移动边缘云中网络不确定性感知的联邦学习方法及系统

摘要

本发明涉及一种移动边缘云中网络不确定性感知的联邦学习方法及系统。该方法包括：基于联邦学习FL框架，定义MEC网络不确定下的每个用户设备的训练参数的平均量；确定每个联邦学习FL任务请求过程中的平均模型尺寸因子；确定每个联邦学习FL任务请求过程下的最小聚合器数量以及最大聚合器数量；确定聚合器数量；构建辅助图，并根据辅助图确定位置决策；基于位置决策，确定每个联邦学习FL任务请求过程中产生的总成本；以MEC网络的资源容量为约束条件，根据总成本调整聚合器数量，生成每个联邦学习FL任务请求过程中的最佳聚合器数量，并根据最佳聚合器数量优化联邦学习FL框架。本发明合理分布聚合器，MEC网络不确定性情况下实现最小化实施成本。

说明书

技术领域

本发明涉及MEC网络通信领域，特别是涉及一种移动边缘云中网络不确定性感知的联邦学习方法及系统。

背景技术

随着5G和移动边缘计算(Mobile Edge Computing，MEC)的快速发展，MEC网络中部署了各种人工智能应用，如增强现实和智能医疗。这种人工智能应用程序在MEC网络中不断生成大量数据，需要对数据进行分析以提高其准确性。传统的训练是在一个具有强大图形处理器的集中位置(即数据中心)进行的，通过将来自每个用户设备(UserEquipment，UE)的所有数据发送到集中位置。但是，将所有原始数据(包括敏感数据，即用户面部图像)发送到集中位置可能会导致用户隐私受到侵犯。联邦学习(Federated Learning，FL)被认为是一种有前途的技术，通过在用户设备中训练生成的数据来避免用户设备的隐私泄露。然后，每个用户设备中的训练参数被发送到一个集中的位置，以与其他用户设备合并，从而获得一个全局机器学习模型。由于人工智能应用程序的数据是在边缘位置生成的，因此MEC是实现成本敏感型联邦学习的天然技术。

由于完全分布式的计算资源和网络的不确定性，在MEC网络中启用FL带来了根本性的挑战。具体来说，5G基站部署密集，以确保用户设备的全覆盖，因为它们采用毫米波进行通信。首先，如此密集的部署将动态性和网络不确定性带到了一个新的水平，这使得FL请求的实现更加复杂。用户设备可以在短时间内注册到不同的基站，因为5G基站的覆盖区域很小。这意味着FL请求的到达模式是不确定的。此外，如果每个用户设备此时有可用的资源，则执行间歇的本地训练。此外，在实现其FL请求之前，每个FL服务的参数大小可能是不确定的，因为其神经网络模型是未知的。这种不确定性使聚合器的放置变得复杂。如果将聚合器放置在请求到达之后，在某个MEC网络中，由于延迟或其他原因，开销会失去控制，为不同模型的连续FL请求放置聚合器是不切实际的。因此，当参数大小不确定时，为了能够及时处理传入的请求，预先放置聚合器非常重要。其次，密集的5G MEC网络中基站的资源容量要求将聚合器小心地放置在多个边缘位置。具体而言，有限的计算资源，例如浮点运算放大器、神经网络加速器，被附加到5G基站。因此，前向链路服务可能无法放入单个基站。这种布局的性能取决于通信和处理成本，因为需要将经过训练的模型发送出去进行汇总。第三，实现FL服务不仅需要谨慎地放置聚合器，还需要找到适当数量的聚合器。如果在FL服务中使用更少的聚合器，可以节省处理成本。然而，可能会造成通信成本很高，因为用户通过更长的路径将他们的训练模型发送到聚合器。因此，为每个FL服务找到合适数量的聚合器是一项挑战。

发明内容

本发明的目的是提供一种移动边缘云中网络不确定性感知的联邦学习方法及系统，以解决现有的MEC网络中聚合器布局数量不合理，无法在MEC网络不确定性情况下实现最小化实施成本的问题。

为实现上述目的，本发明提供了如下方案：

一种移动边缘云中网络不确定性感知的联邦学习方法，包括：

基于联邦学习FL框架，定义MEC网络不确定下的每个用户设备的训练参数的平均量；所述MEC网络不确定为传输的模型参数不确定；

根据每个用户设备的训练参数的平均量确定每个联邦学习FL任务请求过程中的平均模型尺寸因子；

根据所述平均模型尺寸因子确定每个所述联邦学习FL任务请求过程下的最小聚合器数量以及最大聚合器数量；

根据所述最小聚合器数量以及所述最大聚合器数量确定聚合器数量；

根据所述聚合器数量构建辅助图，并根据所述辅助图确定位置决策；所述位置决策包括用户设备的分配位置、聚合器的放置位置以及服务的放置位置；

基于所述位置决策，根据所述聚合数量确定每个所述联邦学习FL任务请求过程中产生的总成本；

以所述MEC网络的资源容量为约束条件，根据所述总成本调整所述聚合器数量，生成每个所述联邦学习FL任务请求过程中的最佳聚合器数量，并根据所述最佳聚合器数量优化所述联邦学习FL框架，使得所述总成本最小。

可选的，所述根据每个用户设备的训练参数的平均量确定每个联邦学习FL任务请求过程中的平均模型尺寸因子，具体包括：

根据每个用户设备的训练参数的平均量，将所述平均模型尺寸因子的范围离散为固定长度的任一区间；

根据所述固定长度确定所述平均模型尺寸因子的有限值集；

利用多臂老虎机的贪婪算法，根据所述有限值集确定所述平均模型尺寸因子的活动值集；

根据所述活动值集确定所述平均模型尺寸因子。

可选的，所述根据所述平均模型尺寸因子确定每个所述联邦学习FL任务请求过程下的最小聚合器数量以及最大聚合器数量，具体包括：

利用

获取用户设备的数量；所述用户设备的数量等于所述最大聚合器数量。

可选的，所述根据所述最小聚合器数量以及所述最大聚合器数量确定聚合器数量，具体包括：

利用二分搜索法，根据所述最小聚合器数量以及所述最大聚合器数量确定当前范围的聚合器数量；所述当前范围为所述二分搜索法搜索时不断变化的范围。

可选的，所述根据所述聚合器数量构建辅助图，并根据所述辅助图确定位置决策，具体包括：

根据所述聚合器数量构建辅助图，并设置所述辅助图内每条边的成本和容量；

将每个所述用户设备的训练参数视为具有需求的商品，并根据所述平均模型尺寸因子确定每个所述联邦学习FL请求中所述训练参数的商品需求；

基于所述商品需求，从所述辅助图中为每个所述用户设备确定从消息源到汇聚节点的可拆分流；所述可拆分流为多商品流；

根据所述可拆分流确定所述用户设备分配给基站的概率、聚合器放置到Loc

根据所述用户设备分配给基站的概率、所述聚合器放置到Loc

根据所述用户设备随机分配给基站的位置，在所述辅助图的用户设备和基站层中，将所述用户设备的每个可分割流量移动到随机选择的基站；

根据所述聚合器随机放置为Loc

根据所述服务随机放置的位置，在所述辅助图的服务层中，将所述用户设备的每个可分割流量移动到服务所在的位置；

根据所述可拆分流以及所述可分割流量确定不可分割流量，并将所述不可分割流量转化为包括用户设备的分配位置、聚合器的放置位置以及服务的放置位置的位置决策；所述不可分割流量经过的节点路径为所述位置决策的决策结果。

可选的，所述用户设备分配给基站的概率为：

其中，p

在聚合器层中，具有用于FL请求的聚合器的潜在位置；创建n

所述聚合器放置到Loc

其中，p

在服务层，为每个第一潜在位置Loc

所述服务放置到Loc

其中，p

可选的，所述基于所述位置决策，根据所述聚合数量确定每个所述联邦学习FL任务请求过程中产生的总成本，具体包括：

利用公式

一种移动边缘云中网络不确定性感知的联邦学习系统，包括：

训练参数的平均量定义模块，用于基于联邦学习FL框架，定义MEC网络不确定下的每个用户设备的训练参数的平均量；所述MEC网络不确定为传输的模型参数不确定；

平均模型尺寸因子确定模块，用于根据每个用户设备的训练参数的平均量确定每个联邦学习FL任务请求过程中的平均模型尺寸因子；

最小聚合器数量以及最大聚合器数量确定模块，用于根据所述平均模型尺寸因子确定每个所述联邦学习FL任务请求过程下的最小聚合器数量以及最大聚合器数量；

聚合器数量确定模块，用于根据所述最小聚合器数量以及所述最大聚合器数量确定聚合器数量；

位置决策确定模块，用于根据所述聚合器数量构建辅助图，并根据所述辅助图确定位置决策；所述位置决策包括用户设备的分配位置、聚合器的放置位置以及服务的放置位置；

总成本确定模块，用于基于所述位置决策，根据所述聚合数量确定每个所述联邦学习FL任务请求过程中产生的总成本；

调整模块，用于以所述MEC网络的资源容量为约束条件，根据所述总成本调整所述聚合器数量，生成每个所述联邦学习FL任务请求过程中的最佳聚合器数量，并根据所述最佳聚合器数量优化所述联邦学习FL框架，使得所述总成本最小。

可选的，所述平均模型尺寸因子确定模块，具体包括：

离散单元，用于根据每个用户设备的训练参数的平均量，将所述平均模型尺寸因子的范围离散为固定长度的任一区间；

有限值集确定单元，用于根据所述固定长度确定所述平均模型尺寸因子的有限值集；

活动值集确定单元，用于利用多臂老虎机的贪婪算法，根据所述有限值集确定所述平均模型尺寸因子的活动值集；

平均模型尺寸因子确定单元，用于根据所述活动值集确定所述平均模型尺寸因子。

可选的，所述最小聚合器数量以及最大聚合器数量确定模块，具体包括：

最小聚合器数量确定单元，用于利用

最大聚合器数量确定单元，用于获取用户设备的数量；所述用户设备的数量等于所述最大聚合器数量。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种移动边缘云中网络不确定性感知的联邦学习方法及系统，针对MEC网络中的单个FL任务请求过程的聚合器放置和用户设备分配问题，基于联邦学习FL框架，定义MEC网络不确定下的每个用户设备的训练参数的平均量，确定每个联邦学习FL任务请求过程中的平均模型尺寸因子，并根据平均模型尺寸因子确定合适的聚合器数量，构建辅助图，并基于辅助图合理布设聚合器位置及数量，以MEC网络的资源容量为约束条件，调整所述聚合器数量，生成每个所述联邦学习FL任务请求过程中的最佳聚合器数量，并根据所述最佳聚合器数量优化所述联邦学习FL框架，使得所述总成本最小。

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，下面将对实施例中所需要使用的附图作简单地介绍，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。

图1为本发明所提供的移动边缘云中网络不确定性感知的联邦学习方法流程图；

图2为本发明所提供的联邦学习FL框架示意图；

图3为本发明所提供的辅助图；

图4为本发明所提供的移动边缘云中网络不确定性感知的联邦学习系统结构图。

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做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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的移动边缘云中网络不确定性感知的联邦学习方法流程图，如图1所示，一种移动边缘云中网络不确定性感知的联邦学习方法，包括：

步骤101：基于联邦学习FL框架，定义MEC网络不确定下的每个用户设备的训练参数的平均量；所述MEC网络不确定为传输的模型参数不确定。

步骤102：根据每个用户设备的训练参数的平均量确定每个联邦学习FL任务请求过程中的平均模型尺寸因子。

在实际应用中，所述步骤102具体包括：根据每个用户设备的训练参数的平均量，将所述平均模型尺寸因子的范围离散为固定长度的任一区间；根据所述固定长度确定所述平均模型尺寸因子的有限值集；利用多臂老虎机的贪婪算法，根据所述有限值集确定所述平均模型尺寸因子的活动值集；根据所述活动值集确定所述平均模型尺寸因子。

步骤103：根据所述平均模型尺寸因子确定每个所述联邦学习FL任务请求过程下的最小聚合器数量以及最大聚合器数量。

在实际应用中，所述步骤103具体包括：利用

获取用户设备的数量；所述用户设备的数量等于所述最大聚合器数量。

步骤104：根据所述最小聚合器数量以及所述最大聚合器数量确定聚合器数量。

在实际应用中，所述步骤104具体包括：利用二分搜索法，根据所述最小聚合器数量以及所述最大聚合器数量确定当前范围的聚合器数量；所述当前范围为所述二分搜索法搜索时不断变化的范围。

步骤105：根据所述聚合器数量构建辅助图，并根据所述辅助图确定位置决策；所述位置决策包括用户设备的分配位置、聚合器的放置位置以及服务的放置位置。

在实际应用中，所述步骤105具体包括：根据所述聚合器数量构建辅助图，并设置所述辅助图内每条边的成本和容量；将每个所述用户设备的训练参数视为具有需求的商品，并根据所述平均模型尺寸因子确定每个所述联邦学习FL请求中所述训练参数的商品需求；基于所述商品需求，从所述辅助图中为每个所述用户设备确定从消息源到汇聚节点的可拆分流；所述可拆分流为多商品流；根据所述可拆分流确定所述用户设备分配给基站的概率、聚合器放置到Loc

所述用户设备分配给基站的概率为：

其中，p

在聚合器层中，具有用于FL请求的聚合器的潜在位置；创建n

所述聚合器放置到Loc

其中，p

在服务层，为每个第一潜在位置Loc

所述服务放置到Loc

其中，p

步骤106：基于所述位置决策，根据所述聚合数量确定每个所述联邦学习FL任务请求过程中产生的总成本。

在实际应用中，所述步骤106具体包括：利用公式

步骤107：以所述MEC网络的资源容量为约束条件，根据所述总成本调整所述聚合器数量，生成每个所述联邦学习FL任务请求过程中的最佳聚合器数量，并根据所述最佳聚合器数量优化所述联邦学习FL框架，使得所述总成本最小。

图2为本发明所提供的联邦学习FL框架示意图，如图2所示，该联邦学习(FL)框架是一个层次结构，由一个主聚合器和多个聚合器组成，从用户设备(UE)收集训练好的模型。一个联邦学习服务通常有多轮训练和参数聚合。在每一轮联邦学习服务中，每个用户设备根据模型参数训练其本地数据，并将更新的模型参数发送到其聚合器。然后，每个聚合器从用户设备收集训练好的参数。主聚合器聚合来自所有聚合器的数据，获得全局模型，并将更新后的全局模型发送给所有用户设备，用于下一轮的本地训练。

基于本发明所提供的移动边缘云中网络不确定性感知的联邦学习方法，本发明采用了三种算法实现上述技术方案，三种算法分别为：FWK算法、ApproAG算法以及HeuAG算法。

其中，FWK算法为假设每个FL请求的模型参数大小|w

ApproAG算法为在传输的模型参数大小已知的情况下，依据FWK算法得到聚合器数量，进行UE分配和聚合器放置等决策，是离线算法。

HeuAG算法：在传输的模型参数大小不确定情况下，即网络不确定下，先预估一个模型参数大小的值，采用基于多臂老虎机的在线算法并调用FWK算法来实现每个到达的FL请求。

本发明的技术方案是通过HeuAG算法定义的MEC网络不确定下的每个用户设备的训练参数的平均量，确定平均模型尺寸因子，确定最小聚合器数量以及最大聚合器数量；将确定的最小聚合器数量以及最大聚合器数量作为FWK算法中已知的最小聚合器数量以及最大聚合器数量，利用FWK算法得到聚合数量，并调用ApproAG算法，根据该聚合数量确定位置决策；调用FWK算法，基于位置决策，根据聚合数量确定每个联邦学习FL任务请求过程中产生的总成本；最后，以MEC网络的资源容量为约束条件，根据总成本调整所述聚合器数量，生成每个联邦学习FL任务请求过程中的最佳聚合器数量，并根据最佳聚合器数量优化联邦学习FL框架，使得总成本最小。

下面具体介绍本发明用的三种算法：

1)FWK算法：为每个联邦学习任务请求找到合适的聚合器数量的优化框架。

一个FL请求中聚合器的数量在最小化实施成本上起着至关重要的作用。更具体的说，对于一个FL请求，更多的聚合器数量能使聚合器分布到更靠近用户设备的位置，从而降低了从用户设备到聚合器更新训练参数的成本。然而，这可能增加一个FL请求中从聚合器到服务器的数据传输量，导致聚合器和服务器之间的通信成本。

为了给每个FL请求找到合适数量的聚合器，采用二分搜索方法。显然，每个FL请求至少需要一个聚合器。移动边缘网络(MEC)中可以实现实例化的聚合器的最大数量取决于每个位置的可用资源。考虑一个5G移动边缘网络G＝(BS∪CL，E)，该网络由一组小型基站BS和一组微云CL组成。令n

其中，γ

考虑最坏的情况下，每个聚合器聚合单个UE的数据，即n

n

考虑一个元素数组，每个元素都是[n

[n

定义

定义

定义y

定义H

因此，使用n个聚合器的FL过程所产生的成本cost(n)为：

基于此，为每个联邦学习任务请求找到合适的聚合器数量的优化框架过程如下：

根据公式(1)和(2)，设置n

当

调用ApproAG算法获得聚合器位置放置和用户分配等决策代入公式(3)中获得cost(n

计算

如果

2)ApproAG算法：联邦学习任务中联合聚合器放置和用户设备分配算法。

将MEC网络中单个FL请求的联合聚合器放置和UE分配问题简化为最小成本的多商品流问题。也就是说，将每个UE的训练参数视为一个商品，其中包括消息源ue

首先计算用户设备ue

然后计算一个聚合器A

其背后的原理是，通过小部件边缘路由的流量越多，就越有可能被选为A

基于此，近似算法ApproAG的步骤如下：

构建辅助图

将每个UE的训练参数视为具有需求的商品。

从构造的辅助图

根据公式(4)(5)(6)分别计算将用户设备分配给基站的概率p

根据所求p

基于前面搭建好的初步FL训练框架，比如说有选取的UE并有对应的聚合器，聚合器放置的位置，对于每个用户设备ue

在辅助图

在辅助图

在辅助图

将得到的不可分割流

不可分割流

步骤应用：

在FWK中计算cost时必须知道这三个决策，才能计算UE的cost(计算资源和通信资源的消耗)、聚合器的cost等。比如，有了UE的分配之后才能根据分配的UE来计算所对应的cost。之后依据cost采用二分法求得聚合器的数量。

得到这三个决策后，才能进一步在资源受限情况下完成一个完整的联邦学习任务请求。

3)HeuAG算法：在网络不确定性下的实现每个到达的联邦学习任务请求的在线算法。

由于用户设备的数据量和所学习的模型参数的大小是不确定的。因此，在网络边缘实现准确的FL从根本上是一个挑战。本算法是为解决在用户设备数据量和学习参数大小不确定性情况下的实现每个到达的FL请求的基于多臂老虎机(MAB)技术的新的在线学习算法。基本思想是利用FWK所提出的优化框架，给定每个FL请求的模型大小。在FWK中，假设每个FL请求的模型大小|w

定义μ(|w

需要说明的是：公式(1)是预先知道模型大小这个参数值来计算n

此外，认为FL请求的用户设备ue

(1+χ)·μ(|w

一个关键问题是如何确定χ的值，对χ采用一个固定值，并对一个接一个进入系统的请求执行一次性优化。也就是说，因为知道请求的模型大小的分布，可以执行一次性优化来预先计算ApproAG算法的概率。在每个请求到达时，按照预先计算的概率随机执行用户设备分配、聚合器和服务放置。然而，如果每个请求的实际模型大小明显偏离预期的模型大小，算法的实际性能可能会与最佳性能相差很大。为了避免这种情况，通过自定义放缩算法，在请求到达系统时自适应学习χ的值。

为了更有效的发现一个χ的近似值，将χ的范围离散为ζ个区间，其长度固定为len＝(|w

一旦val中的一个值被激活，它就被放入集合val′。观察到，具有微小差异的χ值在实现FL请求r

把val`中每一个值看作一个臂，臂半径就是该值的置信半径，val`中的臂就是val中值的代表。理想情况下，val`的臂半径应覆盖val中的所有值。最初，每个值的覆盖半径很大，因为尚未选择它。当请求到达系统时，每个值的置信域都在缩小。这将使某些值处于未覆盖状态，为了保持val`的臂覆盖val中所有值，将这些未覆盖的值直接添加到val`。获得一组活动臂之后，将在每个FL请求到达时从val`中选择一个臂。理想情况下，希望选择一个不仅可以降低成本，而且在val中包含更多值的臂。因此，将val`中的臂按1/u

目的：具有微小差异的χ值(预估的模型大小)在实现FL请求r

基于此，HeuAG算法的流程具体如下：

将FL过程中传输的平均模型大小χ的范围离散为固定长度的ζ个区间。

设val是χ的有限值集。

利用多臂老虎机的贪婪方法，贪婪地选择val中的一些值，这些值可以通过半径覆盖val中的所有值，并将它们添加到val`。

对每一个到达的FL请求执行以下步骤：

从val`中选择一个最高等级为1/u

调用FWK算法，根据等式(7)设置n

通过val`中每个值以及置信半径更新val`中每个值的选择数。

如果有值(val的值)不在val`中，那么：添加这些未覆盖的值到val`。

图4为本发明所提供的移动边缘云中网络不确定性感知的联邦学习系统结构图，如图4所示，一种移动边缘云中网络不确定性感知的联邦学习系统，包括：

训练参数的平均量定义模块401，用于基于联邦学习FL框架，定义MEC网络不确定下的每个用户设备的训练参数的平均量；所述MEC网络不确定为传输的模型参数不确定。

平均模型尺寸因子确定模块402，用于根据每个用户设备的训练参数的平均量确定每个联邦学习FL任务请求过程中的平均模型尺寸因子。

所述平均模型尺寸因子确定模块402，具体包括：离散单元，用于根据每个用户设备的训练参数的平均量，将所述平均模型尺寸因子的范围离散为固定长度的任一区间；有限值集确定单元，用于根据所述固定长度确定所述平均模型尺寸因子的有限值集；活动值集确定单元，用于利用多臂老虎机的贪婪算法，根据所述有限值集确定所述平均模型尺寸因子的活动值集；平均模型尺寸因子确定单元，用于根据所述活动值集确定所述平均模型尺寸因子。

最小聚合器数量以及最大聚合器数量确定模块403，用于根据所述平均模型尺寸因子确定每个所述联邦学习FL任务请求过程下的最小聚合器数量以及最大聚合器数量。

所述最小聚合器数量以及最大聚合器数量确定模块403，具体包括：最小聚合器数量确定单元，用于利用

聚合器数量确定模块404，用于根据所述最小聚合器数量以及所述最大聚合器数量确定聚合器数量。

位置决策确定模块405，用于根据所述聚合器数量构建辅助图，并根据所述辅助图确定位置决策；所述位置决策包括用户设备的分配位置、聚合器的放置位置以及服务的放置位置。

总成本确定模块406，用于基于所述位置决策，根据所述聚合数量确定每个所述联邦学习FL任务请求过程中产生的总成本。

调整模块407，用于以所述MEC网络的资源容量为约束条件，根据所述总成本调整所述聚合器数量，生成每个所述联邦学习FL任务请求过程中的最佳聚合器数量，并根据所述最佳聚合器数量优化所述联邦学习FL框架，使得所述总成本最小。

本发明针对MEC网络中的单个FL过程的联合聚合器放置和用户设备分配问题，以MEC网络的资源容量为约束条件，来最小化实现成本；本发明提出了一个优化框架来为每个FL请求找到合适的聚合器数量，并提出了一个近似算法，该算法对于所定义的问题具有可证明的近似比；本发明考虑到每个用户设备的数据量和学习到的每个用户设备请求的参数大小的不确定性，考虑了多个FL请求的MEC网络中用户设备分配问题和在线聚合器放置问题，为此，采用了多臂老虎机(MAB)技术提出了一种新的在线学习算法；根据现有研究对提出的算法的性能进行了评估。实验结果表明，所提出的算法的性能优于同类算法，实现成本降低至少15％。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

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。