一种大模型计算任务卸载和语义编码优化方法及系统

技术领域

本发明涉及机器学习和无线通信技术领域，尤其涉及一种大模型计算任务卸载和语义编码优化方法及系统。

背景技术

随着人工智能与机器学习的迅速发展，大模型引起了研究人员的广泛关注。大模型是指具有大量参数和复杂结构的机器学习模型。这些模型可以应用于处理大规模的数据和复杂的问题。传统的机器学习模型，如逻辑回归、决策树、朴素贝叶斯等，规模较小，只能处理少量的数据。而深度学习模型则可以包含数百万个参数，处理海量数据。超大规模深度学习模型甚至可以达到百亿级别的参数，需要使用超级计算机进行训练。与传统模型相比，大模型处理大规模数据能力强。大模型可以处理海量数据，从而提高机器学习模型的准确性和泛化能力。此外，大模型处理复杂问题能力强。大模型具有更高的复杂度和更强的灵活性，可以处理更加复杂的问题。进一步地，大模型具有更高的准确率和性能。大模型具有更多的参数和更为复杂的结构，能够更加准确地表达数据分布和学习到更复杂的特征，从而提高模型的准确率和性能。随着5G技术迅速演进，越来越多的装置能够通过无线信道实现互联网连接，进一步推动了物联网(IoT)的崭露和扩展。在物联网网络中，每个设备透过互连技术与其他装置进行通讯，这为智能装置应用的发展(如虚拟现实、联网汽车和实时直播等)提供了有益支持。然而，由于这些智能应用所产生的大量数据，对核心网络的传输造成了繁重负荷。此外，绝大多数智能应用还牵涉到计算密集型任务，进一步增加了能源开销的负担。

为了助推智能装置应用的进展，移动边缘计算(MEC)被认定为一种革新性的计算模式。它允许智能装置将延迟敏感和能量密集型的大模型计算任务卸载至邻近的边缘服务器进行加速计算，以此来支持其性能。这种模式不仅有助于降低本地延迟和能耗，还有助于减轻核心网络的负担。具体而言，网络具备以下显著特征：就近计算使数据在产生地点即时进行处理，数据分析和处理在边缘设备和服务器上实现，从而快速产生有意义的结果。此外，MEC网络有助于减轻中心云计算压力，将一部分计算任务下放至边缘层。同时，它还强调数据安全性，特别是对于涉及隐私信息的应用，数据不必传输至远程云服务器，有助于提升整体安全性。MEC适用于广泛的应用场景，如物联网、智能城市、工业自动化、自动驾驶汽车等，为这些场景提供高效、低延迟的计算解决方案。最终，MEC网络借助分布式计算的优势，将计算资源紧密靠拢至数据源，为各类实时应用和服务提供高效迅捷的解决方案。然而，受制于有限的带宽资源和大规模的数据量传输，MEC网络的性能呈现出受限的状况。

发明内容

为了解决上述技术问题，本发明实施例提供了一种大模型计算任务卸载和语义编码优化方法，通过对大模型计算任务卸载策略和语义编码策略进行优化，使得系统可以从大模型的高维任务中提取出低维语义信息以进行传输，降低了通信的时延和能耗开销，从而提升通信性能，支撑大模型的发展与应用。

本发明实施例的第一方面提供了一种大模型计算任务卸载和语义编码优化方法，所述方法包括：

接收用户端的大模型计算任务；

选择本地计算模式或边缘计算模式对大模型计算任务进行卸载，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗；

根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗；

根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略；

根据最优卸载策略得到最终带宽和算例资源量，并利用最优卸载策略对语义编码策略进行优化，得到最优语义率，以使系统根据最终带宽、算例资源量和最优语义率对大模型计算任务进行卸载和编码。

实施本实施例，接收用户端的大模型计算任务，选择本地计算模式或边缘计算模式对大模型计算任务进行卸载，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗，根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗，根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略，根据最优卸载策略得到最终带宽和算例资源量，并利用最优卸载策略对语义编码策略进行优化，得到最优语义率，以使系统根据最终带宽、算例资源量和最优语义率对大模型计算任务进行卸载和编码，本方法通过对大模型计算任务卸载策略和语义编码策略进行优化，使得系统可以从大模型的高维任务中提取出低维语义信息以进行传输，降低了通信的时延和能耗开销，从而提升通信性能，支撑大模型的发展与应用。

在第一方面的一种可能的实现方式中，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，具体为：

若选择本地计算模式对大模型计算任务进行卸载，则确定本地计算时延和本地计算能耗，本地计算时延的计算公式为：

式中，ω表示为一个神经网络的参数对应的比特数，∈表示计算每个比特所需的CPU频率，

本地计算能耗为：

式中，

本地计算能耗为：

式中，

在第一方面的一种可能的实现方式中，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗，具体为：

若选择边缘计算模式对大模型计算任务进行卸载，则确定边缘计算时延和边缘计算能耗，其中，边缘计算时延的计算公式为：

式中，

边缘计算能耗为0。

在第一方面的一种可能的实现方式中，根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，具体为：

获取用户传输时延，其中，用户传输时延的计算公式为：

式中，

根据本地计算时延、边缘计算时延和用户传输时延，得到各个网络的总体时延，其中，各个网络的总体时延的计算公式为：

式中，

根据各个网络的总体时延得到系统总体时延，其中，系统总体时延为：

式中，T表示系统总体时延，m表示第M个用户，

在第一方面的一种可能的实现方式中，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗，具体为：

获取用户传输能耗，其中，用户传输能耗的计算公式为：

式中，

根据本地计算能耗、边缘计算能耗和用户传输能耗得到各个网络的总体时延，其中，各个网络的总体时延的计算公式为：

式中，

根据各个网络的总体能耗得到系统总体能耗，其中，系统总体能耗为：

式中，E表示系统总体能耗，m表示第M个用户，

在第一方面的一种可能的实现方式中，根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略，具体为：

根据系统总体时延和系统总体能耗计算得到系统综合成本，其中，系统综合成本的计算公式为：

Φ＝ηT+(1-η)E

式中，Φ表示系统综合成本，T表示系统总体时延，E表示系统总体能耗，η∈[0，1]为评估系统时延和能耗的加权因子；

根据系统综合成本构建计算任务卸载模型，其中，计算任务卸载模型的目标函数和约束条件为：

式中，Φ表示系统综合成本，w

通过马尔科夫决策过程对计算任务卸载模型进行求解，得到最优卸载策略。

在第一方面的一种可能的实现方式中，根据最优卸载策略得到最终带宽和算例资源量，具体为：

利用预设公式对最优卸载策略进行计算，得到最终带宽和算例资源量，其中，预设公式为：

式中，S

在第一方面的一种可能的实现方式中，利用最优卸载策略对语义编码策略进行优化，得到最优语义率，具体为：

根据最优卸载策略和语义相似度，采用二分算法对语义率进行计算，得到最优语义率。

本发明实施例的第二方面提供了一种大模型计算任务卸载和语义编码优化系统，系统包括：

接收模块，用于接收用户端的大模型计算任务；

卸载模块，用于选择本地计算模式或边缘计算模式对大模型计算任务进行卸载，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗；

第一计算模块，用于根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗；

第二计算模块，用于根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略；

第三计算模块，用于根据最优卸载策略得到最终带宽和算例资源量，并利用最优卸载策略对语义编码策略进行优化，得到最优语义率，以使系统根据最终带宽、算例资源量和最优语义率对大模型计算任务进行卸载和编码。

在第二方面的一种可能的实现方式中，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，具体为：

若选择本地计算模式对大模型计算任务进行卸载，则确定本地计算时延和本地计算能耗，本地计算时延的计算公式为：

式中，ω表示为一个神经网络的参数对应的比特数，∈表示计算每个比特所需的CPU频率，

本地计算能耗为：

式中，

附图说明

图1：为本发明提供的大模型计算任务卸载和语义编码优化方法一种实施例的流程示意图；

图2：为本发明提供的大模型计算任务卸载和语义编码优化方法一种实施例的面向语义授权的BMC网络模型系统示意图；

图3：为本发明提供的大模型计算任务卸载和语义编码优化方法一种实施例的结合强化学习和二分法算法的性能收敛示意图；

图4：为本发明提供的大模型计算任务卸载和语义编码优化方法一种实施例的所提出的当加权因子不同，其他参数条件一致下时本优化策略算法与其他策略的系统成本对比示意图；

图5：为本发明提供的大模型计算任务卸载和语义编码优化方法一种实施例的所提出的当语义编码不同，其他参数条件一致下时本优化策略算法与其他策略的系统成本对比示意图；

图6：为本发明提供的大模型计算任务卸载和语义编码优化方法一种实施例的当发射端SNR不同，其他参数条件一致下时示意图本优化策略算法与其他策略的系统成本对比示意图；

图7：为本发明提供的大模型计算任务卸载和语义编码优化方法另一种实施例的系统结构示意图。

具体实施方式

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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

请参照图1，为本发明实施例提供的大模型计算任务卸载和语义编码优化方法的一种实施例的流程示意图，包括步骤S11～S15，各步骤具体如下：

S11、接收用户端的大模型计算任务。

在本实施例中，建立一个由M个用户和一个计算节点(CAP)组成的语义授权大模型计算网络(BMC)。语义网络部署一个著名的传输文传输语义通信框架(DeepSC)，其中DeepSC的编码器和解码器分别集成在用户端和CAP端，以实现语义通信。通过发射导频信号，系统估计出无线信道参数。同时，系统收集每个用户的任务大小，进而根据得到的信道参数和任务大小，采用深度强化学习得出每个用户大模型的卸载策略。同时根据每个用户大模型的卸载策略，通过二分法得出一个当前最优的语义编码策略。

部署一个著名的传输文传输语义通信框架(DeepSC)，其中DeepSC的编码器和解码器分别集成在用户端和CAP端，以达到数据压缩和实现任务高效传输效果，从而进一步降低传输时延和能耗，有力地支撑大模型的通信与计算。

描述的获取BMC网络参数。在本发明中，本发明旨在应对动态BMC需求，为了做出动态大模型的卸载策略，需要实时获取BMC的网络参数，如无线信道参数和用户大模型的任务量大小。

S12、选择本地计算模式或边缘计算模式对大模型计算任务进行卸载，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗。

在优选的实施例当中，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，具体为：

若选择本地计算模式对大模型计算任务进行卸载，则确定本地计算时延和本地计算能耗，本地计算时延的计算公式为：

式中，ω表示为一个神经网络的参数对应的比特数，∈表示计算每个比特所需的CPU频率，

本地计算能耗为：

式中，

在优选的实施例当中，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗，具体为：

若选择边缘计算模式对大模型计算任务进行卸载，则确定边缘计算时延和边缘计算能耗，其中，边缘计算时延的计算公式为：

式中，

边缘计算能耗为0。

在本实施例中，建立一个由M个用户和一个计算接入节点(CAP)组成的语义授权大模型计算网络(BMC)，用户集合可以表示

S13、根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗。

在优选的实施例当中，根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，具体为：

获取用户传输时延，其中，用户传输时延的计算公式为：

式中，

根据本地计算时延、边缘计算时延和用户传输时延，得到各个网络的总体时延，其中，各个网络的总体时延的计算公式为：

式中，

根据各个网络的总体时延得到系统总体时延，其中，系统总体时延为：

式中，T表示系统总体时延，m表示第M个用户，

在优选的实施例当中，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗，具体为：

获取用户传输能耗，其中，用户传输能耗的计算公式为：

式中，

根据本地计算能耗、边缘计算能耗和用户传输能耗得到各个网络的总体时延，其中，各个网络的总体时延的计算公式为：

式中，

根据各个网络的总体能耗得到系统总体能耗，其中，系统总体能耗为：

式中，E表示系统总体能耗，m表示第M个用户，

在本实施例中，定义用户m的传输时延和能耗为：

式中，

用户m可采取一个二元卸载方法，可以选择本地计算模式和边缘计算模式。当用户选择本地计算时，其本地计算时延为：

式中，ω表示为一个神经网络的参数对应的比特数，∈表示计算每个比特所需的CPU频率，

类似的，其本地计算能耗为：

式中，

当用户选择边缘计算模式时，大模型的任务是先进行传输到CAP端，然后再进行计算，那么CAP端计算的来自用户m的任务l

式中，

考虑到CAP有稳定的电源供给，其计算能耗被认为可以忽略不计。

通过总结以上两种计算情况，我们可以获得执行大模型计算任务l

式中，

类似的，我们可以得出执行大模型计算任务l

式中，

此外，对于语义感知的BMC网络，每个设备的任务是独立的，可以在CAP并行计算。因此，系统总体延迟和计算任务的能耗分别为：

式中，T表示系统总体时延，m表示第M个用户，

S14、根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略。

在优选的实施例当中，根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略，具体为：

根据系统总体时延和系统总体能耗计算得到系统综合成本，其中，系统综合成本的计算公式为：

Φ＝ηT+(1-η)E

式中，Φ表示系统综合成本，T表示系统总体时延，E表示系统总体能耗，η∈[0，1]为评估系统时延和能耗的加权因子；

根据系统综合成本构建计算任务卸载模型，其中，计算任务卸载模型的目标函数和约束条件为：

式中，Φ表示系统综合成本，w

通过马尔科夫决策过程对计算任务卸载模型进行求解，得到最优卸载策略。

在本实施例中，系统的延迟T和能耗E是评估BMC网络性能的关键参数。然而，仅考虑其中一个指标，无法完全展现系统性能的全貌。因此，将延迟和能耗这两个因素综合考虑，可以更全面地评估系统性能。而系统的综合成本可以被描述为：

Φ＝ηT+(1-η)E

式中，Φ表示系统综合成本，T表示系统总体时延，E表示系统总体能耗，η∈[0，1]为评估系统时延和能耗的加权因子；

同时，面向语义授权BMC系统，我们引入一个语义相似度阈值ψ

式中，Φ表示系统综合成本，w

由于P1是一个典型的混合整数非线性规划(MINLP)，传统的方法难以有效地解决这个MINLP问题。因此，该发明采取一种结合深度强化学习和二分搜索算法的策略来优化任务卸载和编码策略，同时平均分配算力和带宽资源。为此，该发明首先制定一个马尔科夫决策过程(MDP)以获得卸载策略。在当前的BMC环境中，智能体可以通过观察环境来做出动作，同时环境会给与智能体一个奖励，同时进入一个新的状态。智能体反复与环境交互，直到获取一个最优的卸载策略。具体来言，智能体可以观察的状态为：

s

式中，h

其中，ε为探索因子，φ为神经参数，Q(s，a)是一个近似于Q函数的网络，它描述为执行动作a后的累积奖励。当智能体执行了动作α

其中，τ

其中，ξ为折扣因子和

S15、根据最优卸载策略得到最终带宽和算例资源量，并利用最优卸载策略对语义编码策略进行优化，得到最优语义率，以使系统根据最终带宽、算例资源量和最优语义率对大模型计算任务进行卸载和编码。

在优选的实施例当中，根据最优卸载策略得到最终带宽和算例资源量，具体为：

利用预设公式对最优卸载策略进行计算，得到最终带宽和算例资源量，其中，预设公式为：

式中，S

在优选的实施例当中，利用最优卸载策略对语义编码策略进行优化，得到最优语义率，具体为：

根据最优卸载策略和语义相似度，采用二分算法对语义率进行计算，得到最优语义率。

在本实施例中，在获得卸载决策之后，我们继续优化语义编码策略，该语义授权BMC网络使用的语义率来评估传输容量，在考虑语义相似度的情况下，该语义率可以表示为：

其中，I是发送到CAP的每个神经网络中包含的语义信息的平均量，

此外γ

其中，

通过分析，保持带宽和SNRγ

二分法就是设定psi_m的搜索区间，将这个区间一分为二，看这两个子区间哪个符合语义率和psi_{th}的要求。将符合要求的子区间代替原来的曲线，实现搜索范围减半的功能。这个流程一直下去，每次搜索范围减半，直到搜索结果不再变化或者搜索空间足够小为止。

作为本实施例的一种举例，本实施记载了图2为发明而推荐的系统模型图，本发明过程中配置了1个CAP端和10个用户。每个用户和CAP均已集成语义编码器和解码器，以实现面向大模型训练的语义通信，具体步骤为：

步骤1：建立一个由M个用户和一个计算节点(CAP)组成的语义授权大模型计算网络(BMC)。语义网络部署一个著名的传输文传输语义通信框架(DeepSC)，其中DeepSC的编码器和解码器分别集成在用户端和CAP端，以实现语义通信；

步骤2：通过发射导频信号，系统估计出无线信道参数。同时，系统收集每个用户的任务大小；

步骤3：根据步骤2中的信道参数和任务大小，采用深度强化学习得出每个用户大模型的卸载策略。同时根据每个用户大模型的卸载策略，通过二分法得出一个当前最优的语义编码策略；

步骤4：重复步骤2中输出的无线信道参数和模型大小作为参数输入到步骤3中，当系统的时延和能耗加权收敛时，停止算法，同时输出最优策略。

然后，采用多种不同的任务卸载策略，对本发明算法进行验证和评估。此外，在仿真环境中，所有信道都经历瑞利平坦衰落，每个用户的信道的平均增益为1以及AWGN噪音功率为0.01W。如未详细说明，用户端发射功率为0.1W。用户m的任务深度神经网络数n

图3展示了所提出的结合强化学习和二分法算法的性能收敛图。由图2可以看出，所提出的算法在仅仅50个训练回合后就可以达到较好的收敛性能。

图4描述了在加权因子η不同，其他参数条件一致下，所提出的策略算法与其他策略的系统成本对比图。由图4可以看出，无论加权因子为η多少，所提出的策略算法都优于其他策略算法，这是因为所提出的算法可以动态地适应BMC网络的训练与计算，从而做出一个精准决策，以提高BMC系统整体性能。

图5在语义编码k

图6描述了发射端SNR不同，其他参数条件一致下，所提出的策略算法与其他策略的系统成本对比图。由图6可以看出，随着信噪比(SNR)的增加，各种任务卸载策略的整体成本都会减少。这是因为较高的SNR有助于提高传输速率，使得设备能够将更多任务上传到云边协作平台(CAP)，以充分利用其强大的计算资源。此外，所提出的策略算法都优于其他策略算法，这验证了所提出的算法有效性。

实施例二

相应地，参见图7，图7是本发明提供的一种大模型计算任务卸载和语义编码优化系统，如图所示，该大模型计算任务卸载和语义编码优化系统包括：

接收模块701，用于接收用户端的大模型计算任务；

卸载模块702，用于选择本地计算模式或边缘计算模式对大模型计算任务进行卸载，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗；

第一计算模块703，用于根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗；

第二计算模块704，用于根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略；

第三计算模块705，用于根据最优卸载策略得到最终带宽和算例资源量，并利用最优卸载策略对语义编码策略进行优化，得到最优语义率，以使系统根据最终带宽、算例资源量和最优语义率对大模型计算任务进行卸载和编码。

在优选的实施例当中，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，具体为：

若选择本地计算模式对大模型计算任务进行卸载，则确定本地计算时延和本地计算能耗，本地计算时延的计算公式为：

式中，ω表示为一个神经网络的参数对应的比特数，∈表示计算每个比特所需的CPU频率，

本地计算能耗为：

/>

式中，

本实施例更详细的工作原理和步骤流程可以但不限于参见实施例一的相关记载。

综上所述，实施本发明的实施例，具有如下有益效果：

接收用户端的大模型计算任务，选择本地计算模式或边缘计算模式对大模型计算任务进行卸载，若选择本地计算模式对大模型计算任务进行卸载，则得到本地计算时延和本地计算能耗，若选择边缘计算模式对大模型计算任务进行卸载，则得到边缘计算时延和边缘计算能耗，根据本地计算时延、边缘计算时延和用户传输时延，得到系统总体时延，根据本地计算能耗、边缘计算能耗和用户传输能耗得到系统总体能耗，根据系统总体时延和系统总体能耗计算得到系统综合成本，根据系统综合成本构建计算任务卸载模型后，对计算任务卸载模型进行求解，得到最优卸载策略，根据最优卸载策略得到最终带宽和算例资源量，并利用最优卸载策略对语义编码策略进行优化，得到最优语义率，以使系统根据最终带宽、算例资源量和最优语义率对大模型计算任务进行卸载和编码，本方法通过对大模型计算任务卸载策略和语义编码策略进行优化，使得系统可以从大模型的高维任务中提取出低维语义信息以进行传输，降低了通信的时延和能耗开销，从而提升通信性能，支撑大模型的发展与应用。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。