本發(fā)明涉及信息安全技術(shù)領(lǐng)域，特別是指一種5g通信標準下的分布式隱私保護機器學習方法。

背景技術(shù)：

隨著機器學習的出現(xiàn)與不斷完善，使得我們有機會從海量數(shù)據(jù)集中提取潛在有用的信息和規(guī)律，彰顯數(shù)據(jù)背后的真實意義。比如機器學習在醫(yī)學方面用來做臨床診斷決策支持系統(tǒng)，幫助分析醫(yī)學圖像；在金融行業(yè)，銀行用機器學習來組織運作，金融投資和資產(chǎn)管理；機器學習與人工智能相結(jié)合，生產(chǎn)可以自動學習的機器人幫助人們工作。

第五代(5g)移動通信技術(shù)的提出吸引了大眾的注意力，隨后多個國家加速了對5g網(wǎng)絡(luò)技術(shù)的研究，5g是一種全新的技術(shù)，5g是特指傳輸速率達到10gb/s的新一代移動通信技術(shù)，相比于4g技術(shù)，5g網(wǎng)絡(luò)技術(shù)有更多的創(chuàng)新，4g是對3g網(wǎng)絡(luò)技術(shù)的擴展，提高了網(wǎng)絡(luò)帶寬的利用率，增強了網(wǎng)絡(luò)傳輸速率，4g網(wǎng)絡(luò)是以通信設(shè)備為核心的格局，5g是以功能為核心的網(wǎng)絡(luò)，并結(jié)合了網(wǎng)絡(luò)功能虛擬化、定義網(wǎng)絡(luò)等關(guān)鍵技術(shù)，體現(xiàn)出了高靈活性和高動態(tài)擴展等特性。

綜上分析，如何在5g通信標準下還能夠在各個站點(例如，客戶端)之間通過數(shù)據(jù)共享的方式得到有效的機器學習結(jié)果，已成為當前的熱門研究方向之一，但是，在各個站點協(xié)同工作過程中，沒有保護原始數(shù)據(jù)隱私及保證數(shù)據(jù)在傳輸過程中的安全。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種5g通信標準下的分布式隱私保護機器學習方法，以解決現(xiàn)有技術(shù)所存在的沒有保護原始數(shù)據(jù)隱私及保證數(shù)據(jù)在傳輸過程中的安全的問題。

為解決上述技術(shù)問題，本發(fā)明實施例提供一種5g通信標準下的分布式隱私保護機器學習方法，包括：

s1，在計算器端，利用同態(tài)加密算法生成公鑰和私鑰，并將私鑰發(fā)送到服務(wù)器端保存，同時將公鑰發(fā)布給各個客戶端，每個客戶端包括從原始數(shù)據(jù)中選取的樣本集和服務(wù)器端中發(fā)送至客戶端的多個屬性；

s2，在各個客戶端，利用接收到的公鑰對各屬性的局部信息增益進行同態(tài)加密，并將加密后的局部信息增益發(fā)送至計算器端，其中，各屬性的局部信息增益由相應(yīng)客戶端樣本集中的數(shù)據(jù)確定；

s3，計算器端將接收到的各個客戶端發(fā)送的加密后的局部信息增益進行求和，得到全局信息增益，并將所述全局信息增益發(fā)送至服務(wù)器端；

s4，服務(wù)器端利用接收到私鑰對所述全局信息增益進行解密，獲取解密結(jié)果中的最大值，所述最大值對應(yīng)的屬性為最佳分裂屬性，將所述最佳分裂屬性發(fā)送至各個客戶端；

s5，各個客戶端根據(jù)接收到的最佳分裂屬性進行決策樹的分裂，直至完成一顆決策樹的構(gòu)建。

進一步地，所述原始數(shù)據(jù)通過hash取模的方式水平分布在各個客戶端。

進一步地，所述利用同態(tài)加密算法生成公鑰和私鑰包括：

利用paillier公鑰同態(tài)加密體制，生成公鑰和私鑰。

進一步地，所述在各個客戶端，利用接收到的公鑰對各屬性的局部信息增益進行同態(tài)加密，并將加密后的局部信息增益發(fā)送至計算器端包括：

s21，在第一客戶端，分別計算各屬性所產(chǎn)生的局部信息增益ta＝{ta1,ta2,...,tam}，其中，m表示第一客戶端屬性的數(shù)目；

s22，利用接收到的公鑰對各屬性所產(chǎn)生的局部信息增益ta進行同態(tài)加密，得到加密后的局部信息增益ta'＝{ta1',ta2',...,tam'}；

s23，重復(fù)執(zhí)行s21、s22，得到各個客戶端對應(yīng)的加密后的局部信息增益ta',tb',…,tn'，其中，n表示客戶端的數(shù)目；

s24，各個客戶端將加密后的局部信息增益ta',tb',…,tn'發(fā)送至計算器端。

進一步地，所述計算器端將接收到的各個客戶端發(fā)送的加密后的局部信息增益進行求和，得到全局信息增益，并將所述全局信息增益發(fā)送至服務(wù)器端包括：

計算器端接收各個客戶端發(fā)送的加密后的局部信息增益ta',tb',…,tn'；

對加密后的局部信息增益ta',tb',…,tn'中各個元素進行統(tǒng)計之和，得到全局信息增益t'＝{t1',t2',…,tm'}；

將得到的所述全局信息增益t'＝{t1',t2',…,tm'}發(fā)送至服務(wù)器端；

其中，m表示每個客戶端屬性的數(shù)目，n表示客戶端的數(shù)目。

進一步地，所述服務(wù)器端利用接收到私鑰對所述全局信息增益進行解密，獲取解密結(jié)果中的最大值，所述最大值對應(yīng)的屬性為最佳分裂屬性，將所述最佳分裂屬性發(fā)送至各個客戶端包括：

通過私鑰對全局信息增益t'＝{t1',t2',…,tm'}進行解密，得到明文t＝{t1,t2,…,tm}，其中，明文中的元素t1、t2、…、tm為各個屬性所產(chǎn)生的全局信息增益；

對明文中的元素t1、t2、…、tm進行排序，取出最大值，所述最大值對應(yīng)的屬性為最佳分裂屬性；

將所述最佳分裂屬性發(fā)送至各個客戶端。

進一步地，在各個客戶端根據(jù)接收到的最佳分裂屬性進行決策樹的分裂，直至完成一顆決策樹的構(gòu)建之后，所述方法還包括：

在各個客戶端各生成一棵決策樹后，通過隨機抽樣bagging思想從原始數(shù)據(jù)中重新選擇樣本集，并通過特征子空間思想重新選擇屬性；

根據(jù)重新選擇的樣本集和屬性，重復(fù)執(zhí)行s1-s5進行另外一棵決策樹的構(gòu)建，直到生成k棵決策樹，其中，k大于1。

進一步地，所述通過特征子空間思想重新選擇屬性包括：

服務(wù)器端隨機選取m個屬性傳回各個客戶端，作為下一次決策樹分裂所需要的屬性，其中，m小于m，m為服務(wù)器端屬性總數(shù)。

進一步地，m＝[(log2m)+1]。

進一步地，在生成k棵決策樹后，所述方法還包括：

輸入待分類樣本，通過生成的k棵決策樹分別預(yù)測所述待分類樣本的類別；

根據(jù)k棵決策樹分別預(yù)測的所述待分類樣本的類別，利用投票表決法，確定待分類樣本最終所屬的類別。

本發(fā)明的上述技術(shù)方案的有益效果如下：

上述方案中，在各個客戶端，利用接收到的公鑰對樣本集中數(shù)據(jù)的各個屬性的局部信息增益進行同態(tài)加密，基于同態(tài)加密算法的同態(tài)特性，在密文情況下，計算器端能夠?qū)ν瑧B(tài)加密后得到的局部信息增益進行求和計算，得到全局信息增益，服務(wù)器端利用私鑰對全局信息增益進行解密，確定最佳分裂屬性；客戶端根據(jù)確定的最佳分裂屬性進行決策樹的分裂，完成決策樹的構(gòu)建；這樣，通過對各個屬性的局部信息增益進行同態(tài)加密，使得各個客戶端得到有效的機器學習結(jié)果的同時，又不泄露客戶端用戶的原始數(shù)據(jù)信息，同時還能保證傳輸過程中數(shù)據(jù)的安全性。

附圖說明

圖1為本發(fā)明實施例提供的5g通信標準下的分布式隱私保護機器學習方法的流程示意圖；

圖2為本發(fā)明實施例提供的分布式隱私保護機器學習方法的模型示意圖；

圖3為本發(fā)明實施例提供的5g通信標準下的分布式隱私保護機器學習方法的詳細流程示意圖；

圖4為本發(fā)明實施例提供的多棵決策樹決策流程示意圖。

具體實施方式

為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具體實施例進行詳細描述。

本發(fā)明針對現(xiàn)有的沒有保護原始數(shù)據(jù)隱私及保證數(shù)據(jù)在傳輸過程中的安全的問題，提供一種5g通信標準下的分布式隱私保護機器學習方法。

參看圖1所示，本發(fā)明實施例提供的5g通信標準下的分布式隱私保護機器學習方法，包括：

s1，在計算器端，利用同態(tài)加密算法生成公鑰和私鑰，并將私鑰發(fā)送到服務(wù)器端保存，同時將公鑰發(fā)布給各個客戶端，每個客戶端包括從原始數(shù)據(jù)中選取的樣本集和服務(wù)器端中發(fā)送至客戶端的多個屬性；

s2，在各個客戶端，利用接收到的公鑰對各屬性的局部信息增益進行同態(tài)加密，并將加密后的局部信息增益發(fā)送至計算器端，其中，各屬性的局部信息增益由相應(yīng)客戶端樣本集中的數(shù)據(jù)確定；

s3，計算器端將接收到的各個客戶端發(fā)送的加密后的局部信息增益進行求和，得到全局信息增益，并將所述全局信息增益發(fā)送至服務(wù)器端；

s4，服務(wù)器端利用接收到私鑰對所述全局信息增益進行解密，獲取解密結(jié)果中的最大值，所述最大值對應(yīng)的屬性為最佳分裂屬性，將所述最佳分裂屬性發(fā)送至各個客戶端；

s5，各個客戶端根據(jù)接收到的最佳分裂屬性進行決策樹的分裂，直至完成一顆決策樹的構(gòu)建。

本發(fā)明實施例所述的5g通信標準下的分布式隱私保護機器學習方法，在各個客戶端，利用接收到的公鑰對樣本集中數(shù)據(jù)的各個屬性的局部信息增益進行同態(tài)加密，基于同態(tài)加密算法的同態(tài)特性，在密文情況下，計算器端能夠?qū)ν瑧B(tài)加密后得到的局部信息增益進行求和計算，得到全局信息增益，服務(wù)器端利用私鑰對全局信息增益進行解密，確定最佳分裂屬性；客戶端根據(jù)確定的最佳分裂屬性進行決策樹的分裂，完成決策樹的構(gòu)建；這樣，通過對各個屬性的局部信息增益進行同態(tài)加密，使得各個客戶端得到有效的機器學習結(jié)果的同時，又不泄露客戶端用戶的原始數(shù)據(jù)信息，同時還能保證傳輸過程中數(shù)據(jù)的安全性。

為了實現(xiàn)本實施例所述的5g通信標準下的分布式隱私保護機器學習方法，需要一套相應(yīng)的系統(tǒng)，如圖2所示，所述系統(tǒng)包括：客戶端、計算器端、服務(wù)器端；各客戶端根據(jù)各自樣本集中的數(shù)據(jù)，計算各個屬性所產(chǎn)生的局部信息增益，并對計算得到的局部信息增益進行同態(tài)加密，將同態(tài)加密得到的局部信息增益提交到計算器端；計算器端負責對各個客戶端加密后的局部信息增益進行匯總計算，得到全局信息增益并將得到的全局信息增益發(fā)送至服務(wù)器端；服務(wù)器端對接收到的全局信息增益進行解密分析，選取最佳分裂屬性，將選取的最佳分裂屬性傳遞給各個客戶端，各個客戶端根據(jù)接收到的最佳分裂屬性進行決策樹的分裂，直至完成一顆決策樹的構(gòu)建。

在前述5g通信標準下的分布式隱私保護機器學習方法的具體實施方式中，進一步地，所述原始數(shù)據(jù)通過hash取模的方式水平分布在各個客戶端。

如圖3所示，原始數(shù)據(jù)可以以水平分布的形式存儲在各個客戶端(db1,db2,…,dbn)中，其中，n表示客戶端的數(shù)目；優(yōu)選地，所述原始數(shù)據(jù)通過hash取模的方式水平分布在各個客戶端。

在前述5g通信標準下的分布式隱私保護機器學習方法的具體實施方式中，進一步地，所述利用同態(tài)加密算法生成公鑰和私鑰包括：

利用paillier公鑰同態(tài)加密體制，生成公鑰和私鑰。

本實施例中，在計算器端，利用paillier公鑰同態(tài)加密體制，通過隨機數(shù)發(fā)送器以及隨機選取的兩個大素數(shù)p，q，生成公鑰pk和對應(yīng)的私鑰sk，其中，大素數(shù)是指超過預(yù)定閾值的素數(shù)；并將私鑰sk發(fā)送至服務(wù)器端保存，將公鑰pk發(fā)布給各個客戶端執(zhí)行同態(tài)加密操作。

在前述5g通信標準下的分布式隱私保護機器學習方法的具體實施方式中，進一步地，所述在各個客戶端，利用接收到的公鑰對各屬性的局部信息增益進行同態(tài)加密，并將加密后的局部信息增益發(fā)送至計算器端包括：

s21，在第一客戶端，分別計算各屬性所產(chǎn)生的局部信息增益ta＝{ta1,ta2,...,tam}，其中，m表示第一客戶端屬性的數(shù)目；

s22，利用接收到的公鑰對各屬性所產(chǎn)生的局部信息增益ta進行同態(tài)加密，得到加密后的局部信息增益ta'＝{ta1',ta2',...,tam'}；

s23，重復(fù)執(zhí)行s21、s22，得到各個客戶端對應(yīng)的加密后的局部信息增益ta',tb',…,tn'，其中，n表示客戶端的數(shù)目；

s24，各個客戶端將加密后的局部信息增益ta',tb',…,tn'發(fā)送至計算器端。

本實施例中，客戶端以db1為例，hek代表對db1中的樣本集數(shù)據(jù)經(jīng)過k次隨機化后分別經(jīng)過同態(tài)加密過后生成的局部數(shù)據(jù)，這里局部數(shù)據(jù)是指客戶端db1的屬性產(chǎn)生的局部信息增益，k＝1,2,…,k，k表示決策樹的數(shù)目。

本實施例中的客戶端為各個樣本集擁有方，各個客戶端中的樣本集記作rsa,rsb,...,rsn，其中，db1中的樣本集為rsa，db2中的樣本集為rsb，以此類推；客戶端具體執(zhí)行步驟包括：首先輸入本地樣本集rsa,rsb,...,rsn，然后計算各屬性產(chǎn)生的局部信息增益；以樣本集rsa為例，對樣本集rsa經(jīng)過有放回抽取形成一個與原始樣本集相同大小的新的樣本集rsa'；保存經(jīng)服務(wù)器端隨機選取的m個屬性作為一個屬性子集，其中，m＝[(log2m)+1]，m為服務(wù)器端屬性總數(shù)；根據(jù)新的樣本集rsa'，計算m個屬性所產(chǎn)生的局部信息增益ta＝{ta1,ta2,...,tam}；利用paillier同態(tài)加密體制中給定的公鑰pk對ta中的各個元素進行同態(tài)加密，得到加密后的局部信息增益ta'＝{ta1',ta2',...,tam'}；按照上述方法得到n個客戶端加密后的局部信息增益ta',tb',…,tn'，n個客戶端將加密后的局部信息增益?zhèn)鬟f給計算器端進行匯總計算，其中，db1對應(yīng)的加密后的局部信息增益為ta'，db2對應(yīng)的加密后的局部信息增益為tb'，以此類推。

在前述5g通信標準下的分布式隱私保護機器學習方法的具體實施方式中，進一步地，所述計算器端將接收到的各個客戶端發(fā)送的加密后的局部信息增益進行求和，得到全局信息增益，并將所述全局信息增益發(fā)送至服務(wù)器端包括：

計算器端接收各個客戶端發(fā)送的加密后的局部信息增益ta',tb',…,tn'；

對加密后的局部信息增益ta',tb',…,tn'中各個元素進行統(tǒng)計之和，得到全局信息增益t'＝{t1',t2',…,tm'}；

將得到的所述全局信息增益t'＝{t1',t2',…,tm'}發(fā)送至服務(wù)器端；

其中，m表示每個客戶端屬性的數(shù)目，n表示客戶端的數(shù)目。

本實施例中，計算器端首先接收n個客戶端經(jīng)過同態(tài)加密得到的局部信息增益，然后求各局部信息增益統(tǒng)計之和，將n個客戶端的局部信息增益轉(zhuǎn)換為全局信息增益；具體步驟包括：計算器端首先接收n個客戶端經(jīng)過同態(tài)加密得到的局部信息增益ta',tb',…,tn'；利用同態(tài)加密可以直接對密文進行計算的特性，計算同態(tài)加密后的局部信息增益ta',tb',…,tn'中各個元素的統(tǒng)計之和，得到全局信息增益t'＝{t1',t2',…,tm'}，其中，m表示每個客戶端屬性的數(shù)目，tk'＝tak'+tbk'+...+tnk'，tak'表示客戶端db1中第k屬性對應(yīng)的局部信息增益，tbk'表示客戶端db2中第k屬性對應(yīng)的局部信息增益，以此類推，tnk'表示表示客戶端dbndb1中第k屬性對應(yīng)的局部信息增益；基于同態(tài)加密可以直接對密文進行操作的特性，對加密前后的數(shù)據(jù)運算能得到一致的結(jié)果，將計算得到的t'＝{t1',t2',…,tm'}傳輸給服務(wù)器端，由服務(wù)器端對t'＝{t1',t2',…,tm'}進行解密分析。

本實施例中，計算器端根據(jù)公式tk'＝tak'+tbk'+...+tnk'對同態(tài)加密得到的ta',tb',…,tn'進行統(tǒng)計計算，計算器端對各個客戶端的原始數(shù)據(jù)信息、屬性信息及同態(tài)加密結(jié)果所代表的含義都一無所知，在保證客戶端用戶隱私的前提下，還能夠有效保證數(shù)據(jù)傳輸過程中的隱私信息。

在前述5g通信標準下的分布式隱私保護機器學習方法的具體實施方式中，進一步地，所述服務(wù)器端利用接收到私鑰對所述全局信息增益進行解密，獲取解密結(jié)果中的最大值，所述最大值對應(yīng)的屬性為最佳分裂屬性，將所述最佳分裂屬性發(fā)送至各個客戶端包括：

通過私鑰對全局信息增益t'＝{t1',t2',…,tm'}進行解密，得到明文t＝{t1,t2,…,tm}，其中，明文中的元素t1、t2、…、tm為各個屬性所產(chǎn)生的全局信息增益；

對明文中的元素t1、t2、…、tm進行排序，取出最大值，所述最大值對應(yīng)的屬性為最佳分裂屬性；

將所述最佳分裂屬性發(fā)送至各個客戶端。

本實施例中，決策樹的生成可以采用id3算法，id3采取具有最大信息增益的屬性作為最佳分裂屬性。

本實施例中，服務(wù)器端為半可信的第三方，服務(wù)器端負責數(shù)據(jù)結(jié)果對比整理，確定最佳分裂屬性，并將確定的最佳分裂屬性傳回給各個客戶端，各個客戶端根據(jù)接收到的最佳分裂屬性進行決策樹的分裂，直到完成一顆決策樹的構(gòu)建完成為止。服務(wù)器端只知道樣本集中屬性信息和經(jīng)計算器端傳過來的全局信息增益，對各客戶端中的原始數(shù)據(jù)信息一無所知。

本實施例中，服務(wù)器端確定最佳分裂屬性的步驟可以包括：首先接收由計算器端傳來的全局信息增益t'＝{t1',t2',…,tm'}，通過私鑰sk對全局信息增益t'＝{t1',t2',…,tm'}進行解密，得到明文t＝{t1,t2,…,tm}，明文里面的元素即為各個屬性所產(chǎn)生的全局信息增益，對明文t＝{t1,t2,…,tm}里面元素進行排序(例如，升序排序，)取出最大值選取明文t＝{t1,t2,…,tm}里面的最大值，該最大值對應(yīng)的屬性即為具有最大信息增益的屬性，具有最大信息增益的屬性為最佳分裂屬性。

在前述5g通信標準下的分布式隱私保護機器學習方法的具體實施方式中，進一步地，在各個客戶端根據(jù)接收到的最佳分裂屬性進行決策樹的分裂，直至完成一顆決策樹的構(gòu)建之后，所述方法還包括：

在各個客戶端各生成一棵決策樹后，通過隨機抽樣bagging思想從原始數(shù)據(jù)中重新選擇樣本集，并通過特征子空間思想重新選擇屬性；

根據(jù)重新選擇的樣本集和屬性，重復(fù)執(zhí)行s1-s5進行另外一棵決策樹的構(gòu)建，直到生成k棵決策樹，其中，k大于1。

本實施例中，為了提高該分布式環(huán)境下的決策樹分類準確率，采用隨機森林思想生成多棵決策樹共同預(yù)測最終的分類結(jié)果，假設(shè)隨機森林由k棵決策樹{h(x,θk),k＝1,2,…,k}組成，其中，k為大于1的預(yù)設(shè)值，x代表原始樣本集中的數(shù)據(jù)，{θk,k＝1,2,…,k}是一個隨機變量序列，該隨機變量序列由隨機森林的兩大思想決定：特征子空間思想以及bagging思想；也就是說，當輸入待分類的樣本時，決策結(jié)果由這k個決策樹的分類結(jié)果共同決定，為了降低生成的每一棵決策樹之間的關(guān)聯(lián)性，提高分類準確率，生成每一棵決策樹時，采用特征子空間思想以及bagging思想。

本實施例中，特征子空間思想具體體現(xiàn)為：當隨機森林中的每個決策樹生成時，并不使用全部的屬性，而是從全部屬性中隨機等概率抽取一個屬性子集。為了降低每個決策樹之間的關(guān)聯(lián)性，在服務(wù)器端，通常抽取[(log2m)+1]個屬性作為屬性子集，其中，m為服務(wù)器端屬性總數(shù)。決策樹的分裂結(jié)點從這些屬性子集中選取，通過特征子空間思想，可以有效降低計算所需的特征維度，進而降低每棵決策樹生成時的時間復(fù)雜度。

本實施例中，bagging思想表現(xiàn)為：從原始樣本集x中有放回的抽取k個與原始樣本集相同大小的樣本集{θk,k＝1,2,…,k}，為每一個抽取出來的樣本集θk分別生成一個決策樹。通過bagging思想的隨機選取策略，有效的降低了數(shù)據(jù)源中因數(shù)據(jù)分布不均勻造成決策樹分類準確率降低的問題。

本實施例中，綜上，在各個客戶端各生成一棵決策樹后，通過隨機抽樣bagging思想從原始數(shù)據(jù)中重新選擇樣本集，并通過特征子空間思想重新選取m＝[(log2m)+1]個屬性傳回給各個客戶端，作為下一次決策樹分裂所需要的屬性子集；根據(jù)重新選擇的樣本集和屬性，重復(fù)執(zhí)行s1-s5進行另外一棵決策樹的構(gòu)建，直到生成k棵決策樹。

在前述5g通信標準下的分布式隱私保護機器學習方法的具體實施方式中，進一步地，在生成k棵決策樹后，所述方法還包括：

輸入待分類樣本，通過生成的k棵決策樹分別預(yù)測所述待分類樣本的類別；

根據(jù)k棵決策樹分別預(yù)測的所述待分類樣本的類別，利用投票表決法，確定待分類樣本最終所屬的類別。

如圖4所示，生成多棵決策樹后，為了提高分類準確率，通過生成的k棵決策樹分別預(yù)測所述待分類樣本的類別，根據(jù)k棵決策樹分別預(yù)測的所述待分類樣本的類別，利用投票表決法，確定待分類樣本最終所屬的類別，從而通過同態(tài)加密、決策樹分類以及隨機森林思想，在保證傳輸過程中客戶端用戶隱私的同時，實現(xiàn)在數(shù)據(jù)分布式環(huán)境中隱私保護的機器學習。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。