一种基于区块链的无人机辅助车联网频谱分配方法与流程

1.本发明涉及一种频谱分配方法，特别是一种基于区块链的无人机辅助车联网频谱分配方法，属于车联网及智能驾驶技术领域。


背景技术：

2.车联网是互联网和物联网融合的产物，为智能交通提供了便捷多样的服务。目前车联网技术两大阵营分别是由美国主导的通用短距离通信(dsrc)和国内企业推动的车间通信长期演进(lte-v)系统。随着工业物联网技术在车辆网络中的快速发展，车辆与车辆、车辆与行人、车辆与基础设施单元之间的数据交换越来越频繁。车载网络面临着可靠性和实时性要求高的巨大挑战，无论是dsrc还是lte-v通信都不能够满足现阶段车联网的需求。此外，目前车联网系统主要为基于enodeb和路边设施单元(rsu)的异构网络，rsu作为车辆无线接入点，将车辆和道路等信息上传至互联网并发布，这种车与基础设施的协作通信模型需要大量的rsu支撑，增加了建设成本和能源消耗，同时导致不同无线电设备之间严重的干扰。
3.近年来，uav由于其在无线通信系统中高移动性、部署方便等特点受到广泛关注。uav的典型特征是实现远距离的视距连接，可随时为基站覆盖区域以外的用户提供无线连接，能够被用来卸载业务流和减少地面通信系统的干扰。将uav应用于智能交通系统，作为空中基站辅助车联网地面通信系统，能够提高车联网系统容量和车载应用的质量。
4.在车联网中由于大量车辆分布在有限的区域内，频谱管理变得更加复杂。目前对车联网的研究主要依赖于集中式模型。在金字塔式的组织结构中，决策权基本由最高级别的中央管理中心控制。由于管理的层级过多，组织内部会消耗大量的通信成本和协调成本，这使得车辆网络系统管理缺乏灵活性。具体而言，集中式管理模式存在以下缺点：
5.1)严重的网络拥塞。在车辆拥挤或者车辆网络中有大量设备接入时，集中式的网络结构很可能造成中心的网络拥塞，中央云服务器很容易到达瓶颈甚至瘫痪，或者由于单点故障而破坏整个网络。另一方面，在基站设备不能充分辐射的偏远地区，通信系统不能充分发挥其性能。
6.2)维护费用高，频谱分配效率低。随着物联网、车联网和人工智能等技术的快速发展，无线电设备的数目将呈指数型增长，集中式频谱管理系统的数据处理压力激增。为了满足海量不同用户设备的频谱需求，集中式的频谱管理系统需要不断升级设备以保障其用户的性能，这种方式将导致极大的维护费用。除此之外，车联网对于端到端时延要求极高，需要维持在1ms以内，这需要集中式的频谱管理系统提升其频谱分配效率，然而，无线电数目的激增使得频谱分配效率愈发难以保障。因此，需要一种更加经济、高效的频谱分配方式。
7.3)日趋复杂的干扰管理。目前，无线通信广泛应用于室内接入、短距离通信、卫星通信、移动通信以及传感器网络等各种通信网络中。随着无线电设备的激增和业务类型日趋丰富，无线带宽难以应对激增的移动数据流量需求。为此，运营商普遍采用增加基础设施(如基站、接入点等)的方法提高频谱复用率，这种异构分层的网络结构将导致不同无线电
设备之间严重的干扰。对于海量无线电设备共存且动态变化场景的干扰管理将日益复杂，集中式的频谱管理系统将产生极大的系统开销，用户的性能需求也愈发难以保障。
8.4)日益严重的安全威胁。未来b5g或者6g网络将容纳数百亿的无线电设备，以实现泛在智能。同时，不可信节点(如恶意节点)的数目也会随之增多，伪基站、黑广播、窃听器、无线电作弊装置等非法无线电台将严重扰乱公共无线电秩序，对用户隐私及数据安全形成极大的安全风险，也为更精准的干扰管理制造了障碍。同时，恶意节点对集中式数据库的攻击和中心机构对数据的恶意篡改及泄露等行为将对用户数据的安全性产生极大的威胁。
9.近年来，区块链的出现为车联网通信安全性的提升提供了新的方向。区块链是一种全新的去中心化的基础架构和分布式计算范式，相比中心化模式具有分散性、不可篡改性、可追溯性和开放性等优点。区块链技术能够通过数据加密、时间戳和分布式共识等手段，在分布式系统中实现点对点交易、协调与协作，从而解决中心化模式的高成本、低效率和数据存储不安全等问题。利用区块链管理无线频谱资源能够有效提升频谱资源的分配效率、系统的可靠性和安全性，并降低系统的维护成本。


技术实现要素：

10.本发明所要解决的技术问题是提供一种基于区块链的无人机辅助车联网频谱分配方法，提高车联网资源利用率和可靠性。
11.为解决上述技术问题，本发明所采用的技术方案是：
12.一种基于区块链的无人机辅助车联网频谱分配方法，其特征在于包含以下步骤，如图1所示：
13.步骤一：构建uav辅助的车联网网络，获取车联网网络中的uav数目、车辆数目、子信道数目、中断概率和时延信息，并通过获取的信息构建区块链资源管理模型，为每个uav节点配置一个可信节点列表，称为唯一节点列表(unl)；
14.步骤二：车辆接入的uav节点为主节点，车辆向主节点提交频谱请求，主节点设定优化问题并采用深度强化学习方法求解，得到车辆与uav之间的通信频谱和发射功率；
15.步骤三：主节点将请求事务广播给唯一节点列表unl上的uav节点，uav节点收到请求后，采用瑞波共识机制对请求事务执行智能合约和共识协议，唯一节点列表unl中的uav节点对交易进行投票，确认请求事务是否通过；
16.步骤四：将未通过的请求事务丢弃，对通过的请求事务，将所有车辆信息、交易记录和时间戳打包到一个新的区块中，并附加到区块链上，广播至所有uav节点。
17.进一步地，所述uav辅助的车联网网络由多个uav和车辆组成，uav数目为u，车辆数目为i，每个uav在一个设定区域内飞行，作为空中基站协助车辆源节点和目标节点之间通信，uav辅助通信链路为车辆提供高可靠性和低延迟的通信，系统频谱在所有uav之间共享，系统信道数目为n。
18.进一步地，所述区块链资源管理模型具体为：
19.针对uav对车辆发送信息链路的下行传输系统，假定信息传输为周期性的数据包传输；考虑uav在与车辆通信过程中，其他uav会对此通信链路带来干扰，uav u与车辆在信道n的速率r
u,n
可表示为
[0020][0021]
其中，p
u,n
表示uav u在信道n的传输功率，是uav u在信道n对所接入车辆的信道增益，是uav u'在信道n对其它uav所接入车辆的信道增益，和由所有车辆的信道增益统计平均得到，σ2是高斯白噪声功率。
[0022]
当uav和车辆之间的通信链路的信噪比低于γ0时，uav对车辆的通信传输将中断；在任意时间周期，数据包没有被成功发送的概率由中断概率p
out,u
表示，即信噪比小于γ0的概率；中断概率表达式为
[0023][0024]
其中，a
u',n
表示uav u'在信道n的分配变量。
[0025]
假设yu表示uav u的数据包的平均发送时间，当数据包在当前时隙未能成功发送时则重新发送，若重传的次数未达到n，则在下一个时隙继续重传，若重传次数已达到n，则选择丢弃；假设每个时隙长度为t，yu的概率函数表示为
[0026][0027]
使用du表示平均发送时延，表达式为
[0028][0029]
其中，e{
·
}表示随机变量的均值。
[0030]
进一步地，所述步骤二具体为：
[0031]
车辆接入车联网后向uav申请与uav通信的频谱，uav接收到车辆的频谱请求后，设定优化问题，而后对优化问题求解得出所请求信道和功率；
[0032]
以优化能量效率为目标，优化问题设定为：
[0033][0034][0035][0036][0037]
[0038][0039][0040]
其中a
u,n
表示uav u在信道n的分配变量，限制条件c1表示连接uav u的车辆的通信速率高于最小需求，c2和c3分别表示中断概率和平均时延最高限制，c4表示uav的信道分配变量，c5表示每次申请的信道数目为1，c6表示uav u的最大发送功率限制；
[0041]
为了解决上述优化问题，采用深度q学习(dql)方法来获得优化变量值；uav作为学习代理在时间t感知状态s(t)，并输出策略π，策略π决定采取的动作a(t)，然后执行此动作；为了让学习代理积累经验进而更好地选择动作，环境会给学习代理奖励r(t)作为反馈；此时，进入到下一个状态s(t 1)，学习代理继续感知s(t 1)，并做出新的策略π，以此类推，最终使环境状态达到收敛，代理获得最大奖励。
[0042]
进一步地，所述uav节点采用deep q-learning方法求解优化问题的步骤如下：
[0043]
1)将联合优化问题定义为马尔可夫决策过程，定义状态空间、动作空间和奖励函数；
[0044]
状态s(t)中包含了当前t时刻uav申请的信道f(t)和uav发送的功率p(t)；因此，状态空间表示为
[0045][0046]
f(t)、p(t)分别表示为：
[0047][0048][0049]fn
(t)表示在t时刻申请信道n给当前的uav使用，p
l
(t)表示在t时刻申请uav发射功率的大小；
[0050]
根据当前状态s(t)，uav采取动作a(t)来改变当前环境；动作空间由下式表示
[0051][0052]
根据状态空间和动作空间，将uav的能量效率建模为奖励函数，表示为
[0053][0054]
2)定义q(s,a,θ)为动作价值函数，表示状态s下动作a的期望总奖励，表达式为
[0055]
q(s,a,θ)＝e[r
t
|s
t
＝s,a
t
＝a,θ]
[0056]
其中θ是评估网络中设置的权重和偏差；
[0057]
定义经验回放集合d，{s
t
,a
t
,r
t
,s
t 1
}表示状态变化和对应的动作及奖励的集合；
[0058]
为简化描述，使用q网络表示dql方法中的神经网络，使用q值表示函数q(s,a,θ)的值；随机初始化网络的参数θ，基于θ初始化所有状态和动作的q值，清空经验回放集合d，初
始化状态s
t
；
[0059]
3)在函数q(s,a,θ)中使用状态s
t
作为输入，得到q网络的所有动作对应的q值输出，选择最大q值对应的动作其中q(s,a,θ)取最大值时，记为
[0060][0061]
4)在状态s
t
下执行动作a
t
，获得奖励r
t
，得到新状态s
t 1
，并将{s
t
,a
t
,r
t
,s
t 1
}存入集合d；
[0062]
5)从集合d中随机选择m个样本{{sj,aj,rj,s
j 1
}},j＝1,2,...,m，计算当前目标q值yj：
[0063][0064]
表示uav获得最大的长期奖励，并终止学习；
[0065]
6)定义损失函数l(θ)表示目标网络与评估网络的输出q值之差，如式
[0066][0067]
其中，θ-是在目标网络中设置的权重和偏差，θ是评估网络中设置的权重和偏差；
[0068]
将t时刻和t 1时刻的参数θ分别用θ(t)和θ(t 1)表示；根据l(θ)计算神经网络参数的梯度，然后更新参数θ(t)，而后使用参数θ(t 1)更新神经网络模块，表示如下：
[0069][0070]
7)将状态s
t
更新为s
t 1
；
[0071]
重复步骤2～7，直到yj为收敛状态，即得到所请求的信道和功率值。
[0072]
进一步地，所述主节点请求信道和功率后节点间达成共识的过程为：
[0073]
1)将主节点请求信道和功率资源定义为请求事务，主节点将请求事务广播给unl中的uav节点；
[0074]
2)unl中的节点与其本地候选集进行比较，本地候选集即uav保留在其本地的频谱资源信息集，该资源信息是实时更新的，空闲的频谱才会在此候选集中。如果请求的信道在本地候选集中是空闲的，则该事务将会获得投票；如果请求的频谱未在本地候选集中，则节点根据请求节点使用此频谱是否给自身带来有害干扰来判定是否允许使用，依据的表达式为
[0075][0076]
若上式满足则允许请求节点使用，即获得投票，反之则不会获得投票；
[0077]
3)unl中的节点把投票结果通过网络广播回主节点，主节点统计事务的票数；
[0078]
4)当请求事务获得超过50％的投票时，该事务通过，投票停止；如果unl的所有节点都完成了对该交易的投票或超过一定时间限制仍未获得超过50％的节点投票，则该事务被丢弃，主节点重新提交其它频谱和功率请求。
[0079]
进一步地，所述步骤四具体为：
[0080]
通过投票的事务交易信息、时间戳和记账节点公钥被打包到一个新的块中；
[0081]
区块体记录具体的数据，投票事务信息保存在新生成的记录中，包括车辆信息、分配信道和功率；区块数据结构为merkle树，数据记录在叶子结点，非叶子结点的值为所有叶子结点数据的哈希值，每两片相邻的叶子联合做哈希计算成为上层节点的内容，持续计算产生最顶层的merkle根节点的哈希值，快速归纳和校验区块数据的存在性和完整性；
[0082]
将区块广播至全网节点，每个节点将收到的新区块添加到区块链中；每个节点更新本地候选集，将新的被使用的信道从本地候选集中去掉。
[0083]
本发明与现有技术相比，具有以下优点和效果：
[0084]
1、本发明通过构建uav辅助的车联网系统，并推导了通信传输速率、中断概率和自动重传延迟，提升了车联网的速率；
[0085]
2、本发明采用ripple共识机制进行频谱分配和功率控制，数据在每个节点备份，uav节点共同维护区块链，如果恶意节点想篡改存储在块中的频谱数据，只能通过结合至少51％的节点同时修改数据来实现，提升了系统的可靠性；
[0086]
3、本发明通过解优化问题和深度强化学习，计算了频谱资源分配的最大速率和效率，减低了系统的时延。
附图说明
[0087]
图1是本发明的主节点请求信道和功率后节点间达成共识的流程图。
[0088]
图2是本发明的一种基于区块链的无人机辅助车联网的网络结构图。
[0089]
图3是本发明的一种基于区块链的无人机辅助车联网频谱分配方法的学习代理和环境交互图。
[0090]
图4是本发明的区块结构示意图。
具体实施方式
[0091]
为了详细阐述本发明为达到预定技术目的而所采取的技术方案，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晰、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部的实施例，并且，在不付出创造性劳动的前提下，本发明的实施例中的技术手段或技术特征可以替换，下面将参考附图并结合实施例来详细说明本发明。
[0092]
本发明的一种基于区块链的无人机辅助车联网频谱分配方法，其特征在于包含以下步骤，如图1所示：
[0093]
步骤一：构建uav辅助的车联网网络，获取车联网网络中的uav数目、车辆数目、子信道数目、中断概率和时延信息，并通过获取的信息构建区块链资源管理模型，为每个uav节点配置一个可信节点列表，称为唯一节点列表(unl)。
[0094]
如图2所示，uav辅助的车联网网络由多个uav和车辆组成，uav数目为u，车辆数目为i，每个uav在一个设定区域内飞行，作为空中基站协助车辆源节点和目标节点之间通信，uav辅助通信链路为车辆提供高可靠性和低延迟的通信，系统频谱在所有uav之间共享，系统信道数目为n。
[0095]
区块链资源管理模型具体为：
[0096]
针对uav对车辆发送信息链路的下行传输系统，假定信息传输为周期性的数据包传输；考虑uav在与车辆通信过程中，其它uav会对此通信链路带来干扰，uav u与车辆在信道n的速率r
u,n
可表示为
[0097][0098]
其中，p
u,n
表示uav u在信道n的传输功率，是uav u在信道n对所接入车辆的信道增益，是uav u'在信道n对其它uav所接入车辆的信道增益，和由所有车辆的信道增益统计平均得到，σ2是高斯白噪声功率。
[0099]
当uav和车辆之间的通信链路的信噪比低于γ0时，uav对车辆的通信传输将中断；在任意时间周期，数据包没有被成功发送的概率由中断概率p
out,u
表示，即信噪比小于γ0的概率；中断概率表达式为
[0100][0101]
其中，a
u',n
表示uav u'在信道n的分配变量。
[0102]
假设yu表示uav u的数据包的平均发送时间，当数据包在当前时隙未能成功发送时则重新发送，若重传的次数未达到n，则在下一个时隙继续重传，若重传次数已达到n，则选择丢弃；假设每个时隙长度为t，yu的概率函数表示为
[0103][0104]
使用du表示平均发送时延，表达式为
[0105][0106]
其中，e{
·
}表示随机变量的均值。
[0107]
基于网络特性和分布式管理的优势，本发明采用区块链技术管理无线资源。车辆接入网络后向uav申请与uav通信的频谱，uav之间形成区块链系统确定为请求频谱所接入的uav分配的信道。为每个uav节点配置了一个可信节点列表，称为唯一节点列表(unl)。列表中的uav节点可以对事务(交易)进行投票。
[0108]
步骤二：车辆接入的uav节点为主节点，车辆向主节点提交频谱请求，主节点设定优化问题并采用深度强化学习方法求解，得到车辆与uav之间的通信频谱和发射功率。
[0109]
车辆接入车联网后向uav申请与uav通信的频谱，uav接收到车辆的频谱请求后，设定优化问题，而后对优化问题求解得出所请求信道和功率；
[0110]
以优化能量效率为目标，优化问题设定为：
[0111][0112][0113][0114][0115][0116][0117][0118]
其中a
u,n
表示uav u在信道n的分配变量，限制条件c1表示连接uav u的车辆的通信速率高于最小需求，c2和c3分别表示中断概率和平均时延最高限制，c4表示uav的信道分配变量，c5表示每次申请的信道数目为1，c6表示uav u的最大发送功率限制；
[0119]
为了解决上述优化问题，采用深度q学习(dql，deep q-learning)方法来获得优化变量值。dql方法包含深度的神经网络模型评估动作价值并设定目标价值，称为评估网络和目标网络，进而做出动态网络更新与决策。在dql方法中，代理与环境进行交互并从经验中学习，最终获得并执行基于价值函数的智能策略。dql方法不仅提供了最佳策略实现提出的优化目标，同时获得最大的长期回报。
[0120]
如图3所示，本发明中uav作为学习代理在时间t感知状态s(t)，并输出策略π，策略π决定采取的动作a(t)，然后执行此动作；为了让学习代理积累经验进而更好地选择动作，环境会给学习代理奖励r(t)作为反馈；此时，进入到下一个状态s(t 1)，学习代理继续感知s(t 1)，并做出新的策略π，以此类推，最终使环境状态达到收敛，代理获得最大奖励。
[0121]
uav节点采用deep q-learning方法求解优化问题的步骤如下：
[0122]
1)将联合优化问题定义为马尔可夫决策过程，定义状态空间、动作空间和奖励函数；
[0123]
状态s(t)中包含了当前t时刻uav申请的信道f(t)和uav发送的功率p(t)；因此，状态空间表示为
[0124][0125]
f(t)、p(t)分别表示为：
[0126][0127][0128]fn
(t)表示在t时刻申请信道n给当前的uav使用，p
l
(t)表示在t时刻申请uav发射功率的大小；
[0129]
根据当前状态s(t)，uav采取动作a(t)来改变当前环境；动作空间由下式表示
[0130][0131]
根据状态空间和动作空间，将uav的能量效率建模为奖励函数，表示为
[0132][0133]
2)定义q(s,a,θ)为动作价值函数，表示状态s下行动a的期望总奖励，表达式为
[0134]
q(s,a,θ)＝e[r
t
|s
t
＝s,a
t
＝a,θ]
[0135]
其中θ是评估网络中设置的权重和偏差；
[0136]
定义经验回放集合d，{s
t
,a
t
,r
t
,s
t 1
}表示状态变化和对应的动作及奖励的集合；
[0137]
为简化描述，使用q网络表示dql方法中的神经网络，使用q值表示函数q(s,a,θ)的值；随机初始化网络的参数θ，基于θ初始化所有状态和动作的q值，清空经验回放集合d，初始化状态s
t
；
[0138]
3)在函数q(s,a,θ)中使用状态s
t
作为输入，得到q网络的所有动作对应的q值输出，选择最大q值对应的动作其中q(s,a,θ)取最大值时，记为
[0139][0140]
4)在状态s
t
下执行动作a
t
，获得奖励r
t
，得到新状态s
t 1
，并将{s
t
,a
t
,r
t
,s
t 1
}存入集合d；
[0141]
5)从集合d中随机选择m个样本{{sj,aj,rj,s
j 1
}},j＝1,2,...,m，计算当前目标q值yj：
[0142][0143]
表示uav获得最大的长期奖励，并终止学习；
[0144]
6)定义损失函数l(θ)表示目标网络与评估网络的输出q值之差，如式
[0145][0146]
其中，θ-是在目标网络中设置的权重和偏差，θ是评估网络中设置的权重和偏差；
[0147]
将t时刻和t 1时刻的参数θ分别用θ(t)和θ(t 1)表示；根据l(θ)计算神经网络参数的梯度，然后更新参数θ(t)，而后使用参数θ(t 1)更新神经网络模块，表示如下：
[0148][0149]
7)将状态s
t
更新为s
t 1
；
[0150]
重复步骤2～7，直到yj为收敛状态，即得到所请求的信道和功率值。
[0151]
步骤三：主节点将请求事务广播给唯一节点列表unl上的uav节点，uav节点收到请求后，采用瑞波共识机制对请求事务执行智能合约和共识协议，唯一节点列表unl中的uav节点对交易进行投票，确认请求事务是否通过。
[0152]
如图1所示，主节点请求信道和功率后节点间达成共识的过程为：
[0153]
1)将主节点请求信道和功率资源定义为请求事务，主节点将请求事务广播给unl中的uav节点；
[0154]
2)unl中的节点与其本地候选集进行比较，本地候选集即uav保留在其本地的频谱资源信息集，该资源信息是实时更新的，空闲的频谱才会在此候选集中。如果请求的信道在本地候选集中是空闲的，则该事务将会获得投票；如果请求的频谱未在本地候选集中，则节点根据请求节点使用此频谱是否给自身带来有害干扰来判定是否允许使用，依据的表达式为
[0155][0156]
若上式满足则允许请求节点使用，即获得投票，反之则不会获得投票；
[0157]
3)unl中的节点把投票结果通过网络广播回主节点，主节点统计事务的票数；
[0158]
4)当请求事务获得超过50％的投票时，该事务通过，投票停止；如果unl的所有节点都完成了对该交易的投票或超过一定时间限制仍未获得超过50％的节点投票，则该事务被丢弃，主节点重新提交其它频谱和功率请求。
[0159]
步骤四：将未通过的请求事务丢弃，对通过的请求事务，将所有车辆信息、交易记录和时间戳打包到一个新的区块中，并附加到区块链上，广播至所有uav节点。
[0160]
通过投票的事务交易信息、时间戳和记账节点公钥被打包到一个新的块中，区块结构如图4所示。
[0161]
区块体记录具体的数据，投票事务信息保存在新生成的记录中，包括车辆信息、分配信道和功率；区块数据结构为merkle树，数据记录在叶子结点，非叶子结点的值为所有叶子结点数据的哈希值，每两片相邻的叶子联合做哈希计算成为上层节点的内容，持续计算产生最顶层的merkle根节点的哈希值，快速归纳和校验区块数据的存在性和完整性；
[0162]
将区块广播至全网节点，每个节点将收到的新区块添加到区块链中；每个节点更新本地候选集，将新的被使用的信道从本地候选集中去掉。
[0163]
本发明的一种基于区块链的无人机辅助车联网频谱分配方法，以分布式结构管理无线资源，可以有效降低拥塞的可能性，从而提高资源利用率和可靠性。区块链是一种具有分布式特性的共享数据库,将分布式结构、加密技术、共识机制和智能合约等技术进行了融合。相比中心化模式而言，区块链的去中心化能提升可靠性和安全性，有效降低成本。
[0164]
与传统的车联网资源管理技术相比，本技术具有去中心化、不可篡改、集体维护、公开透明等特点，使得资源管理更加可靠和稳定，避免了大量车辆同时接入带来的网络拥塞甚至崩溃的风险。这增强了网络的健壮性，同时优化了通信系统，以最大化系统中可支持的设备数量。
[0165]
本发明构建了一个uav辅助的车辆网络，在区域内存在多个uav，其中每个uav覆盖一定范围内的区域。推导出了uav信道的传输速率、中断概率和自动重传延迟。提出了基于区块链的车联网资源管理，以避免网络拥塞，提高网络稳定性。uav采用ripple共识机制进行频谱分配和功率控制。为了使系统新添加的速率最大化，提出了一个优化问题。利用深度强化学习来解决资源分配问题。在学习中采用离散的方法来获得最终目标值。
[0166]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。