一种基于流量预测的周期性自适应汇聚的方法及系统

摘要

本发明属于光通信技术领域，提供了一种基于流量预测的周期性自适应汇聚方法及系统，所述方法具体为：接收当前结束的自适应周期内到达汇聚队列的业务总量，计算下一周期到达汇聚队列的业务总量的预测值；读取当前汇聚队列的长度，获取下一自适应周期的估计突发需求；根据预置的突发需求判决门限，预测下一自适应周期内所使用的汇聚队列的长度门限值，当汇聚队列的长度达到长度门限的预测值，或者在当前周期尚未突发过一次汇聚，则触发一次汇聚队列。利用本发明，提高了汇聚的自适应精度，并且增加了汇聚的灵活性，可以根据具体的需求选择最合适的自适应粒度，从而使产品的性价比最大化。

说明书

技术领域

本发明涉及光通信技术领域，尤其涉及一种基于流量预测的周期性自适应汇聚的方法及系统。

背景技术

OBS(Optical Burst Switching，光突发交换)是一种交换粒度介于OCS(Optical Circuit Switching，光路交换)和OPS(Optical Packet Switching，光分组交换)之间的交换技术。它比OCS更加灵活高效，能很好的支持突发性的分组业务，同时又降低了对光器件的要求，是下一代光网络的有效方案。OBS的核心思想是将控制信息与数据信息分离，以充分利用光纤的巨大带宽资源和电子控制的灵活性。数据以突发的形式在光域中传送和交换，而与突发一一对应的BHP(Burst Header Packet，突发头分组)也在光域中传送，只是在交换节点被转换到电域中进行处理。这就要求采用汇聚的方法来提高光域对数据的处理速度，以有效减轻交换节点电控单元的负担，并在一定程度上实现业务流量的整形和服务质量的区分。

在现有技术中，基于自适应长度门限的汇聚方法，参见图1，计时器从0开始计时，在计时值达到固定的时间门限T时，向汇聚触发单元发送一个超时信号；在收到汇聚触发单元的突发生成信号时，将其计时值清0，重新开始计时。队列长度监测模块负责实时监测汇聚队列的长度变化，在发现队列长度达到当前的长度门限L时，向汇聚触发单元发送一个长度门限触发信号。汇聚触发单元收到所述队列长度监测模块的所述长度门限触发信号或是所述计时器的所述超时信号时，向所述计时器和长度门限自适应模块发送一个突发生成信号；在收到长度门限自适应模块的响应信号时，将汇聚队列中的所有IP分组组装成一个突发送出。长度门限自适应模块在收到所述汇聚触发单元的所述突发生成信号时，从所述队列长度监测模块中读取当前队列的长度值，通过比较所述队列长度值和长度门限窗口的关系更新长度门限L，并将所述新门限L通告所述队列长度监测模块，然后向所述汇聚触发单元发送一个响应信号。

但是，基于自适应长度门限的汇聚方法，其自适应能力较弱。它通过比较实际突发长度和长度门限窗口的关系来定性地估计流量变化的趋势，这种简单的预测机制无法提供较为准确的流量大小信息，因而基于这种预测机制的汇聚方法也难以实现对长度门限的最优动态调整，即该方法虽然在一定程度上具有自适应性，但其自适应精度是非常有限的；并且基于自适应长度门限的汇聚方法总是以单个突发为基本单位来进行门限的自适应调整，其自适应粒度固定，缺乏灵活性。

发明内容

本发明要解决的技术问题是提供一种基于流量预测的周期性自适应汇聚的方法及系统，能够利用流量预测机制来指导汇聚门限的调整，以提高汇聚的自适应精度和灵活性。

为解决上述技术问题，本发明的目的是通过以下技术方案实现的：

一种基于流量预测的周期性自适应汇聚的方法，包括：

接收当前自适应周期内到达汇聚队列的业务总量，计算下一周期到达汇聚队列的业务总量的预测值；

读取当前时刻汇聚队列的长度，将所述当前时刻汇聚队列的长度与所述业务总量的预测值相加获取下一自适应周期的估计突发需求；

根据预置的突发需求判决门限和所述估计突发需求，预测下一自适应周期内汇聚队列的长度门限值，当下一自适应周期内汇聚队列的长度达到所述长度门限值，或者在当前周期尚未突发过一次汇聚，则触发一次汇聚。

本发明还提供了一种基于流量预测的周期性自适应汇聚的系统，包括：

流量统计单元，用于统计当前自适应周期内到达汇聚队列的业务总量，当接收到边缘汇聚单元发送的自适应周期结束信号时，将所述业务总量发送到流量预测单元；

流量预测单元，用于接收所述业务总量，对下一自适应周期内到达汇聚队列的业务总量进行预测，并将预测结果发送到边缘汇聚单元；

边缘汇聚单元，用于从流量预测单元接收到所述预测结果时，预测下一自适应周期内所使用的汇聚队列的长度门限值，当下一自适应周期内汇聚队列的长度达到所述长度门限制值，或者在当前周期尚未突发过一次汇聚，则触发一次汇聚。

以上技术方案可以看出，由于采用新的流量预测机制，接收当前结束的自适应周期内到达汇聚队列的业务总量，计算下一周期到达汇聚队列的业务总量的预测值，提高了汇聚的自适应精度，在满足突发长度变化的范围要求的同时降低汇聚时延的抖动；并且，利用当前汇聚队列的长度与所述下一自适应周其内到达汇聚队列的业务总量预测值，预测下一自适应周期内所使用的汇聚队列的长度门限值，当汇聚队列的长度达到长度门限的预测值，或者在当前周期尚未突发过一次汇聚，则触发一次汇聚，从而以自适应周期为单位对长度门限作自适应性调整，实现了突发汇聚中自适应粒度的可变性，增加了汇聚的灵活性。

附图说明

图1为现有技术的系统框图；

图2为本发明实施例的流程图；

图3为本发明长度门限与估计突发需求关系的示意图；

图4为本发明实施例的系统框图；

图5为本发明自适应非线性差分预测系统框图；

图6为本发明实际突发长度与负载率关系的仿真图；

图7为本发明汇聚时延与负载率关系的仿真图；

图8为本发明所提出的流量预测方法与NLMS算法在收敛速度上的性能对比仿真图；

图9为本发明所提出的流量预测方法与NLMS算法在不同Hurst参数下的相对预测误差对比仿真图；

图10为本发明所提出的流量预测方法与NLMS算法在不同负载率下的相对预测误差对比仿真图；

图11为本发明门限调整周期与汇聚时延抖动关系的仿真图。

具体实施方式

本发明实施例提供了一种基于流量预测的周期性自适应汇聚的方法及系统，为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

参见图2，为本发明实施例的流程图，具体如下：

201：接收当前自适应周期内到达汇聚队列的业务总量，计算下一周期到达汇聚队列的业务总量的预测值；

202：读取当前时刻汇聚队列的长度，将所述当前时刻汇聚队列的长度与所述下一周期到达汇聚队列的业务总量的预测值相加，获取下一自适应周期的估计突发需求；

203：根据预置的突发需求判决门限与所述估计突发需求，预测下一自适应周期内汇聚队列的长度门限值；

204：当下一自适应周期内汇聚队列的长度达到所述长度门限的值，或者在当前周期尚未突发过一次汇聚，则触发一次汇聚。

其中，所述步骤201之前还包括：当计时值达到自适应周期时，触发一次汇聚队列，再将计时值清零，重新开始计时。

其中，预置的突发需求门限为根据允许的突发长度范围既不会导致带宽利用率下降，也不会限制整个网络的吞吐能力来限定。

其中，在各个自适应周期内，汇聚队列始终使用该自适应周期所对应的长度门限来触发汇聚，即当汇聚队列的长度达到长度门限时，将队列中所有的分组组装成一个突发送出。

在各个周期结束时，以第n个周期为例，读取当前周期的实际流量大小M[n]，调用对当前周期流量大小的预测值结合过去p+1个周期的实际流量大小M[n-k]，其中k＝1，2，...p+1，更新预测系数，预测下一周期的流量大小。具体包括：

首先，对实际流量序列{M[n]}利用表达式(1)进行非线性差分预处理，得到非线性差分序列{D[n]}。

$D[n-k]={\log }_{10}M[n-k]-{\log }_{10}M[n-k-1]$

$={\log }_{10}\frac{M[n-k]}{M[n-k-1]},$k＝0，1，...p         (1)

然后，按表达式(2)和(3)计算非线性差分序列{D[n]}在当前周期的预测误差e[n]：

$\hat{D}\left[n\right]={\log }_{10}\hat{M}\left[n\right]-{\log }_{10}M[n-1]={\log }_{10}\frac{\hat{M}\left[n\right]}{M[n-1]}---\left(2\right)$

$e\left[n\right]=D\left[n\right]-\hat{D}\left[n\right]---\left(3\right)$

根据上述得到的预测误差e[n]，根据NLMS算法，利用表达式(4)对非线性差分序列{D[n])进行预测系数的更新，并且利用表达式(5)进行一步超前预测，得到的非线性差分序列{D[n]}的预测值

$\overrightarrow{W}=\overrightarrow{W}+\frac{\mathrm{\mu e}\left[n\right]{\overrightarrow{D}}_{n-1}}{{\left|\right|{\overrightarrow{D}}_{n-1}\left|\right|}^2},---\left(4\right)$

${\overrightarrow{D}}_{n-1}=\left(D\right[n-1],D[n-2],...,D[n-p\left]\right)$

$\hat{D}[n+1]=\overrightarrow{W}{{\overrightarrow{D}}_n}^T=\underset{i=0}{\overset{p-1}{\Sigma }}{w}_{i}D[n-i]---\left(5\right)$

由上述，利用表达式(6)计算流量预测值

$\hat{M}[n+1]={10}^{\hat{D}[n+1]+{\log }_{10}M\left[n\right]}---\left(6\right)$

读取当前汇聚队列的长度值s[n]，结合上一步骤得到的流量预测值利用表达式(7)计算下一周期的估计突发需求

$\hat{B}[n+1]=s\left[n\right]+\hat{M}[n+1]---\left(7\right)$

参见图3，为长度门限与估计汇聚触发需求的关系图，也可以利用表达式(8)计算下一周期所对应的长度门限值L[n+1]。

$L[n+1]=\left(\begin{array}{cc}{L}_{\min },& \hat{B}[n+1]<B_{\min }\\ L_{\max },& \hat{B}[n+1]>B_{\max }\\ \frac{(\hat{B}[n+1]-B_{\min })\times (L_{\max }-L_{\min })}{B_{\max }-B_{\min }}+L_{\min },& B_{\min }\le \hat{B}[n+1]\le B_{\max }\end{array}\right)---\left(8\right)$

其中，所述B_max、B_min分别表示突发需求的上、下判决门限，L_max、L_min分别表示所允许的最大、最小突发长度。

其中，所述对当前周期业务流量预测的方法，具体如下：

根据表达式(9)对接收的当前周期业务流量序列{M[n]}进行对数变换。

Y[n]＝log₁₀M[n]                       (9)

将对数变换后的序列{Y[n]}依据公式(10)作一阶差分处理。

D[n]＝Y[n]-Y[n-1]                     (10)

利用NLMS算法对差分处理后的序列{D[n]}进行一步超前预测，得到预测值

所述预测值利用表达式(11)进行反差分变换后，利用表达式(12)进行反对数变换，被还原为流量序列{M[n]}的预测值

$\hat{Y}[n+1]=\hat{D}[n+1]+Y\left[n\right]---\left(11\right)$

$\hat{M}[n+1]={10}^{\hat{Y}[n+1]}---\left(12\right)$

其中，上述对当前周期业务流量预测的方法，采用的是对数函数和一阶绝对差分函数，来实现对输入流量序列的预处理的。也可采用由反正切函数代替对数函数，由一阶相对差分函数代替一阶绝对差分函数的实现方式，具体如下：

根据表达式(13)对接收的当前周期业务流量序列{M[n]}进行反正切变换。

Y[n]＝arctan(M[n])                   (13)

将反正切变换后的序列{Y[n]}依据公式(14)作一阶相对差分处理。

$D\left[n\right]=\frac{Y\left[n\right]-Y[n-1]}{Y[n-1]}---\left(14\right)$

利用NLMS算法对差分处理后的序列{D[n]}进行一步超前预测，得到预测值

所述预测值利用表达式(15)进行反相对差分变换后，利用表达式(16)进行正切变换，被还原为流量序列{M[n]}的预测值

$\hat{Y}[n+1]=(\hat{D}[n+1]+1)\times Y\left[n\right]---\left(15\right)$

$\hat{M}[n+1]=\tan \left(\hat{Y}[n+1]\right)---\left(16\right)$

至此，上述实施例对本发明提供的一种基于流量预测的周期性自适应汇聚的方法作了详细描述，下面结合附图，对本发明实施例提供的系统进行详细说明：

参见图4，为本发明实施例的系统框图，所述系统具体包括：

流量统计单元403，用于统计当前自适应周期内到达汇聚队列的业务总量，当接收到边缘汇聚单元401发送的自适应周期结束信号时，将所述统计的业务总量发送到流量预测单元402；

流量预测单元402，用于从流量统计单元403获取当前自适应周期内的所述业务总量，对下一自适应周期内到达汇聚队列的业务总量进行预测，并将业务总量的预测结果发送到边缘汇聚单元401；

边缘汇聚单元401，用于从流量预测单元402接收所述业务总量的预测结果，预测下一自适应周期内所使用的汇聚队列的长度门限值，当下一自适应周期内汇聚队列的长度达到所述长度门限值，或者在当前周期尚未突发过一次汇聚，则触发一次汇聚。

其中，所述边缘汇聚单元401包括：

计时器407，用于当计时值达到预设的门限调整周期时，向汇聚触发单元406发送当前周期结束信号，并将自身的计时值清0，重新开始计时；

长度门限自适应单元404，用于接收并保存下一自适应周期内业务总量的预测值，向队列长度监测单元405发出汇聚队列长度请求信号，从队列长度监测单元405接收到当前时刻汇聚队列的长度值时，预测下一自适应周期内汇聚队列的长度门限值，并将所述预测的汇聚队列的长度门限值发送到队列长度监测单元405；

队列长度监测单元405，用于接收所述预测的汇聚队列长度门限值时，更新汇聚队列的长度门限，实时监测汇聚队列的长度，当监测到下一自适应周期内汇聚队列的长度达到所述预测的长度门限值时，向汇聚触发单元406发送汇聚触发信号，从所述长度门限自适应单元404接收到所述汇聚队列长度请求信号时，将当前汇聚队列的长度发送到所述长度门限自适应单元404。

汇聚触发单元406，用于从所述队列长度监测单元405接收到所述汇聚触发信号，或者从计时器407接收到所述当前周期结束信号时，如果在当前周期尚未完成一次突发汇聚，触发一次汇聚队列。

其中，所述队列长度监测单元405，包括突发计数器，用于所述长度监测单元405发出一个汇聚触发信号时，将其计数值加1，所述长度监测单元405接收到所述下一自适应周期内的门限预测值时，将其计数值清0。

参见图5，所述流量预测单元进一步包括：

对数变换单元501，用于对所接收的当前自适应周期内的业务总量作对数变换，并将所述业务总量的对数变换结果发送到差分变换单元502；

差分变换单元502，接收所述业务总量的对数变换结果并作差分处理，将所述差分处理结果发送到NIMS一步预测单元503；

NIMS一步预测单元503，用于接收所述差分处理结果，根据NLMS算法计算下一自适应周期内业务总量的差分变换结果的预测值，并发送到反差分变换单元504。

反差分变换单元504，用于将接收的所述对数变换结果与所述差分变换结果的预测值相加，获取下一自适应周期内业务总量对数变换结果的预测值，并将所述对数变换结果的预测值发送到反对数变换单元505；

反对数变换单元505，用于接收所述对数变换结果的预测值，并对所述对数变换结果的预测值作反对数变换，获取下一自适应周期内业务总量的预测值。

其中，上述流量预测单元，也可以由反正切变换单元来代替所述对数变换单元501，由相对差分变换单元来代替所述差分比变换单元502，由反相对差分变换单元来代替所述差分变换单元504，由正切变换单元代替所述反对数变换单元505。

为了验证本发明所提供的基于流量预测的周期性自适应汇聚方法的性能，我们在OPNET软件平台上对OBS网络边缘节点的汇聚过程进行了仿真。仿真模型是基于如下假设的：

(1)用40个具有相同统计特性的自相似业务流模拟接入到OBS网络边缘节点的传统电子业务。每个业务流对应一个特定的目的出口地址和服务质量类别，也就是说，它们在进入边缘节点后将被放入不同的汇聚队列，等待汇聚。每个自相似业务流都是通过叠加100个on-off信源合成的。对于这些on-off信源，它们的特征是：其状态在发送数据即on状态，与不发送数据即off状态之间交替更叠。当处于on状态时，信源以固定的速率产生分组，当处于off状态时，信源不产生任何分组。on状态的持续时间与off状态的持续时间相互独立，且同服从pareto分布。我们假设业务流所产生的分组长度均服从1KB到2KB的均匀分布。自相似业务流的平均速率和突发程度分别由具体仿真实验中的负载率和Hurst参数决定。其中，负载率定义为所有输入业务流的平均速率之和与总输出带宽之比。Hurst参数简称H参数，用于衡量业务流的自相似程度，0.5＜H＜1，且H越接近于1，业务流的自相似程度越高，突发性越强。

(2)边缘节点的出口链路带宽为20Gbps。它包含40个汇聚队列，分别用于缓存、汇聚其所接入的40个自相似业务流。每个汇聚队列都由一个独立的汇聚模块来控制其中分组的汇聚。这些模块均按照本发明所提供的基于流量预测的周期性自适应汇聚方法来执行汇聚。我们将对这40个队列的汇聚过程进行仿真，并且观察它们的平均性能。

(3)各个汇聚队列均使用相同的算法参数。具体参数设置如下：预测器的阶数P为4，收敛系数μ为1，预测系数向量的初始值为(1，0，0，0)。最大、最小突发长度L_max、L_min分别为100KB和500KB。突发需求的上、下判决门限B_max、B_min分别为4.5MB和500KB，门限调整周期T为0.01s。

(4)为简化仿真，可以预置突发数据包和它所对应的BHP之间的偏置时间为0。

以下图6和图7，为对本发明方案自适应能力的验证，具体如下：

参见图6，为在本发明所提供的汇聚机制下，实际突发长度与负载率关系的仿真图。从图中可以看出，无论输入业务流的自相似程度如何，本发明方案所提供的汇聚方法都可以根据当前接入负载的大小动态地对突发长度进行调整。当负载率较大时，由于汇聚采用了较大的长度门限，因而生成的突发较长。这样做可以在一定程度上抑制BHP的生成速率，避免BHP生成速率过快所导致的控制信道拥塞和核心节点处理压力过大等问题，从而改善整个网络的阻塞性能。当负载率较小时，由于汇聚采用了较小的长度门限，因而生成的突发较短。这样做可以避免低负载下过长的汇聚时延，满足业务流的最大时延要求。另一方面，由于汇聚所使用的长度门限是随负载的增加而增加的，因此本发明所提供的自适应方式还可以在一定范围内起到稳定汇聚时延的作用。参见图7，为分组的汇聚时延与负载率关系的仿真图。从图中可以看出，汇聚时延并没有像采用固定长度门限进行汇聚时那样几乎是与负载率成反比的，而是比这种变化方式更加平缓。也就是说，对长度门限的周期性自适应策略在一定程度上起到了减小汇聚时延抖动的作用。另一方面，虽然汇聚时延的抖动有所减小，但它仍然是随负载率的变化而变化的。因此突发的生成是非周期性的。这种非周期性的突发生成方式有利于打破各边缘节点的汇聚同步性，降低突发在后续传输中连续阻塞的概率。

从上述图5和图6可以看出：本发明方案具有自适应能力，长度门限是随接入负载动态变化的，这种动态变化的方式能够在高负载下缓解控制信道的拥塞、减轻核心节点的处理负担，降低突发的冲突概率；能够在低负载下保证业务流的最大时延要求；并且能够在避免汇聚同步的前提下减小汇聚时延的抖动。

以下图8、图9和图10，为对本发明所提供的流量预测方法，即自适应非线性差分预测方法性能的验证。由于该方法是在NLMS算法的基础上改进得到的，因此为了说明本发明所提供的流量预测方法的优越性，我们对这两种预测方法进行性能对比。

其中，所述两种预测方法性能主要包括收敛速度和预测精度。首先定义相对预测误差$\mathrm{RPE}=\frac{1}{N}\underset{n=1}{\overset{N}{\Sigma }}\left|\frac{M\left[n\right]-\hat{M}\left[n\right]}{M\left[n\right]}\right|.$

其中M[n]为第n个周期的业务总量，为第n个周期业务总量的预测值，N为迭代次数。预测精度用稳态下的相对预测误差RPE来衡量。稳态下的相对预测误差即RPE在N→∞时的极限值，可近似为迭代次数N足够大时的RPE值，收敛速度通过所述RPE随迭代次数N的变化关系来反映。

其中，对所述两种预测方法预置相同的参数，即预测阶数p均为4，初始预测系数向量均为(1，0，0，0)，收敛系数μ均为1。

参见图8，为在上述两种预测方法下，相对预测误差RPE随迭代次数变化关系的仿真图，反映了两种预测方法的收敛性能。从图中可以看出，本发明方案所提供的流量预测机制具有更快的收敛速度，即到达相同的误差水平需要更少的迭代次数。因此它在收敛性能上是优于NLMS算法的。

参见图9和图10，分别为在不同的Hurst参数和不同的负载率下，上述两种预测方法的预测精度仿真图。结合图8和图9可以看出，当业务流的突发程度较低，即Hurst参数较小，负载率较大时，NLMS预测方法和本发明所提供的流量预测方法都能取得较高的预测精度，即较小的相对预测误差RPE。然而，当业务流的突发性较强或负载率较低时，NLMS算法的慢收敛问题变得较为突出，其预测精度急剧下降，而本发明所提供的流量预测方法仍能保持较理想的预测效果。

从上述图8、图9和图10中可以看出：本发明方案所提供的流量预测方法既保留了NLMS算法实时性、在线性、自适应性的优点，又通过恰当的两次预处理改善了其收敛性能，具有更快的收敛速度和较高的预测精度。它的优势在高突发性业务流的预测中尤为明显。本发明方案所提供的流量预测方法不仅可以应用于突发汇聚以提高门限自适应的精度，还可用于接入控制，带宽分配等流量管理的诸多领域，以更合理有效地利用网络资源。

参见图10，为门限调整周期与汇聚时延抖动关系的仿真图，从图中可以看出，门限调整周期越大，汇聚时延的抖动就越大。其原因是此时长度门限的自适应调整对汇聚时延的稳定作用越小，由于门限调整周期是和汇聚的自适应粒度相对应的。本发明方案通过周期性自适应的方式实现了自适应粒度的可控性，由于门限调整周期的大小决定了长度门限作自适应调整的频率，从而决定了汇聚中自适应粒度的粗细。具体来讲，如果预设的门限调整周期较长，则对门限进行自适应调整的频率较低，即汇聚中所使用的自适应粒度较粗。其结果是：由于门限调整的频率较低，因此单位时间内所需的自适应开销较小，主要是运算量较小，对硬件和成本的要求较低；但是，另一方面，由于汇聚队列在同一周期内均采用相同的长度门限，即在单个周期中，长度门限是无法随负载作自适应调整的，因此较长的周期意味着较低的自适应精度和较差的汇聚性能。此时一种极端的情况是：若将门限调整周期设置为无穷大，则本发明方案就等同于基于固定长度门限的汇聚方法了。同理，如果预设的门限调整周期较短，则对门限进行自适应调整的频率较高，即汇聚中所使用的自适应粒度较细。因此，单位时间内所需的自适应开销较大，主要是运算量较大，对硬件和成本的要求较高；但是，另一方面，由于自适应调整的频率较高，因此在汇聚中始终能够比较及时地根据当前业务流的实时特性来对长度门限进行相应的调整，具有较强的自适应能力和较好的汇聚性能。

综上所述，本发明方案所提供的周期性自适应的方式使得汇聚的自适应粒度可由使用者通过设置不同的门限调整周期来控制。不同的自适应粒度对应着不同的汇聚性能和实现代价。在实际应用中，可以根据具体应用的要求来选择最合适的自适应粒度，以在成本和性能之间实现最优折衷。这也是本发明方案灵活性的一种体现。

以上对本发明所提供的一种基于流量预测的周期性自适应汇聚的方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。