基于大数据的可疑交易统计视图生成方法和装置与流程

背景技术：

洗钱行为助长了走私、诈骗、毒品等严重犯罪，扰乱了正常了社会经济秩序，具有严重的社会危害性。洗钱的途径涉及银行、保险、证券等各种领域。反洗钱有利于维护经济安全、防范犯罪，具有重大的意义。金融机构需要及时向监管部门上报与洗钱相关的可疑交易。为了便于对可疑交易总体状况的了解，可以利用可疑交易的相关数据制作成视图。由于传统方式中，可疑交易是利用反洗钱的规则模型进行监控识别到的，而规则模型的数据基础通常仅仅是当前的交易数据或者同一客户的多笔交易。规则模型在识别可疑交易时存在不足，造成可疑交易的漏报和误报等。由此导致可疑交易的统计视图准确性较低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种有效提高可疑交易的统计视图准确性的基于大数据的可疑交易统计视图生成方法、装置、计算机设备和存储介质。

一种基于大数据的可疑交易统计视图生成方法，所述方法包括：

获取预设时间段内的交易数据，根据所述交易数据在大数据平台搜索关联数据；

将所述交易数据与所述关联数据输入监控模型，通过所述监控模型识别所述交易数据是否为可疑交易；

当确定所述交易数据为可疑交易时，获取所述可疑交易对应的风险类型；

利用预设时间段内的可疑交易以及所述可疑交易对应的风险类型生成可疑交易的统计视图。

在其中一个实施例中，所述根据所述交易数据在大数据平台搜索关联数据包括：

获取所述交易数据中的客户标识以及多个交易字段；

获取与所述监控模型对应的多个监控特征；

基于大数据平台，根据所述客户标识以及监控特征搜索与所述交易字段相关联的特征字段。

在其中一个实施例中，所述关联数据包括多个特征字段；所述通过所述监控模型识别所述交易数据是否为可疑交易包括：

根据所述交易字段以及多个特征字段调用相应的反洗钱规则；

利用所述反洗钱规则对所述交易字段以及所述特征字段进行规则判断，得到相应的规则得分；

将多项规则得分进行累加，得到与所述交易数据对应的监控得分；

当所述监控得分超过阈值时，将所述交易数据标记为可疑交易。

在其中一个实施例中，所述利用所述反洗钱规则对所述交易字段以及所述特征字段进行规则判断，得到相应的规则得分包括：

获取与所述交易字段或特征字段对应的参数、参数值或参数描述；

根据所述参数、参数值或参数描述与对应的一条或多条反洗钱规则进行匹配；

当匹配成功时，记录相应反洗钱规则对应的规则得分。

在其中一个实施例中，所述方法还包括：

获取多个风险画像标签；

根据所述风险画像标签通过所述大数据平台搜索相应客户数据；

利用所述用户数据生成客户风险画像；

将所述客户风险画像添加至所述统计视图。

一种基于大数据的可疑交易统计视图生成装置，所述装置包括：

数据获取模块，用于获取预设时间段内的交易数据，根据所述交易数据在大数据平台搜索关联数据；

可疑交易识别模块，用于将所述交易数据与所述关联数据输入监控模型，通过所述监控模型识别所述交易数据是否为可疑交易；

风险类型识别模块，用于当确定所述交易数据为可疑交易时，获取所述可疑交易对应的风险类型；

视图生成模块，用于利用预设时间段内的可疑交易以及所述可疑交易对应的风险类型生成可疑交易的统计视图。

在其中一个实施例中，所述数据获取模块还用于获取所述交易数据中的客户标识以及多个交易字段；获取与所述监控模型对应的多个监控特征；基于大数据平台，根据所述客户标识以及监控特征搜索与所述交易字段相关联的特征字段。

在其中一个实施例中，所述关联数据包括多个特征字段；所述可疑交易识别模块还用于根据所述交易字段以及多个特征字段调用相应的反洗钱规则；利用所述反洗钱规则对所述交易字段以及所述特征字段进行规则判断，得到相应的规则得分；将多项规则得分进行累加，得到与所述交易数据对应的监控得分；当所述监控得分超过阈值时，将所述交易数据标记为可疑交易。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。

一种计算机可读存储介质，其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上述各个方法实施例中的步骤。

上述基于大数据的可疑交易统计视图生成方法、装置、计算机设备和存储介质，通过在大数据平台中搜索与交易数据对应的多种维度的关联数据，由此使得识别可疑交易的数据范围，不仅仅局限于同一客户的历史交易数据，而是结合了更多维度的数据，从而能够有效提高可疑交易识别的准确性。在识别出可疑交易时，利用风险模型可以准确识别到相应的风险类型。由此可以利用预设时间段内的可疑交易以及风险类型生成得到更加准确的统计视图，有效提高了可疑交易统计视图的准确性。

附图说明

图1为一个实施例中基于大数据的可疑交易统计视图生成方法的应用场景图；

图2为一个实施例中基于大数据的可疑交易统计视图生成方法的流程示意图；

图3为一个实施例中根据所述交易数据在大数据平台搜索关联数据步骤的流程示意图；

图4为一个实施例中添加风险画像步骤的流程示意图；

图5为一个实施例中基于大数据的可疑交易统计视图生成装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的基于大数据的可疑交易统计视图生成方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

服务器104获取预设时间段内的交易数据，根据交易数据在大数据平台搜索关联数据，将交易数据与关联数据输入监控模型，通过监控模型识别交易数据是否为可疑交易。当确定交易数据为可疑交易时，服务器104识别可疑交易对应的风险类型。服务器104利用预设时间段内的可疑交易以及对应的风险类型生成可疑交易的统计视图。监管人员可以通过终端102向服务器104发送统计视图的获取请求，服务器104根据该请求将可疑交易的统计视图返回至终端102。

在一个实施例中，如图2所示，提供了一种基于大数据的可疑交易统计视图生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取预设时间段内的交易数据，根据交易数据在大数据平台搜索关联数据。

服务器上部署了数据库。每一笔交易在执行之后，相应的交易数据会存入数据库。服务器可以按照预设频率在数据库中获取预设时间段内的交易数据，识别是否存在反洗钱的可疑交易。

在大数据平台中存储了与客户相关的多种数据，包括客户基本信息、历史交易数据、关联交易、征信信息以及风险管理信息等多种。其中客户基本信息中不仅包括客户本人的基本信息还包括与客户相关的其他人员的信息，也可以称为与客户具有社会关系的人员的信息。例如，家庭成员的信息、亲属信息、具有投资关系的人员的信息等。为了确保大数据平台中的信息有效，大数据平台中的数据还可以按照特定周期进行更新。

服务器在数据库中获取了交易数据之后，可以在大数据平台中搜索关联数据。其中，交易数据中包括客户标识以及多个交易字段，监控模型具有对应的多个监控特征。服务器根据客户标识以及监控特征在大数据平台搜索与交易字段相关联的特征字段。

步骤204，将交易数据与关联数据输入监控模型，通过监控模型识别交易数据是否为可疑交易。

服务器将交易数据与关联数据输入监控模型，监控模型根据多个交易字段以及多个特征字段调用相应的反洗钱规则，利用反洗钱规则对交易字段以及特征字段进行规则判断，得到相应的规则得分。监控模型将多项规则得分进行累加，得到与交易数据对应的监控得分。当监控得分超过阈值时，监控模型将交易数据标记为可疑交易。

通过在大数据平台中搜索交易数据的关联数据，由此可以得到与该交易数据相关联的多种数据，而不仅仅局限于同一客户的历史交易数据，而是结合了更多维度的数据，扩大了识别可疑交易的数据范围，从而能够有效提高可疑交易识别的准确性。

步骤206，当确定交易数据为可疑交易时，获取可疑交易对应的风险类型。

当服务器识别到可疑交易时，根据大数据搜索结果中的多个特征字段调用与监控特征对应的代码进行风险分析。当监控特征对应的特征字段符合风险规则时，服务器对大数据搜索结果添加相应的风险标签。风险标签可以与监控特征或相类似。由于不同的风险模型对应的监控指标不同，即所对应的风险标签不同，服务器根据可疑交易对应的多个风险标签可以准确识别出可疑交易的风险类型。

步骤208，利用预设时间段内的可疑交易以及可疑交易对应的风险类型生成可疑交易的统计视图。

服务器对预设时间段内的可疑交易、风险类型进行统计，生成可疑交易的统计视图。统计视图可以是多种形式，例如，可以是柱状图、饼图、折线图等。服务器还可以对预设时间段内的交易总量进行统计，利用交易总量、可疑交易数量以及风险类型生成可疑交易的统计视图。

本实施例中，通过在大数据平台中搜索与交易数据对应的多种维度的关联数据，由此使得识别可疑交易的数据范围，不仅仅局限于同一客户的历史交易数据，而是结合了更多维度的数据，从而能够有效提高可疑交易识别的准确性。在识别出可疑交易时，利用风险模型可以准确识别到相应的风险类型。由此可以利用预设时间段内的可疑交易以及风险类型生成得到更加准确的统计视图，有效提高了可疑交易统计视图的准确性。

进一步的，监管人员可以通过终端向服务器发送统计视图的获取请求，服务器根据该请求将可疑交易的统计视图返回至监管人员。由此可以使得监管人员直观的了解预设时间段内可疑交易的状况。

在一个实施例中，如图3所示，根据交易数据在大数据平台搜索关联数据包括：

步骤302，获取交易数据中的客户标识以及多个交易字段。

步骤304，获取与监控模型对应的多个监控特征。

步骤306，基于大数据平台，根据客户标识以及监控特征搜索与交易字段相关联的特征字段。

在大数据平台中存储了与客户相关联的多种数据，包括客户基本信息、历史交易数据、关联交易、征信信息以及风险管理信息等多种。服务器在数据库中获取了交易数据之后，可以在大数据平台中搜索关联数据。

具体的，交易数据中包括了客户标识以及多个交易字段。交易字段包括交易类型、交易金额、交易时间、交易对象等。针对反洗钱的可疑交易，在服务器上预先设置了多项监控特征。其中包括客户基本信息、交易频繁、休眠账户大额交易、交易金额超过预设值(如500万rmb)、交易地址虚假、交易账户过期、关联交易、与黑名单客户有资金往来等。每项监控特征都包括多个特征字段。监控特征也可以视为监控的维度。不同的监控特征即为不同的维度。服务器根据客户标识在大数据平台中搜索与客户标识相关联的多种特征字段。由此可以得到与该交易数据多个维度的关联数据，不再局限于同一客户的历史交易数据，扩大了识别可疑交易的数据范围，从而能够有效提高可疑交易识别的准确性。

在一个实施例中，关联数据包括多个特征字段；通过监控模型识别交易数据是否为可疑交易包括：根据交易字段以及多个特征字段调用相应的反洗钱规则；利用反洗钱规则对交易字段以及特征字段进行规则判断，得到相应的规则得分；将多项规则得分进行累加，得到与交易数据对应的监控得分；当监控得分超过阈值时，将交易数据标记为可疑交易。

服务器将当前交易数据中的交易字段以及大数据平台搜索到的多个特征字段输入至监控模型之后，监控模型根据交易字段以及多个特征字段调用相应的反洗钱规则。一个交易字段或特征字段可以调用一条反洗钱规则，也可以调用多条反洗钱规则。每项反洗钱规则都预先设置了相应的分数。监控模型根据被调用的反洗钱规则，获取每条反洗钱规则对应的规则得分。监控模型可以将多项规则得分进行累加，得到交易数据对应的监控得分。

在其中一个实施例中，所述利用所述反洗钱规则对所述交易字段以及所述特征字段进行规则判断，得到相应的规则得分包括：获取与所述交易字段或特征字段对应的参数、参数值或参数描述；根据所述参数、参数值或参数描述与对应的一条或多条反洗钱规则进行匹配；当匹配成功时，记录相应反洗钱规则对应的规则得分。

反洗钱规则可以设置相应的参数范围或者参数描述。例如，参数范围可以是交易行为在10个工作日内每天发生3次以上。参数描述可以通过第三人支付自然人保费，不能合理解释第三人与投保人、被保人和受益人关系。每个交易字段以及特征字段中都包含相应的参数，以及与该参数对应的参数值或者参数描述。服务器根据交易字段以及特征字段中的参数，调用相应的一条或多条反洗钱规则。服务器将每个交易字段以及特征字段中的参数值或者参数描述与相应反洗钱规则逐一进行匹配。若交易字段以及特征字段中的参数值落入反洗钱规则的参数范围，则匹配成功。若交易字段以及特征字段中的参数描述与反洗钱规则的参数描述一致，则匹配成功。当当匹配成功时，服务器记录相应反洗钱规则对应的规则得分。

在不同的交易数据中，具体的交易字段可以不同。大数据平台中搜索到的与客户标识相关联的多维度的特征字段也可以不同。例如，对于交易a，在大数据平台中搜索到的多维度的特征字段包括：账户休眠时间、账户活跃时间、账户活跃后的收款次数、收款金额以及收款时间、客户本人职业、客户本人收入、客户家庭成员职业及收入、客户亲属职业及收入等。通过多维度的特征字段，可以发现该账户为休眠4年长期不动，半年前开始活跃，先后5次有大额资金(20万以上)收付。客户本人目前失业没有收入，客户妻子为普通工人，月收入5千，客户的一位亲戚有贩毒记录。监控模型根据交易字段与多维度的特征字段，调用相应的反洗钱规则进行判断，每条反洗钱规则对应的规则得分，将多项规则得分进行累加，得到交易数据对应的监控得分。假设监控得分为90分，超过阈值60分，以此识别出该笔交易为可疑交易。

在一个实施例中，监控模型具有多个监控特征；识别可疑交易对应的风险类型包括：根据大数据平台的搜索结果调用与监控特征对应的代码；利用监控特征的代码对相应特征字段进行风险识别，输出相应的风险标签；根据多个风险标签识别可疑交易对应的风险类型。

在传统的方式中，对可疑交易进行风险类型的识别时，为了确保识别出所有的风险类型，服务器需要将可疑交易输入至每种风险类型对应的风险模型，风险模型利用各个监控特征的特征字段进行分析，以此识别可疑交易是否存在相应的风险。在传统方式中的风险模型是将对各个监控特征进行分析的代码集中在一起的。而不同风险模型中，通常会涉及到部分相同或相类似的监控特征。例如，非法集资的风险模型、传销的风险模型在集资方式、收款人、金额等方面相类似。如果每个风险模型的代码单独编写，则会造成较多重复性的工作。

本实施例中，针对每种风险模型对应的监控特征，分别根据风险规则编写相应的代码，每种监控特征具有对应的风险标签。当服务器识别到可疑交易时，根据大数据搜索结果中的多个特征字段调用与监控特征对应的代码进行风险分析。当监控特征对应的特征字段符合风险规则时，服务器对大数据搜索结果添加相应的风险标签。风险标签可以与监控特征或相类似。由于不同的风险模型对应的监控指标不同，即所对应的风险标签不同，服务器根据可疑交易对应的多个风险标签可以准确识别出可疑交易的风险类型。

本实施例中，通过对每项监控指标进行代码编写，可以利用监控指标对应的代码对特征字段进行风险识别，有效节省了代码编写的重复性工作。而且监控指标的代码可以覆盖到原先所有的风险模型，通过监控指标的代码输出风险标签后，可以识别到可疑交易涉及到的每种风险类型，从而能够确保可疑交易风险类型的全面性与准确性。

在一个实施例中，该方法还包括：添加风险画像的步骤。如图4所示，该步骤具体包括：

步骤402，获取多个风险画像标签。

步骤404，根据风险画像标签通过大数据平台搜索相应客户数据。

步骤406，利用用户数据生成客户风险画像。

步骤408，将客户风险画像添加至统计视图。

服务器还可以利用大数据对客户进行风险画像分析。具体的，服务器获取多个风险画像标签，通过大数据平台获取与画像标签相关联的数据，包括用户基本信息、历史可疑交易数据、与客户相关人员信息、交易异常风险特征等。其中，用户基本信息包括用户的姓名、性别、联系方式、交易数据、行为数据等。历史可疑交易数据包括该客户所有的可疑交易的数据。交易异常风险特征包括短期内频繁发生资金收付、交易金额接近大额交易标准、短期内资金分散转入集中转出等。服务器可以利用画像标签以及对应的数据生成每个客户的风险画像。服务器可以将客户风险画像添加至统计视图。

统计视图中还可以包括多个控件，包括输入框和查看按钮等。监管人员可以通过终端，输入客户标识，点击查看按钮，生成客户风险画像的查看请求，并且将该查看请求上传至服务器。服务器根据客户标识获取对应的风险画像，将该风险画像返回至终端。终端可以在统计视图中展示相应客户的风险画像。风险画像中可以呈现个画像标签，当不同的画像标签被点击时，可以显示相应的信息。通过可疑交易的统计视图中添加客户风险画像，可以让监管人员从更多维度去了解哪些客户更容易发生洗钱行为。

进一步的，服务器还可以针对特定客户生成与客户标识对应的可疑交易的统计视图。该统计视图中包括预设时间段内某一特定客户的可疑交易的统计数量、风险类型以及风险画像。由此可以方便监管人员对特定客户的反洗钱风险有更进一步的深入了解。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种基于大数据的可疑交易统计视图生成装置，包括：数据获取模块502、可疑交易识别模块504、风险类型识别模块506、视图生成模块508，其中：

数据获取模块502，用于获取预设时间段内的交易数据，根据交易数据在大数据平台搜索关联数据。

可疑交易识别模块504，用于将交易数据与关联数据输入监控模型，通过监控模型识别交易数据是否为可疑交易。

风险类型识别模块506，用于当确定交易数据为可疑交易时，获取可疑交易对应的风险类型。

视图生成模块508，用于利用预设时间段内的可疑交易以及可疑交易对应的风险类型生成可疑交易的统计视图。

在一个实施例中，数据获取模块还用于获取交易数据中的客户标识以及多个交易字段；获取与监控模型对应的多个监控特征；根据客户标识以及监控特征在大数据平台搜索与交易字段相关联的特征字段。

在一个实施例中，关联数据包括多个特征字段；可疑交易识别模块还用于根据交易字段以及多个特征字段调用相应的反洗钱规则；利用反洗钱规则对交易字段以及特征字段进行规则判断，得到相应的规则得分；将多项规则得分进行累加，得到与交易数据对应的监控得分；当监控得分超过阈值时，将交易数据标记为可疑交易。

在一个实施例中，可疑交易识别模块还用于获取与所述交易字段或特征字段对应的参数、参数值或参数描述；根据所述参数、参数值或参数描述与对应的一条或多条反洗钱规则进行匹配；当匹配成功时，记录相应反洗钱规则对应的规则得分。

在一个实施例中，监控模型具有多个监控特征；风险类型识别模块还用于根据大数据平台的搜索结果调用与监控特征对应的代码；利用监控特征的代码对相应特征字段进行风险识别，输出相应的风险标签；根据多个风险标签识别可疑交易对应的风险类型。

在一个实施例中，该装置还包括：风险画像生成模块，用于获取多个风险画像标签；根据风险画像标签通过大数据平台搜索相应客户数据；利用用户数据生成客户风险画像；将客户风险画像添加至统计视图。

关于基于大数据的可疑交易统计视图生成装置的具体限定可以参见上文中对于基于大数据的可疑交易统计视图生成方法的限定，在此不再赘述。上述基于大数据的可疑交易统计视图生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储交易数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于大数据的可疑交易统计视图生成方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取预设时间段内的交易数据，根据交易数据在大数据平台搜索关联数据；

将交易数据与关联数据输入监控模型，通过监控模型识别交易数据是否为可疑交易；

当确定交易数据为可疑交易时，获取可疑交易对应的风险类型；

利用预设时间段内的可疑交易以及可疑交易对应的风险类型生成可疑交易的统计视图。

在一个实施例中，计算机程序被处理器执行时还实现：

获取交易数据中的客户标识以及多个交易字段；

获取与监控模型对应的多个监控特征；

基于大数据平台，根据客户标识以及监控特征搜索与交易字段相关联的特征字段。

在一个实施例中，关联数据包括多个特征字段计算机程序被处理器执行时还实现：

根据交易字段以及多个特征字段调用相应的反洗钱规则；

利用反洗钱规则对交易字段以及特征字段进行规则判断，得到相应的规则得分；

将多项规则得分进行累加，得到与交易数据对应的监控得分；

当监控得分超过阈值时，将交易数据标记为可疑交易。

在一个实施例中，计算机程序被处理器执行时还实现：

获取与交易字段或特征字段对应的参数、参数值或参数描述；

根据参数、参数值或参数描述与对应的一条或多条反洗钱规则进行匹配；

当匹配成功时，记录相应反洗钱规则对应的规则得分。

在一个实施例中，计算机程序被处理器执行时还实现：

获取多个风险画像标签；

根据风险画像标签通过大数据平台搜索相应客户数据；

利用用户数据生成客户风险画像；

将客户风险画像添加至统计视图。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。