一种网络流量检测方法、系统及相关组件与流程

1.本发明涉及网络安全领域，特别涉及一种网络流量检测方法、系统及相关组件。


背景技术：

2.当前，在网络安全管理领域，网络流量的日常观测属于基础且重要的一环。常规的网络流量日常观测方法，有主成分分析法(principal component analysis，pca)和基于奇异谱变换(singular spectrum transform，sst)的时间序列变点检测(change-point detection，cpd)。
3.其中主成分分析法pca对大噪声和尖锐峰值极为敏感，导致该方法用于对包含稀疏大噪声的网络流量进行分析时，分析结果无法排除大噪声的干扰，鲁棒性较差。时间序列变点检测cpd分析网络流量时，由于时间区间之间存在无限的估计，在有限样本数的时间区间上的偏微分方程的解为非平凡解，故难以处理，在实际应用时，即使结合奇异谱变换sst，稀疏大噪声的存在依然导致观测结果鲁棒性差。
4.因此，如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种避免稀疏大噪声干扰的、鲁棒性较高的网络流量检测方法、系统及相关组件。其具体方案如下：
6.一种网络流量检测方法，包括：
7.获取当前网络流量数据；
8.将所述网络流量数据以时刻为单位进行向量化处理，得到每个所述时刻对应的网络流量向量；
9.以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；
10.分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵；
11.分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵；
12.从所述延时低秩矩阵中选择行和列均为第一预设值的目标矩阵，计算该目标矩阵的特征向量，并根据所有所述特征向量得到特征向量超平面；
13.从所述超时低秩矩阵中选择贡献度最高的主成分作为目标向量；
14.计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级。
15.优选的，所述分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵的过程，具体包括：
16.通过非精确增广拉格朗日乘子算法，分别对所述延时轨迹矩阵和所述超时轨迹矩
阵进行rpca低秩恢复的优化，得到延时低秩矩阵和超时低秩矩阵。
17.优选的，所述获取当前网络流量数据的过程，具体包括：
18.按照用户终端设置，获取当前网络流量数据；
19.所述用户终端设置包括所述网络流量数据的时间序列窗口大小和数据集类型，所述数据集类型包括域名请求数、和/或地址访问数、和/或网络会话数、和/或带内流量值。
20.优选的，所述以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列的过程，包括：
21.以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；
22.其中，所述延时子序列包括第一延时起点时刻到所述目标时刻的所有所述网络流量向量，所述超时子序列包括第一超时起点时刻到第一超时终点时刻的所有所述网络流量向量；
23.所述第一延时起点时刻到所述目标时刻对应的所有所述网络流量向量的个数，与所述第一超时起点时刻到所述第一超时终点时刻对应的所有所述网络流量向量的个数，均为第二预设值；所述第一超时起点时刻滞后所述目标时刻预设时间长度。
24.优选的，所述分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵的过程，包括：
25.利用第二延时起点时刻到所述目标时刻中每个时刻对应的延时子序列构造延时轨迹矩阵；所述第二延时起点时刻到所述目标时刻对应的所有延时子序列的个数为第三预设值；
26.利用所述目标时刻到第二超时终点时刻中每个时刻对应的超时子序列构造超时轨迹矩阵；所述目标时刻到所述第二超时终点时刻对应的所有超时子序列的个数为第四预设值。
27.优选的，所述计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级的过程，包括：
28.根据公式计算流量异常值；其中，β为所述目标向量，hr为所述特征向量超平面，cp(t1)为所述目标时刻t1对应的流量异常值；
29.根据所述流量异常值确定所述目标时刻对应的流量异常等级。
30.优选的，所述网络流量检测方法还包括：
31.将所述网络流量数据及其对应的流量异常等级通过可视化展示。
32.相应的，本技术还公开了一种网络流量检测系统，包括：
33.获取模块，用于获取当前网络流量数据；
34.预处理模块，用于将所述网络流量数据以时刻为单位进行向量化处理，得到每个所述时刻对应的网络流量向量；
35.序列模块，用于以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；
36.矩阵模块，用于分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵；
37.低秩模块，用于分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵；
38.超平面模块，用于从所述延时低秩矩阵中选择行和列均为第一预设值的目标矩阵，计算该目标矩阵的特征向量，并根据所有所述特征向量得到特征向量超平面；
39.目标向量模块，用于从所述超时低秩矩阵中选择贡献度最高的主成分作为目标向量；
40.计算模块，用于计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级。
41.相应的，本技术还公开了一种网络流量检测装置，包括：
42.存储器，用于存储计算机程序；
43.处理器，用于执行所述计算机程序时实现如上文任一项所述网络流量检测方法的步骤。
44.相应的，本技术还公开了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文任一项所述网络流量检测方法的步骤。
45.本技术公开了一种网络流量检测方法，包括：获取当前网络流量数据；将所述网络流量数据以时刻为单位进行向量化处理，得到每个所述时刻对应的网络流量向量；以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵；分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵；从所述延时低秩矩阵中选择行和列均为第一预设值的目标矩阵，计算该目标矩阵的特征向量，并根据所有所述特征向量得到特征向量超平面；从所述超时低秩矩阵中选择贡献度最高的主成分作为目标向量；计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级。本技术选择rpca低秩恢复得到延时低秩矩阵和超时低秩矩阵，这一过程中剔除了原本网络流量数据中的稀疏大噪声，同时对突变点进行检测，整个检测方法具有较高的鲁棒性，确定的突变点更准确。
附图说明
46.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，还可以根据提供的附图获得其他的附图。
47.图1为本发明实施例中一种网络流量检测方法的步骤流程图；
48.图2为本发明实施例中一种网络流量检测方法的子步骤示意图：
49.图3为本发明实施例中一种网络流量检测方法的子步骤示意图；
50.图4a-图4c分别为本发明实施例中不同方法的检测结果对比图；
51.图5a和图5b为本发明实施例中不同方法的异常评分类间离散效果对比图；
52.图6为本发明实施例中不同方法的esr评分图；
53.图7为本发明实施例中一种网络流量检测系统的结构分布图。
具体实施方式
54.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。
55.当前，传统的主成分分析法pca对大噪声和尖锐峰值极为敏感，导致该方法的分析结果无法排除大噪声的干扰，鲁棒性较差。时间序列变点检测cpd分析网络流量时，由于时间区间之间存在无限的估计，在有限样本数的时间区间上的偏微分方程的解为非平凡解，故难以处理，在实际应用时，即使结合奇异谱变换sst，稀疏大噪声的存在依然导致观测结果鲁棒性差。
56.本技术选择rpca低秩恢复得到延时低秩矩阵和超时低秩矩阵，这一过程中剔除了原本网络流量数据中的稀疏大噪声，同时对突变点进行检测，整个检测方法具有较高的鲁棒性，确定的突变点更准确。
57.本发明实施例公开了一种网络流量检测方法，参见图1所示，包括：
58.s1：获取当前网络流量数据；
59.s2：将网络流量数据以时刻为单位进行向量化处理，得到每个时刻对应的网络流量向量；
60.具体的，将所有的网络流量数据以时刻为单位划分可得到每个时刻对应的网络流量数据，再将其向量化处理，则每个时刻t对应的网络流量向量为y(t)；
61.s3：以所有时刻中任一时刻为目标时刻，通过所有网络流量向量，构造目标时刻的延时子序列和超时子序列；
62.该步骤在具体实施时，通常可按以下方式进行：
63.以所有时刻中任一时刻为目标时刻，通过所有网络流量向量，构造目标时刻的延时子序列和超时子序列；
64.其中，延时子序列包括第一延时起点时刻到目标时刻的所有网络流量向量，超时子序列包括第一超时起点时刻到第一超时终点时刻的所有网络流量向量；
65.第一延时起点时刻到目标时刻对应的所有网络流量向量的个数，与第一超时起点时刻到第一超时终点时刻对应的所有网络流量向量的个数，均为第二预设值；第一超时起点时刻滞后目标时刻预设时间长度。
66.可以理解的是，延时子序列和超时子序列一定是以相同个数的网络流量向量构成，但具体的网络流量向量的时刻范围的起点和终点并非要完全按照上文描述来，也可根据实际需求进行设置，时刻范围的集合开闭也可根据实际需求调整。
67.参见图2所示，假设目标时刻为t＝t1，第二预设值为w，则第一延时起点时刻为t
1-w，第一超时起点时刻滞后目标时刻预设时间长度g，由此，若此时集合规则为左开右闭，则可得到该目标时刻t1的延时子序列：v(t
1-1)＝[y(t
1-w),......,y(t
1-1)]
t
，以及该目标时刻t1的超时子序列：r(t1 g)＝[y(t1 g),......,y(t1 g-w)]
t
。
[0068]
可以理解的是，以上延时子序列和超时子序列的表示仅为一种示例，实际应用中，各序列的表示方法和时刻范围可根据需求进行调整。
[0069]
s4：分别利用延时子序列和超时子序列构造延时轨迹矩阵和超时轨迹矩阵；
[0070]
该步骤在具体实施时，通常可按以下方式进行：
[0071]
利用第二延时起点时刻到目标时刻中每个时刻对应的延时子序列构造延时轨迹矩阵；第二延时起点时刻到目标时刻对应的所有延时子序列的个数为第三预设值；
[0072]
利用目标时刻到第二超时终点时刻中每个时刻对应的超时子序列构造超时轨迹矩阵；目标时刻到第二超时终点时刻对应的所有超时子序列的个数为第四预设值。
[0073]
同样的，此处涉及到的延时轨迹矩阵和超时轨迹矩阵的时间范围，其长度和端点开闭，均可根据实际需求进行设定，此处不作限制。
[0074]
具体的，可设第三预设值为n，则第二延时起点时刻为t
1-n，若构造矩阵时集合规则为时间范围左开右闭，则可得到该目标时刻t1的延时轨迹矩阵为：h(t1)＝[v(t
1-n),......,v(t
1-1)]
t
；同理，设第四预设值为m，则第二超时终点时刻为t1 m，若构造矩阵时集合规则为时间范围左开右闭，则可得到该目标时刻t1的超时轨迹矩阵为g(t1)＝[r(t1 g),......,r(t1 g m-2),r(t1 g m-1)]。
[0075]
可以理解的是，以上延时轨迹矩阵和超时轨迹矩阵的表示仅为一种示例，实际应用中，各矩阵的表示方法和时刻范围可根据需求进行调整。
[0076]
s5：分别对延时轨迹矩阵h(t1)和超时轨迹矩阵g(t1)进行rpca低秩恢复，得到延时低秩矩阵ah和超时低秩矩阵ag；
[0077]
可以理解的是，rpca低秩恢复的动作，剔除了原本网络流量数据中的大噪声，提高了整个检测方法的鲁棒性和异常点检测的准确性。
[0078]
s6：从延时低秩矩阵h(t1)中选择行和列均为第一预设值l的目标矩阵，计算该目标矩阵的特征向量h1，
……
，h
l
，并根据所有特征向量得到特征向量超平面hr＝span{h1,h2,......,h
l
}；
[0079]
s7：从超时低秩矩阵中选择贡献度最高的主成分作为目标向量β；
[0080]
s8：计算目标向量到特征向量超平面的距离，以确定目标时刻对应的流量异常等级。
[0081]
其中，该步骤具体包括：
[0082]
根据公式计算流量异常值；其中，β为所述目标向量，hr为所述特征向量超平面，cp(t1)为所述目标时刻t1对应的流量异常值；
[0083]
根据流量异常值确定目标时刻对应的流量异常等级。
[0084]
具体的，本实施例中步骤s4-s8对数据的处理和变换可参照图3。
[0085]
可见，本技术实施例选择rpca低秩恢复得到延时低秩矩阵和超时低秩矩阵，这一过程中剔除了原本网络流量数据中的稀疏大噪声，同时对突变点进行检测，整个检测方法具有较高的鲁棒性，确定的突变点更准确。
[0086]
本发明实施例公开了一种具体的网络流量检测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。
[0087]
具体的，分别对延时轨迹矩阵和超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵的过程，包括：
[0088]
通过非精确增广拉格朗日乘子(inexact augmented lagrange multiplier，ialm)算法，分别对延时轨迹矩阵和超时轨迹矩阵进行rpca低秩恢复的优化，得到延时低秩
矩阵和超时低秩矩阵。
[0089]
具体的，非精确增广拉格朗日乘子算法的优化过程对应的伪代码如下：
[0090][0091]
根据以上伪代码，即可对本实施例中需要进行rpca低秩恢复的延时轨迹矩阵和超时轨迹矩阵进行优化。
[0092]
本发明实施例公开了一种具体的网络流量检测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。
[0093]
其中，获取当前网络流量数据的过程，具体包括：
[0094]
按照用户终端设置，获取当前网络流量数据；
[0095]
用户终端设置包括网络流量数据的时间序列窗口大小和数据集类型，数据集类型包括域名请求数、和/或地址访问数、和/或网络会话数、和/或带内in bound流量值。
[0096]
具体的，时间序列窗口大小可在用户终端设置为30天、7天或1天。
[0097]
进一步的，除了网络流量数据的时间序列窗口大小和数据及类型，用户终端设置还包括异常值检测阈值，该阈值在确定流量异常值对应的流量异常等级时提供判定标准。
[0098]
进一步的，网络流量检测方法还包括：
[0099]
将网络流量数据及其对应的流量异常等级通过可视化展示。
[0100]
可以理解的是，根据上文实施例中的网络流量检测方法，每个时刻都可作为目标时刻进行计算，从而能够得到每个时刻对应的异常流量等级或异常流量值。在获取了对于每个时刻的所有相关数据后，可将这些数据向用户终端输出，具体的，向用户终端输出的数据内容包括所有时刻的时间戳序列、所有网络流量数据、异常值检测阈值、异常流量等级、异常流量值、异常点的特征向量矩阵，此处异常点的定义具体为：当某时刻所对应的异常流量值超出异常值检测阈值，则该时刻被判定为异常点；根据异常流量值与异常值检测阈值
的差值大小，可进一步确定该异常点的异常流量等级，例如将异常流量等级分为无异常、一般异常、中度异常和严重异常；该异常点的特征向量矩阵主要包括主成分个数、主成分贡献占比、主成分特征值列表等数据。
[0101]
进一步的，在用户终端显示以上数据时，可通过可视化对流量异常等级进行展示，具体的，通过折线图、柱状图、泳道图以及色彩变化等可视化手段显示。
[0102]
本发明实施例公开了一种具体的网络流量检测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。
[0103]
具体的，本实施例中对本技术实施例的网络流量检测方法，下简称为rpca-sst，和传统的sst方法在不同方向上进行比较：
[0104]
参见图4a-图4c，这三张图分别为不同的三段数据的网络流量数据input、sst方法和本技术的rpca-sst中异常点和稀疏大噪声的检测结果；
[0105]
参见图5a和图5b，这两张图分别为不同的两端数据的网络流量数据input、sst方法、rsst方法、rulsif、本技术的rpca-sst方法的异常评分类间离散效果对比；
[0106]
参见图6所示的多种算法的esr评分体现。可以理解的是，采样率相等(equality of sampling rate，esr)评分算法是一种无阈值的质量度量，用于考察各算法的性能质量。对于在区域1≤t≤t上定义的两个离散概率分布p(t)和q(t)，采样相等定义为：
[0107][0108]
其中，c为容差参数，h为区域[-c，c]上定义的距离缩放函数。es(p,q,c,1)是召回率和精确率的概览，基于es，可得到esr的定义为：
[0109]
esr(p,q,c,1)＝ω
×
es(p,q,c,1) (1-ω)
×
es(q,p,c,1)；
[0110]
其中1≤ω≤1是在召回率和精确度之间折衷的权重参数。esr分数越高，表明cpd性能越好，具体推导和运算分析可参见文献y.mohammad and t.nishida,“on comparing ssa-based changepoint discovery algorithms,”in system integration(sii),2011ieee/sice international symposium on.ieee,2011,pp.938
–
945，该公式对应文献公式(14)，此处不再赘述。
[0111]
通过以上的不同方向、不同手段对各类网络流量检测方法的测试比较，明显可以看到本技术公开的流量检测方法rpca-sst能够避开稀疏大噪声，具有更高的鲁棒性和更准确的异常值检测结果，准确性远高于其他传统方法。
[0112]
相应的，本技术还公开了一种网络流量检测系统，参见图7所示，包括：
[0113]
获取模块1，用于获取当前网络流量数据；
[0114]
预处理模块2，用于将所述网络流量数据以时刻为单位进行向量化处理，得到每个所述时刻对应的网络流量向量；
[0115]
序列模块3，用于以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；
[0116]
矩阵模块4，用于分别利用所述延时子序列和所述超时子序列构造延时轨迹矩阵和超时轨迹矩阵；
[0117]
低秩模块5，用于分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复，得到延时低秩矩阵和超时低秩矩阵；
[0118]
超平面模块6，用于从所述延时低秩矩阵中选择行和列均为第一预设值的目标矩阵，计算该目标矩阵的特征向量，并根据所有所述特征向量得到特征向量超平面；
[0119]
目标向量模块7，用于从所述超时低秩矩阵中选择贡献度最高的主成分作为目标向量；
[0120]
计算模块8，用于计算所述目标向量到所述特征向量超平面的距离，以确定所述目标时刻对应的流量异常等级。
[0121]
本技术实施例选择rpca低秩恢复得到延时低秩矩阵和超时低秩矩阵，这一过程中剔除了原本网络流量数据中的稀疏大噪声，同时对突变点进行检测，整个检测方法具有较高的鲁棒性，确定的突变点更准确。
[0122]
在一些具体的实施例中，低秩模块具体用于：通过非精确增广拉格朗日乘子算法，分别对所述延时轨迹矩阵和所述超时轨迹矩阵进行rpca低秩恢复的优化，得到延时低秩矩阵和超时低秩矩阵。
[0123]
在一些具体的实施例中，获取模块具体用于：按照用户终端设置，获取当前网络流量数据；所述用户终端设置包括所述网络流量数据的时间序列窗口大小和数据集类型，所述数据集类型包括域名请求数、和/或地址访问数、和/或网络会话数、和/或带内流量值。
[0124]
在一些具体的实施例中，序列模块具体用于：
[0125]
以所有所述时刻中任一所述时刻为目标时刻，通过所有所述网络流量向量，构造所述目标时刻的延时子序列和超时子序列；
[0126]
其中，所述延时子序列包括第一延时起点时刻到所述目标时刻的所有所述网络流量向量，所述超时子序列包括第一超时起点时刻到第一超时终点时刻的所有所述网络流量向量；
[0127]
所述第一延时起点时刻到所述目标时刻对应的所有所述网络流量向量的个数，与所述第一超时起点时刻到所述第一超时终点时刻对应的所有所述网络流量向量的个数，均为第二预设值；所述第一超时起点时刻滞后所述目标时刻预设时间长度。
[0128]
在一些具体的实施例中，矩阵模块具体用于：
[0129]
利用第二延时起点时刻到所述目标时刻中每个时刻对应的延时子序列构造延时轨迹矩阵；所述第二延时起点时刻到所述目标时刻对应的所有延时子序列的个数为第三预设值；
[0130]
利用所述目标时刻到第二超时终点时刻中每个时刻对应的超时子序列构造超时轨迹矩阵；所述目标时刻到所述第二超时终点时刻对应的所有超时子序列的个数为第四预设值。
[0131]
在一些具体的实施例中，计算模块具体用于：
[0132]
根据公式计算流量异常值；其中，β为所述目标向量，hr为所述特征向量超平面，cp(t1)为所述目标时刻t1对应的流量异常值；
[0133]
根据所述流量异常值确定所述目标时刻对应的流量异常等级。
[0134]
在一些具体的实施例中，所述网络流量检测系统还包括：
[0135]
可视化模块，用于将所述网络流量数据及其对应的流量异常等级通过可视化展示。
[0136]
相应的，本技术实施例还公开了一种网络流量检测装置，包括：
[0137]
存储器，用于存储计算机程序；
[0138]
处理器，用于执行所述计算机程序时实现如上文任一实施例所述网络流量检测方法的步骤。
[0139]
相应的，本技术实施例还公开了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文任一实施例所述网络流量检测方法的步骤。
[0140]
其中，本技术实施例中网络流量检测方法的具体内容可以参照上文实施例中的相关描述，此处不再赘述。
[0141]
其中，本技术实施例的网络流量检测装置和可读存储介质具有与上文实施例中网络流量检测方法相同的技术效果，此处不再赘述。
[0142]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0143]
以上对本发明所提供的一种网络流量检测方法、系统及相关组件进行了详细介绍，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。