一种面向水域船舶的边缘计算网络部署和资源管理方法

技术领域

本发明涉及无线通信技术领域，尤其涉及一种面向水域船舶的边缘计算网络部署和资源管理方法。

背景技术

目前水域中数据传输业务包括水文气象监测、海上应急通信系统需求、船舶航行预警、自动驾驶等。这些业务生成的数据需要高效可靠的通信能力和海量的计算资源。水域船舶用户执行上述业务时对无线通信网络的传输能力和服务器处理任务的计算能力提出了更高要求。在传统的面向水域的云计算架构中，由于水域船舶用户需要向岸边的云中心请求海事服务，网络架构灵活性较差，使其不能够适应复杂多变的水域环境。同时，在数据传输过程中，水域船舶用户到云中心的传输距离较远，路径损耗严重。船舶用户需要较高的发射功率将任务数据传输到云中心，导致多艘船舶用户传输信号之间的干扰较强、丢包率增高、传输时间较长等问题。使得传统的基于云中心架构不适用于水域场景。因此，亟需在云计算架构的基础上结合移动边缘计算技术，利用边缘网络的计算资源为水域船舶用户提供高效、灵活的计算服务。在边缘网络中，边缘服务器的部署对用户服务的性能影响较大，合理的部署边缘服务器为用户提供边缘资源可以有效减少数据传输时间和缓解网络拥塞，以确保用户的服务质量。然而在水域场景部署边缘服务器主要面临以下挑战：1)尽管水域表面面积广阔，但是波动的水面导致部署边缘服务器十分困难；2)由于边缘服务器设备需要定期维护和运营管理，例如故障排查、硬件维护等，进一步增加了部署难度；3)水域中的基础设施能源补给受限，边缘服务器部署在基础设施上的高能耗运行难以保障；4)船舶交通流会受到不同因素的影响，例如航运量的激增、恶劣天气(如雾霾、台风)，由此导致船舶交通流和业务需求发生动态变化，固定的网络拓扑难以实时调整。

智能船舶集成先进的信息技术、计算设备和自动化系统，能够在水域环境中自主完成多种类型的任务，具有机动性强、操作灵活便捷、自组织性等优点。智能船舶可作为移动边缘服务器按需部署，为水域船舶用户提供边缘计算服务。但是，单个智能船舶为水域船舶用户提供计算服务时往往会受到自身的计算能力和能量资源的限制。亟需多个智能船舶组成智能船舶编队作为边缘服务器，不仅能提高边缘计算资源，而且能够延长运行周期，为航道、锚地、灾区等海域提供分钟级、小时级、甚至天级的边缘计算服务。

综上所述，在边缘网络部署的相关研究中，尚缺乏高效的系统架构以及网络部署和资源管理的解决方法。因此，需要综合考虑水域环境的复杂性、船舶交通流和业务需求的动态性，同时，面临传统启发式算法、现存强化学习算法维度灾难和较高的计算复杂度的问题。

发明内容

本发明提供一种面向水域船舶的边缘计算网络部署和资源管理方法，以克服上述技术问题。

为了实现上述目的，本发明的技术方案是：

一种面向水域船舶的边缘计算网络部署和资源管理方法，包括以下步骤：

S1：建立智能船舶编队协作的边缘网络，并基于所述边缘网络联合优化智能船舶编队部署与船舶任务卸载决策，构建实现最小化任务处理期望响应时间的约束优化模型；

S2：根据所述边缘网络，基于深度确定性策略梯度的智能编队部署算法，确定智能船舶编队部署规则；

S3：根据所述边缘网络，基于交换匹配的资源管理算法，确定船舶任务卸载规则；

S4：根据所述智能船舶编队部署规则与船舶任务卸载规则进行迭代优化，获取最优的智能船舶编队部署与船舶任务卸载方案，使所述约束优化模型的任务处理期望响应时间最小。

进一步的，S1中所述建立智能船舶编队协作的边缘网络；具体包括以下步骤：

S11：定义N个智能船舶编队N＝{1,...,N}，M个船舶用户M＝{1,...,M}以及一个云中心；且所述智能船舶编队n包括多个智能船舶

其中，

S12：船舶m的船舶任务到智能船舶编队n或云中心的上行链路传输速率

其中，

S13：将所述船舶任务卸载到智能船舶编队n进行边缘计算或将船舶任务通过无线通信网络传输至云中心进行云计算，分别获取船舶任务端到端的响应时间；所述船舶任务端到端的响应时间包括上行链路传输时间、边缘网络下行链路传输时间、船舶任务计算时间；

所述船舶任务卸载到智能船舶编队n进行边缘计算，获取上行链路传输时间、下行链路传输时间、船舶任务计算时间，从而获得完成船舶m任务的响应时间，计算公式为

式中：

所述将船舶任务通过无线通信网络传输至云中心进行云计算，获取上行链路传输时间、边缘网络下行链路传输时间、船舶任务计算时间，从而获得完成船舶m任务的响应时间，计算公式为

式中：

进一步的，S1中所述构建实现最小化任务处理期望响应时间的约束优化模型；通过联合优化智能船舶编队部署

式中:C1表示船舶m的二进制卸载方式；C2表示限制每艘船舶任务只能卸载到一个智能船舶编队或云中心；C3表示限制智能船舶编队n提供的最大计算资源；C4表示限制智能船舶编队n部署位置范围，x

进一步的，S2中基于深度确定性策略梯度的智能编队部署算法，确定智能船舶编队部署规则，具体为

S21：定义深度确定性策略梯度的智能编队部署算法的状态空间、动作空间以及奖励函数；

所述动作空间定义为

其中，

所述状态空间定义为S

其中，l

所述奖励函数定义为r

其中，T(S

S22：所述深度确定性策略梯度的智能编队部署算法的系统模型包括环境实体、演员家网络、评论家网络以及经验回放缓冲区；

所述环境实体包括基站、云中心、智能船舶编队以及船舶用户；

所述演员家网络包括在线演员家网络与目标演员家网络；所述评论家网络包括在线评论家网络与目标评论家网络；

S23：初始化环境实体的初始状态、在线演员家网络参数θ

S24：通过演员家网络，根据第t轮的状态S

式中：x

S25：将所述第t轮的状态S

S26：将所述训练子集输入至演员家网络与评论家网络进行训练；并根据所述在线评论家网络的动作值函数与目标评论家网络得到的动作值函数，获取损失函数；

基于梯度法，通过最优化损失函数更新在线评论家的网络参数；

所述在线评论家网络的损失函数L(θ

式中：ζ表示折扣系数，

通过确定性策略梯度更新在线演员家网络的参数，所述更新在线演员家网络的参数的表达式为

式中：

在完成在线评论家与在线演员家网络的参数更新后，通过软更新法更新目标演员家网络与目标评论家网络的网络参数；

所述软更新更新目标演员家网络和目标评论家网络参数的表达式分别为

重复执行S24至S25直至训练次数变量t等于训练次数标记T，本次迭代结束，进入到下一次迭代中，且当迭代次数变量τ等于终止迭代次数标记Γ时，则结束循环，获得智能船舶编队部署方案。

进一步的，S3中根据所述边缘网络基于交换匹配的资源管理算法，确定船舶任务卸载规则，包括以下步骤：

S31：定义智能船舶编队与船舶的关联关系σ，且所述关联关系σ的表达式为

式中：σ(m)表示船舶m最多与一个智能船舶编队关联；σ(n)表示智能船舶编队n关联船舶后承载的计算任务量不能超过其可提供的最大计算资源；

S32：分别构建船舶偏好列表与智能船舶编队偏好列表，且每艘船舶向所述船舶偏好列表中最偏好的智能船舶编队发出任务卸载请求指令，并根据智能船舶编队偏好列表与关联关系σ决定智能船舶编队是否能够接受某一船舶任务卸载请求；

若所述智能船舶编队接受船舶任务卸载请求指令满足式(16)，则所述智能船舶编队确认接受对应船舶的卸载任务；

若所述智能船舶编队接受船舶任务卸载请求指令不满足式(16)，则所述智能船舶编队不接受该船舶的卸载任务，且在该船舶的偏好列表中删除该智能船舶编队，然后执行S33；

S33：按照该船舶的偏好列表顺序向下一个智能船舶编队发送任务卸载请求指令，并重复执行S32；

S34：若船舶偏好列表中的所有智能船舶编队均拒绝了船舶任务卸载请求，将该船舶与云中心进行匹配，直至所有船舶完成与智能船舶编队或云中心的匹配，此时初始匹配阶段结束，开始执行交换匹配过程；

S35：将船舶阻塞对的概念定义为一对船舶(m,m′)；且m＝σ(n)和m′＝σ(n′)，将船舶m和m′关联的智能船舶编队互换且船舶任务的响应时间均降低，此时(m,m′)称为船舶阻塞对；

确认当前匹配方案是否存在船舶阻塞对(m,m′)，若所述当前匹配方案存在阻塞对，则对当前匹配方案进行交换匹配，并更新船舶与智能船舶编队的匹配方案；

且所述交换匹配的关联关系表示为

式中：(m,n)表示船舶m与智能船舶编队n匹配；(m′,n′)表示船舶m'与智能船舶编队n'匹配；(m,n′)表示船舶m与智能船舶编队n'匹配；(m′,n)表示船舶m'与智能船舶编队n匹配；

若所述当前匹配方案不存在阻塞对，则交换匹配过程终止，更新船舶任务卸载方案α

有益效果：本发明公开了一种面向水域船舶的边缘计算网络部署和资源管理方法，根据水域船舶用户的任务量和智能船舶编队的计算资源，提出结合基于深度确定性策略梯度的智能船舶编队部署算法和基于交换匹配的资源管理算法，设计智能船舶编队的部署和船舶任务卸载优化策略，且通过设计的智能船舶编队的部署和船舶任务卸载优化策略，可实现以下有益效果：

1、相比于现有的边缘网络部署方法，本发明有效缩短了任务的响应时间，降低算法的计算复杂度，实现算法高效可靠的运行；

2、本发明提供的方法能够为水域船舶用户提供高效、灵活的计算服务，进而提高水域船舶通航安全、海洋监管和应急能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明面向水域船舶的边缘计算网络部署和资源管理方法流程图；

图2为本实施例中智能船舶编队协作的边缘网络示意图；

图3为本实施例中基于深度确定性策略梯度的智能船舶编队部署算法的框架图；

图4为本实施例中智能船舶编队部署算法收敛性的对比分析图；

图5为本实施例中不同场景规模中智能船舶编队数量对期望响应时间对比图；

图6为本实施例中不同场景规模中智能船舶编队数量对船舶编队部署算法收敛性影响的对比分析图；

图7为本实施例中智能船舶编队数量对期望响应时间的影响的对比分析图；

图8为本实施例中三个智能船舶编队部署的结果图；

图9为本实施例中五个智能船舶编队部署的结果图；

图10为本实施例中船舶数量对期望响应时间的影响的对比分析图；

图11为本实施例中船舶数量对船舶与智能船舶编队关联百分比的影响的对比分析图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

本实施例提供了一种面向水域船舶的边缘计算网络部署和资源管理方法，如图1所示，如图1所示，包括以下步骤：

S1：建立智能船舶编队协作的边缘网络，并基于所述边缘网络联合优化智能船舶编队部署与船舶任务卸载决策，构建实现最小化任务处理期望响应时间的约束优化模型；

S2：根据所述边缘网络，基于深度确定性策略梯度的智能编队部署算法，确定智能船舶编队部署规则；

S3：根据所述边缘网络，基于交换匹配的资源管理算法，确定船舶任务卸载规则；

S4：根据所述智能船舶编队部署规则与船舶任务卸载规则进行迭代优化，获取最优的智能船舶编队部署与船舶任务卸载方案，使所述约束优化模型的任务处理期望响应时间最小。

本发明通过建立智能船舶编队协作的边缘网络，基于深度确定性策略梯度的智能船舶编队部署算法，确定智能船舶编队部署方案；在智能船舶编队部署策略确定的基础上，根据自身计算资源状态和水域船舶用户的任务量，基于交换匹配的资源管理算法，确定船舶任务卸载方案；提出结合基于深度确定性策略梯度的智能船舶编队部署算法和基于交换匹配的资源管理算法，设计智能船舶编队部署和船舶任务卸载的迭代优化策略，最小化期望响应时间；有效缩短了任务的响应时间，为水域船舶用户提供高效、灵活的计算服务，进而提高水域船舶通航安全、海洋监管和应急能力。

在具体实施例中，如图2所示，S1中所述建立智能船舶编队协作的边缘网络；具体包括以下步骤：

S11：定义N个智能船舶编队N＝{1,...,N}，M个船舶用户M＝{1,...,M}以及一个云中心；且所述智能船舶编队n包括多个智能船舶

其中，

S12：在传输模型中，考虑到海水反射面和天线高度的影响，信道采用二射线信道传输模型，S12：船舶m的船舶任务到智能船舶编队n或云中心的上行链路传输速率

其中，

S13：船舶任务可以卸载到智能船舶编队进行边缘计算，也可以通过无线通信网络传输到与岸边云中心进行云计算，两种计算模式中船舶任务端到端的响应时间均为上行链路传输时间、下行链路传输时间和计算时间的总和。

将所述船舶任务卸载到智能船舶编队n进行边缘计算或将船舶任务通过无线通信网络传输至云中心进行云计算，分别获取船舶任务端到端的响应时间；所述船舶任务端到端的响应时间包括上行链路传输时间、边缘网络下行链路传输时间、船舶任务计算时间；

所述船舶任务卸载到智能船舶编队n进行边缘计算，获取上行链路传输时间、下行链路传输时间、船舶任务计算时间，从而获得完成船舶m任务的响应时间，具体为

边缘计算中，智能船舶m任务卸载到智能船舶编队n进行边缘计算时

智能船舶m任务在智能船舶编队n的计算时间为：

智能船舶m任务在智能船舶编队n处进行边缘计算，完成船舶m任务的响应时间为

式中：

当智能船舶编队没有可用的计算资源承载船舶的计算任务时，则需要将船舶任务传输到岸边云中心进行计算，所述将船舶任务通过无线通信网络传输至云中心进行云计算，获取上行链路传输时间、边缘网络下行链路传输时间、船舶任务计算时间，从而获得完成船舶m任务的响应时间，具体为

智能船舶m任务传输到云中心进行云计算时，上行链路传输时间和下行链路传输时间分别为：

智能船舶m任务在云中心的计算时间为：

智能船舶m任务在云中心处进行云计算，完成船舶m任务的响应时间为：

式中：

在具体实施例中，智能船舶编队部署和船舶任务卸载的优化策略，目标是最小化期望响应时间；S1中所述构建实现最小化任务处理期望响应时间的约束优化模型，通过联合优化智能船舶编队部署

式中:C1表示船舶m的二进制卸载方式；C2表示限制每艘船舶任务只能卸载到一个智能船舶编队或云中心；C3表示限制智能船舶编队n提供的最大计算资源；C4表示限制智能船舶编队n部署位置范围，T表示任务处理期望响应时间；x

在具体实施例中，S2中基于深度确定性策略梯度的智能编队部署算法，确定智能船舶编队部署规则，设计一个基于深度确定性策略梯度的智能船舶编队部署算法，确定智能船舶编队部署方案；并在基于深度确定性策略梯度的智能船舶编队部署算法中，分别定义状态空间、动作空间和奖励函数，具体为

S21：定义深度确定性策略梯度的智能编队部署算法的状态空间、动作空间以及奖励函数；

所述动作空间定义为

其中，

所述状态空间定义为S

其中，l

所述奖励函数定义为r

其中，T(S

S22：所述深度确定性策略梯度的智能编队部署算法的系统模型包括环境实体、演员家网络、评论家网络以及经验回放缓冲区；

所述环境实体包括基站、云中心、智能船舶编队以及船舶用户；

所述演员家网络包括在线演员家网络与目标演员家网络；所述评论家网络包括在线评论家网络与目标评论家网络；

S23：初始化环境实体的初始状态、在线演员家网络参数θ

S24：通过演员家网络，根据第t轮的状态S

式中：x

S25：将所述第t轮的状态S

S26：将所述训练子集输入至演员家网络与评论家网络进行训练；并根据所述在线评论家网络的动作值函数与目标评论家网络得到的动作值函数，获取损失函数；

基于梯度法，通过最优化损失函数更新在线评论家的网络参数；

所述在线评论家网络的损失函数L(θ

式中：ζ表示折扣系数，

通过确定性策略梯度更新在线演员家网络的参数，所述更新在线演员家网络的参数的表达式为

式中：

在完成在线评论家与在线演员家网络的参数更新后，通过软更新法更新目标演员家网络与目标评论家网络的网络参数；

所述软更新更新目标演员家网络和目标评论家网络参数的表达式分别为

重复执行S24至S25直至训练次数变量t等于训练次数标记T，本次迭代结束，进入到下一次迭代中，且当迭代次数变量τ等于终止迭代次数标记Γ时，则结束循环，获得智能船舶编队部署方案。

如图3所示，具体步骤如下：(1)初始化在线演员家和评论家网络参数、目标演员家和评论家网络参数以及经验回放缓冲区容量R，初始化环境获取初始状态信息，设置训练次数变量t用于搜索智能船舶编队部署位置，设置终止标记Γ；(2)在第t轮训练，智能体根据当前状态S

即

在具体实施例中，在智能船舶编队部署策略确定的基础上，基于交换匹配的资源管理算法，确定船舶任务卸载方案，将其作为基于深度确定性策略梯度的智能船舶部署算法中的状态信息；S3中根据所述边缘网络基于交换匹配的资源管理算法，确定船舶任务卸载规则，包括以下步骤：

S31：定义智能船舶编队与船舶的关联关系σ，且所述关联关系σ的表达式为

式中：σ(m)表示船舶m最多与一个智能船舶编队关联；σ(n)表示智能船舶编队n关联船舶后承载的计算任务需求不能超过其可提供的最大计算资源；

S32：分别构建船舶偏好列表与智能船舶编队偏好列表，其中所述偏好列表的构建方法为现有公知技术手段，在此不再赘述；且每艘船舶向所述船舶偏好列表中最偏好的智能船舶编队发出任务卸载请求指令，并根据智能船舶编队偏好列表与关联关系σ决定智能船舶编队是否能够接受某一船舶任务卸载请求；

若所述智能船舶编队接受船舶任务卸载请求指令满足公式(16)，则所述智能船舶编队确认接受对应船舶的卸载任务；

若所述智能船舶编队接受船舶任务卸载请求指令不满足公式(16)，则所述智能船舶编队不接受该船舶的卸载任务，且在该船舶的偏好列表中删除该智能船舶编队，然后执行S33；

S33：按照该船舶的偏好列表顺序向下一个智能船舶编队发送任务卸载请求指令，并重复执行S32；

S34：若船舶偏好列表中的所有智能船舶编队均拒绝了船舶任务卸载请求，将该船舶与云中心进行匹配，直至所有船舶完成与智能船舶编队或云中心的匹配，此时初始匹配阶段结束，开始执行交换匹配过程；

S35：将船舶阻塞对的概念定义为一对船舶(m,m′)；且m＝σ(n)和m′＝σ(n′)，将船舶m和m′关联的智能船舶编队互换且船舶任务的响应时间均降低，此时(m,m′)称为船舶阻塞对；

确认当前匹配方案是否存在船舶阻塞对(m,m′)，若所述当前匹配方案存在阻塞对，则对当前匹配方案进行交换匹配，并更新船舶与智能船舶编队的匹配方案；

且所述交换匹配的关联关系表示为

式中：(m,n)表示船舶m与智能船舶编队n匹配；(m′,n′)表示船舶m'与智能船舶编队n'匹配；(m,n′)表示船舶m与智能船舶编队n'匹配；(m′,n)表示船舶m'与智能船舶编队n匹配；

若所述当前匹配方案不存在阻塞对，则交换匹配过程终止，更新船舶任务卸载方案α

仿真实验：

提出结合基于深度确定性策略梯度的智能船舶编队部署算法和基于交换匹配的资源管理算法，设计智能船舶编队部署和船舶任务卸载的优化策略，最小化期望响应时间。通过仿真实验对本发明的应用效果作详细的描述。同时考虑另外三种方案作为基准方案与本发明提出的方法进行比较。

(1)对比方案1：该方案在解决智能船舶编队部署问题中采用深度Q网络算法，即智能船舶编队的位置搜索动作空间离散化，在第t轮训练中，智能船舶编队搜索角度的动作离散为

(2)对比方案2：该方案基于深度确定性策略算法训练智能船舶编队位置和船舶任务卸载。在第t轮训练中，动作空间表示为

(3)对比方案3：该方案基于遗传算法求解优化问题，将智能船舶编队位置和船舶任务卸载编码为一个染色体，即优化问题的解。期望响应时间为适应度函数，用于遗传算法中后代的生成以及求近似最优解。

仿真1：对比分明本发明所提算法的收敛性。从图4可以看出，所提方案在400次迭代后可以收敛，相比之下，对比方案2需要850次迭代才能收敛，且收敛后波动范围较大。因此，我们提出方案的性能明显优于对比方案2。

仿真2：对比分析不同场景规模中智能船舶编队对算法收敛性和期望响应时间的影响。图5中场景1的区域范围为5海里×5海里，场景1中有20艘船舶用户和10个智能船舶组成智能船舶编队，智能船舶编队数量分别是N∈{1,3,5,10}；场景2的区域范围为10海里×10海里，场景2中有30艘船舶用户和24艘智能船舶组成智能船舶编队，智能船舶编队数量分别是N∈{1,3,5,10}；如图5至图6所示，2种不同规模的仿真场景，每个智能船舶编队中的智能船舶数量对期望响应时间和算法收敛性的影响。场景1中，相比于1个、3个和5个智能船舶编队，10个智能船舶编队的期望响应时间分别降低12.8％、4.2％和2.1％；场景2中，相比于1个、3个和5个智能船舶编队，10个智能船舶编队的期望响应时间分别降低15.6％、5.5％和2.3％。从图6中可以看出，随着智能船舶编队数量的增加，算法的收敛速度逐渐降低。因此，结合算法复杂度和期望响应时间，我们将多个智能船舶组成智能船舶编队作为边缘服务器部署在水域范围内具有更好的性能优势。

仿真3：对比分析智能船舶编队数量对期望响应时间的影响。基于场景2进行仿真实验，在智能船舶总数量一定时，智能船舶编队数量分别为。从图7可以看出，所提方案的期望响应时间明显低于其他方案。这是因为，对比方案1所提出的深度Q网络中动作空间离散化导致智能船舶编队难以搜索到相对最优的部署位置；对比方案2的动作空间维度较大，导致维度灾难，增加动作探索难度，因此智能体很难找到最优的动作策略；对比方案3基于遗传算法求解，在搜索过程中容易陷入局部最优解。此外，从图7中可以看出，智能船舶编队数量从1个增加到3个时，期望响应时间明显下降。

仿真4：智能船舶编队部署的结果图。如图8至图9分别为3个智能船舶编队部署方案和5个智能船舶编队部署方案。结合仿真3呈现的结果，随着智能船舶编队数量的增加，期望响应时间下降。这些观测结果表明，随着智能船舶编队数量的增加，其部署位置分布在船舶附近，降低了船舶与智能船舶编队之间的传输时间。

仿真5：对比分析船舶数量对期望响应时间的影响。图10可以看出，随着船舶数量的增加，期望响应时间先缓慢增长后快速增长。这是因为，当船舶数量持续增加时，智能船舶编队作为边缘服务器的负载量逐渐饱和，部分船舶需要将其任务传输到远程云中心计算，增加了上行链路和下行链路的传输时间。

仿真6：对比分析船舶数量对船舶任务卸载到智能船舶编队百分比的影响。图11可以看出，随着船舶数量的增加，船舶任务卸载到智能船舶编队的百分比降低。当船舶数量小于25时，智能船舶编队作为边缘服务器有足够的资源承载船舶任务，船舶不需要将其任务传输到云中心进行计算；当船舶数量大于25时，边缘资源不足以承担所有船舶的计算任务，有部分船舶任务需要到云中心进行计算，因此仿真6更进一步的解释了仿真5结果出现的原因。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。