn的时变无线传输速率

其中，btotal表示系统无线总带宽，bn∈[0,1]表示系统分配的v0到vn的上行传输带宽比例，pn、分别表示上行发射功率和噪声功率；为v0到vn的信道衰落因子，表示大尺度衰落，α为路损因子。dn(t)表示任务卸载过程v0到vn的时变距离，该距离随卸载时间、v0和vn的初始位置与移动速度而变化。假设道路是一维坐标轴，v0和vn的初始坐标分别为零和pn，移动速度分别为v0和vn，由于同一位置只允许一辆车，因此pn≠0。则dn(t)可表示为：

然而，由于本发明重点关注延迟敏感型应用，这些应用的总响应时延约为毫秒级(例如，自动驾驶的响应时延少于3毫秒)，高速公路上行驶的车辆行驶速度约为80-140公里每小时。由于tav和服务车辆行驶方向相同，他们的相对速度较低(以最大速度140km/h、最小速度80km/h为例，其相对速度为60km/h)。以20毫秒为例，任务卸载过程中tav和服务车辆的相对移动距离约为0.34米。由于最小的可能距离|pn|是几米到几十米(车辆长度和安全距离之和)，与之相比，车辆的相对移动距离可以忽略不计。因此，本发明假设v0和vn之间的距离是固定的，可表示如下：

dn＝|pn|,pn≠0,n∈n.(4)

输入数据上传到服务车辆vn的时间可表示如下：

其中，xnsdata表示传输给vn的输入数据量；

相比输入数据，计算指令数据量非常小，因此其传输时延可忽略。假设服务车辆一直在采集环境数据，其可以在接收到计算指令后立即执行坐标变换，转换时间取决于采集数据量的大小，可表示如下：

其中mtra表示坐标转换的计算密度，fn表示服务车辆vn的计算频率，并假设该频率在任务计算过程中保持恒定。

利用tato机制，每个车辆可以自由选择传输策略(datat或inst)，为最小化服务车辆vn的子任务响应时延，v0到vn的任务卸载时延可表示为datat和inst两者的较小值：

子任务在服务车辆vn的计算时延可表示如下：

子任务在服务车辆计算完成后，计算结果通过下行回传给tav。假设分配给结果回传的无线带宽与上传过程相同，服务车辆的发射功率为pn′，噪声功率为信道衰落因子为假设结果回传过程中vn到v0的无线传输速率恒定，表示为

则回传时间公式如下：

总的来说，服务车辆的子任务响应时延为：

图2中标注为sn1的行示出了采用datat的服务车辆的子任务响应时延的组成，而图2中标注为snn的行示出了采用inst的服务车辆的子任务响应时延的组成。

c.mec服务器子任务响应时延

在mec服务器上执行子任务时，其响应时延包含上传时间(无线和有线传输时间)、计算时间和结果回传时间。

假设上传过程中tav经由rsu0与mec通信，系统分配给rsu0的无线带宽比例为bn+1，发射功率为pn+1，噪声功率为信道衰落因子为从tav节点v0到rsu0的时变无线传输速率可表示如下：

其中dn+1(t)为v0到rsu0的时变距离，其与上传时间、tav的初始位置和移动速度相关，其表达式如下：

其中pn+1为rsu0的一维坐标值，d0为rsu0到道路中心线的距离，h0为rsu0的高度。特别的，以10毫秒和最高时速140km/h为例，tav在任务卸载过程中仅移动了0.39米。与d0(接近道路宽度，例如3米)和h0(几十到几百米)相比，移动距离对dn+1的影响很小。因此，在任务卸载过程中，可以将dn+1视为常量，表示如下：

无线传输速率可表示为：

当输入数据传输到mec服务器时，其传输时延为：

上式等号右侧第一项表示v0到rsu0的无线传输时间，第二项表示rsu0到mec服务器的有线传输时间。rwired表示有线传输速率，xn+1sdata表示传输到mec服务器的输入数据量。

接下来，分析rsu0采集环境数据情况下的时间。由于卸载决策已缓存在rsu0和mec服务器中，因此仅需要通过有线链路fronthaul将采集到的环境数据从rsu0传输到mec服务器，该传输时间可表示如下：

传输结束后，mec对环境数据进行预处理，即执行坐标转换，该时间为：

其中fn+1表示mec服务器的计算频率，假设其在子任务计算过程中保持不变；进一步的，实时感知环境信息场景下的上传时间为

类似服务车辆，利用tato机制，从v0到vn+1上传时间为datat和inst二者的较小值，可表示为：

得到子任务数据后，mec服务器开始执行子任务计算，其时延表示如下：

最后，mec服务器将其计算结果回传到tav。假设系统分配给结果回传的下行无线带宽与上传过程相同，rsu0的发射功率为pn′+1，噪声功率为信道衰落因子则从rsu0到v0的无线传输速率为：

结果的回传时间可表示为：

进一步的，子任务在mec服务器执行的响应时延可表示如下：

图2中标注为mec的行示出了mec的子任务响应时延的组成

由于子任务是并行执行的，因此本发明目标函数是使最大子任务响应时延最小化，即p1，其可表示如下：

约束条件c1保证分配给所有节点的任务比例之和等于1；约束条件c2保证分配给各节点的任务比例不超过1；约束条件c3保证分配给服务节点的无线带宽比例之和不超过1。

根据本发明的一个实施例，接下来采用二分法和可行性检查来优化求解。将任意给定的任务分配比例和无线带宽比例下得到的业务响应时延作为上界值，将零作为下界，对二者取平均并验证该平均值是否为可行解，即在该时间内是否可以完成所有子任务。若为可行解则将其作为上界值，原下界值不变，否则作为下界值，原上界值不变，并进行下一轮二分法验证，直至上界值与下界值小于预定阈值。

根据本发明的进一步实施例，所述求解过程如下：

步骤1：分析子任务响应时延tn(xn,bn)与任务比例xn、带宽比例bn之间的关系。对于任务车辆tav,t0(x0)仅取决于x0；对于服务车辆，由公式(5)(6)(7)(8)(9)(10)(11)，其子任务响应时延表示为

其中，均为常数。

对于mec服务器，由公式(15)(16)(17)(18)(19)(20)(21)(22)(23)其子任务响应时延表示为

其中

均为常数。

根据上述公式，各节点的子任务响应时延仅取决于分配的任务比例和带宽比例。给定无线带宽分配方案，则子任务响应时延tn,n＝0,1,...,n+1为任务比例的单调递增函数；同时，给定任务比例，则子任务响应时延tn,n＝0,1,...,n+1为带宽分配比例的单调递减函数。此外，固定任务比例和无线带宽比例，每个子任务的上传时间即datat和inst两种策略的较小值可以计算得出，进而得到任务的ort。

步骤2：二分法求解优化问题p1。给定tlower＝0，则二分法过程描述如下，令检查是否存在(x,b)使得优化问题p1的目标函数小于或等于t，即是否所有子任务可在t时间内完成。若存在，则令tupper＝t，否则令tlower＝t。重复上述过程直到tupper-tlower≤ε，其中ε为正容忍值。

步骤3：可行性检查。首先分析xn与bn的关系：对于给定t＞0，可得到唯一的给定t＞0及bn，由公式(24)可得到唯一的xn如下，

其中分别表示datat和inst策略下的任务比例。

对于mec服务器，给定t＞0及bn+1，由公式(25)可得到唯一的xn+1：

其中与分别表示datat和inst策略下的任务比例。

其次，将响应时延最小化问题转化为任务比例之和最大化问题，即p2，其表示如下

对于任意给定t＞0，存在可行解(x,b)使得优化问题p1的目标函数小于或等于t，当且仅当存在一个可行b使得优化问题p2的目标函数大于或等于1。因此，为检查给定t＞0是否为优化问题p1的可行解，可通过求解给定相同t＞0时的优化问题p2。

再次，根据本发明的另一实施例，提出修正梯度投影法gpm用于解决优化问题p2，即对无线带宽比例进行优化，以最大化任务比例之和。在传统gpm算法每一步迭代中，计算p2的梯度，沿梯度方向上升，并将该点投影到可行集上。特别地，定义表示在当前点bk上行选择传输数据的服务节点集合，表示在当前点bk上行选择传输指令并实时感知的服务节点集合，此时利用gpm算法解决替代问题p3，即：

当根据bk+1得到的集合与当前集合不同时，下述不等式恒成立

f(bk+1；t)≥fk+1(bk+1；t)≥fk(bk；t)＝f(bk；t)

即优化问题p2的目标函数值逐渐增加且不断收敛；其中第一个不等式表示fk(b；t)为f(b；t)的下界，第二个不等式表示在梯度投影中目标函数递增，等式是由于fk(b；t)的定义。当根据bk+1得到的集合与当前集合相同时，gpm返回的点为优化问题的稳态点，同时也是优化问题p2的稳态点。

特别地，优化问题p3目标函数的梯度可计算如下，对于服务车辆

对于mec服务器，

为验证本发明的有效性，发明人分别采用本发明提供的方法和现有技术的方法进行了仿真，具体如下。

参数设置：仿真中考虑单向单车道道路，其中rsu覆盖范围160米，1个任务车辆以及4个服务车辆随机分布在该rsu覆盖范围内。输入数据大小sdata为25mbits(一帧8k分辨率图像，分辨率为1920*1080、每像素12位)；任务计算密度主要取决于应用程序的性质，本示例将其设置为2640cpucycle/bit，输出与输入之比设为0.1以降低输出数据传输对ort的影响。每辆车的cpu频率在0.3*1012-0.6*1012cycle/s范围内随机选择，而mec服务器的cpu频率在1*1012-2*1012cycle/s范围内随机选择。系统无线总带宽设置为100mhz，即5gnr系统sub6ghz频段最大带宽；此外，根据ieee802.3标准，将rsu到cu的有线传输速率设置为100gbps。其它参数设置如表1：

表1仿真参数设置

对bsfc算法进行验证：仿真中首先选取了穷举法用于验证本发明bsfc算法的有效性，横坐标为任务比例和无线带宽比例的精度，纵坐标为业务响应时延。由图3可知，当bsfc中二分法容忍阈值较小时，bsfc算法的ort性能逼近穷举法，而其算法复杂度远小于穷举法。

对tato机制进行验证：引入两个对比机制用于验证所提tato机制的性能：1)传统任务卸载机制，任务车辆总是将输入数据上传到服务节点，即基于通信的卸载(communication-basedoffloading，cbo)；2)任务车辆总是将计算指令发送到所有服务车辆，服务车辆利用自身传感器感知的环境信息进行计算，即基于感知的卸载(sensing-basedoffloading，sbo)。不同机制下ort性能随mtra、系统无线总带宽变化趋势如图4、图5所示。

为使本领域任何普通技术人员能够实现或者使用本公开内容，上面围绕本公开内容进行了描述。对于本领域普通技术人员来说，对本公开内容进行各种修改是显而易见的，并且，本文定义的通用原理也可以在不脱离本公开内容的精神或保护范围的基础上适用于其它变型。此外，除非另外说明，否则任何方面和/或实施例的所有部分或一部分可以与任何其它方面和/或实施例的所有部分或一部分一起使用。因此，本公开内容并不限于本文所描述的例子和设计方案，而是与本文公开的原理和新颖性特征的最广范围相一致。