一种人机验证方法及装置与流程

本申请涉及计算机验证领域，具体而言，涉及一种人机验证方法及装置。

背景技术：

在当前的互联网中，随着自动化工具、脚本、爬虫等技术日益成熟，带来快捷与便利的同时，对互联网安全与公平的影响也日益突出，例如不法分子使用自动程序恶意进行注册、登陆、信息爬取，使用脚本代替真实用户产生虚假流量或留存虚假信息以谋取不正当利益，对网站和用户的安全、隐私、公平、知识产权和合法利益都造成巨大的危害。

现有技术中，对于真实用户的验证大多是依靠基于用户地理位置、用户代理(useragent)、用户ip、cookie等信息构建的检测系统已经十分普遍，但自动化工具通过替换、伪造上述信息依旧能够顺利通过此类验证。

技术实现要素：

有鉴于此，本申请的目的在于提供一种人机验证方法及装置，用于解决现有技术中如何通过鼠标活动进行人机验证的补充验证的问题。

第一方面，本申请实施例提供了一种人机验证方法，该方法包括：

获取目标用户的当前设备信息，根据所述目标用户的历史设备信息，判断所述目标用户的当前设备信息是否异常；所述当前设备信息包括用户代理信息、ip地址、mac地址和定位信息；

若所述目标用户的当前设备信息异常，则通过预设鼠标活动捕捉脚本，捕捉目标用户的鼠标活动记录；

将所述鼠标活动记录输入到鼠标活动判别模型中进行真实用户验证，得到验证结果。

在一些实施例中，还包括：

获取训练鼠标活动记录集，并对所述训练鼠标活动记录集中的每条训练鼠标活动记录进行事件划分，得到训练鼠标活动记录对应的至少一个鼠标活动片段；所述训练鼠标活动记录集包括真实用户鼠标活动记录和虚假用户鼠标活动记录；所述鼠标活动片段包括滑动片段、点击片段、拖动片段和滚轮片段；

针对每个训练鼠标活动记录中每个鼠标活动片段，进行多维特征提取，得到鼠标活动片段对应的多维特征数据；

根据训练鼠标活动记录下鼠标活动片段对应的多维特征数据，训练极端梯度提升模型，得到鼠标活动判别模型。

在一些实施例中，所述对所述训练鼠标活动记录集中的每条训练鼠标活动记录进行事件划分，得到训练鼠标活动记录对应的至少一个鼠标活动片段，包括：

从所述训练鼠标活动记录的起始时间开始，逐步查询鼠标状态为按键松开操作的步骤；

当查询到鼠标状态为按键松开操作的步骤时，将该步骤作为目标步骤；

将所述目标步骤的上一步骤作为当前步骤，查询所述当前步骤的鼠标状态，判断所述当前步骤的鼠标状态是否为按键按下操作；

若所述当前步骤的鼠标状态为按键按下操作，则将所述当前步骤作为起始步骤，检查所述起始步骤的拖动标识是否为0；

若所述拖动标识为0，则划分所述起始步骤至所述目标步骤对应的鼠标活动片段为点击片段；若所述拖动标识为1，则划分所述起始步骤至所述目标步骤对应的鼠标活动片段为拖动片段。

在一些实施例中，在将所述目标步骤的上一步骤作为当前步骤，查询所述当前步骤的鼠标状态，判断所述当前步骤的鼠标状态是否为按键按下操作之后，还包括：

若所述当前步骤的鼠标状态非按键按下操作，则判断所述当前步骤的鼠标状态是否为拖动状态；

若所述当前步骤的鼠标状态为拖动状态，则将所述当前步骤的拖动标识设置为1，将当前步骤的上一步骤作为新的当前步骤。

在一些实施例中，所述多维特征数据包括位移、时间、速度、加速度、急动度、角度、曲率和活动类特征，以及各维度特征下数据的最大值、最小值、均值、方差和峰度；所述活动类特征包括鼠标轨迹中连续三个点构成的角度、鼠标轨迹转折点、鼠标平均悬停时间、鼠标轨迹中每个点与终点的距离及其一阶差分。

在一些实施例中，所述根据训练鼠标活动记录下鼠标活动片段对应的多维特征数据，训练极端梯度提升模型，得到鼠标活动判别模型，包括：

当训练极端梯度提升模型后，通过均衡平均数算法计算所述极端梯度提升模型的训练评价指标，计算公式如下：

其中，f是所述极端梯度提升模型的训练评价指标，p是所述极端梯度提升模型判断为虚假用户鼠标活动记录的准确率，r是所述极端梯度提升模型正确判断出的虚假用户鼠标活动记录的数量与训练鼠标活动记录集中的虚假用户活动记录的比值；

根据所述训练评价指标，调整所述训练鼠标活动记录集中真实用户鼠标活动记录和虚假用户鼠标活动记录的数量，并根据调整后的训练鼠标活动记录集对所述极端梯度提升模型进行再训练，直到所述训练评价指标在目标数值范围内。

第二方面，本申请实施例提供了一种人机验证装置，包括：

判断模块，用于获取目标用户的当前设备信息，根据所述目标用户的历史设备信息，判断所述目标用户的当前设备信息是否异常；所述当前设备信息包括用户代理信息、ip地址、mac地址和定位信息；

捕捉模块，用于若所述目标用户的当前设备信息异常，则通过预设鼠标活动捕捉脚本，捕捉目标用户的鼠标活动记录；

计算模块，用于将所述鼠标活动记录输入到鼠标活动判别模型中进行真实用户验证，得到验证结果。

在一些实施例中，还包括：

划分模块，用于获取训练鼠标活动记录集，并对所述训练鼠标活动记录集中的每条训练鼠标活动记录进行事件划分，得到训练鼠标活动记录对应的至少一个鼠标活动片段；所述训练鼠标活动记录集包括真实用户鼠标活动记录和虚假用户鼠标活动记录；所述鼠标活动片段包括滑动片段、点击片段、拖动片段和滚轮片段；

提取模块，用于针对每个训练鼠标活动记录中每个鼠标活动片段，进行多维特征提取，得到鼠标活动片段对应的多维特征数据；

训练模块，用于根据训练鼠标活动记录下鼠标活动片段对应的多维特征数据，训练极端梯度提升模型，得到鼠标活动判别模型。

第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机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运行时执行上述第一方面中任一项所述的方法的步骤。

本申请实施例提出的一种人机验证方法，通过比对用户当前的设备信息和该用户历史的设备信息是否存在差异，来判断该用户当前的设备信息是否是异常状态，当发现用户当前的设备信息存在异常，则通过预设的鼠标活动捕捉脚本捕捉用户访问网站的鼠标活动记录，然后将该鼠标活动记录输入到预先训练好的鼠标活动判别模型中，进行真实用户验证。本申请实施例所提出的一种人机验证方法可以针对设备信息出现可疑变动的用户，对其在访问网站过程中的鼠标活动进行捕捉，并根据鼠标活动辅助判断用户的真实性，提高了人机验证的准确性，从而提高网站的安全性。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种人机验证方法的流程示意图；

图2为本申请实施例提供的一种鼠标活动判别模型训练方法的流程示意图；

图3为本申请实施例提供的一种人机验证装置的结构示意图；

图4为本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种人机验证方法，如图1所示，包括以下步骤：

步骤s101、获取目标用户的当前设备信息，根据上述目标用户的历史设备信息，判断上述目标用户的当前设备信息是否异常；上述当前设备信息包括用户代理信息、ip地址、mac地址和定位信息；

步骤s102、若上述目标用户的当前设备信息异常，则通过预设鼠标活动捕捉脚本，捕捉目标用户的鼠标活动记录；

步骤s103、将上述鼠标活动记录输入到鼠标活动判别模型中进行真实用户验证，得到验证结果。

具体地，通过前置系统对目标用户的用户代理信息、ip地址、mac地址、定位信息等设备信息与对应的历史记录进行比对，判断该目标用户是否可疑用户。前置系统是指根据上述设备信息进行初步判断的各类外部系统，根据前置系统的输出来判断目标用户的当前设备信息是否异常，也就是目标用户是否有虚假用户的可能性。

当发现目标用户的当前设备信息异常时，则判断目标用户为可疑用户，通过预先编辑好的预设鼠标活动捕捉脚本，捕捉目标用户在本次网页访问中的鼠标活动记录，该鼠标活动记录里记录的是用户的鼠标轨迹以及对于鼠标按键和滚轮的操作。上述预设鼠标活动捕捉脚本为js(javascript)脚本。

然后将目标用户的鼠标活动记录输入到预先训练好的鼠标活动判别模型中进行真实用户验证，就可得到目标用户是真实用户还是虚假用户的验证结果。该鼠标活动判别模型中包含有鼠标活动记录划分、多维度特征提取和xgboost(extremegradientboosting，极端梯度提升)模型三部分。

鼠标活动记录划分是为了避免鼠标活动轨迹过长时导致的计算难度增大，需要按照事件将鼠标活动记录划分为滑动、点击、拖动、滚轮上滑和滚轮下滑五种类型。

其中，滑动、滚轮上滑和滚轮下滑的划分机制较为简单，都是从鼠标活动记录的起始时刻开始逐步查找是否有相应的鼠标操作，当查找到相应鼠标操作后，以该步骤为起始步骤，逐步查询鼠标操作，直到查找到鼠标操作发生改变的步骤，就可将起始步骤到鼠标操作发生改变的前一个步骤，划分为一个片段。

xgboost模型在训练阶段考虑到人机验证中的正负样本往往是不均衡的，为了达到过采样的效果，本申请增大了负样本的权重。并且依据各特征在xgboost模型内部所有树种参与节点分裂的次数进行了特征重要程度的排序，参与节点分裂次数越多的特征重要性越高，在后续的迭代中，依据特征的重要性排序对xgboost模型进行进一步地训练。

本申请实施例提出的一种人机验证方法，通过比对用户当前的设备信息和该用户历史的设备信息是否存在差异，来判断该用户当前的设备信息是否是异常状态，当发现用户当前的设备信息存在异常，则通过预设的鼠标活动捕捉脚本捕捉用户访问网站的鼠标活动记录，然后将该鼠标活动记录输入到预先训练好的鼠标活动判别模型中，进行真实用户验证。本申请实施例所提出的一种人机验证方法可以针对设备信息出现可疑变动的用户，对其在访问网站过程中的鼠标活动进行捕捉，并根据鼠标活动辅助判断用户的真实性，提高了人机验证的准确性，从而提高网站的安全性。

在一些实施例中，如图2所示，该方法还包括：

步骤s201、获取训练鼠标活动记录集，并对上述训练鼠标活动记录集中的每条训练鼠标活动记录进行事件划分，得到训练鼠标活动记录对应的至少一个鼠标活动片段；上述训练鼠标活动记录集包括真实用户鼠标活动记录和虚假用户鼠标活动记录；上述鼠标活动片段包括滑动片段、点击片段、拖动片段和滚轮片段；

步骤s202、针对每个训练鼠标活动记录中每个鼠标活动片段，进行多维特征提取，得到鼠标活动片段对应的多维特征数据；

步骤s203、根据训练鼠标活动记录下鼠标活动片段对应的多维特征数据，训练极端梯度提升模型，得到鼠标活动判别模型。

具体地，在对鼠标活动判别模型的训练中，由于鼠标活动记录划分和多维度特征提取都是按照预先编写的规则运行的，因此，模型训练的主要任务在于对xgboost模型的训练。

将真实用户鼠标活动记录和通过脚本模拟得到的虚假用户鼠标活动记录作为训练鼠标活动记录集，先通过鼠标活动记录划分将各鼠标活动记录按照事件划分为滑动片段、点击片段、拖动片段和滚轮片段，然后，针对每个鼠标活动片段进行多维特征提取，得到完成鼠标活动记录划分和多维特征提取的鼠标活动记录。

将上述完成鼠标活动记录划分和多维特征提取的鼠标活动记录作为输入，将各鼠标活动记录对应的用户真实性作为输出，对xgboost模型进行训练。将训练后的xgboost模型与鼠标活动记录划分和多维度特征提取的程序按照顺序进行拼接，得到鼠标活动判别模型。

在一些实施例中，上述步骤s201中，对上述训练鼠标活动记录集中的每条训练鼠标活动记录进行事件划分，得到训练鼠标活动记录对应的至少一个鼠标活动片段，包括：

步骤2011、从上述训练鼠标活动记录的起始时间开始，逐步查询鼠标状态为按键松开操作的步骤；

步骤2012、当查询到鼠标状态为按键松开操作的步骤时，将该步骤作为目标步骤；

步骤2013、将上述目标步骤的上一步骤作为当前步骤，查询上述当前步骤的鼠标状态，判断上述当前步骤的鼠标状态是否为按键按下操作；

步骤2014、若上述当前步骤的鼠标状态为按键按下操作，则将上述当前步骤作为起始步骤，检查上述起始步骤的拖动标识是否为0；

步骤2015、若上述拖动标识为0，则划分上述起始步骤至上述目标步骤对应的鼠标活动片段为点击片段；若上述拖动标识为1，则划分上述起始步骤至上述目标步骤对应的鼠标活动片段为拖动片段。

具体地，点击事件和拖动事件都是由用户对于鼠标的按键松开操作的步骤作为终止的，因此，在从训练鼠标活动记录的起始时间开始，逐个步骤查询鼠标状态为按键松开操作的步骤，当查询到该类步骤后，就从该步骤逆向逐个查询该步骤前每一步骤的鼠标状态，即，将逐个步骤作为当前步骤确认鼠标状态。

点击事件的鼠标按下操作和鼠标松开操作一般是存在于两个连续步骤，当当前步骤的鼠标状态为按下操作，并且该步骤的在鼠标活动记录中对应的拖动标识flag＝0时，则说明以当前步骤为起始，以上述按键松开操作的步骤为终止的鼠标活动片段是点击片段。

在当前步骤的鼠标状态为按下操作时，而拖动标识flag＝1时，则说明以当前步骤为起始，以上述按键松开操作的步骤为终止的鼠标活动片段是拖动片段。

在一些实施例中，在步骤2013、将上述目标步骤的上一步骤作为当前步骤，查询上述当前步骤的鼠标状态，判断上述当前步骤的鼠标状态是否为按键按下操作之后，还包括：

步骤2016、若上述当前步骤的鼠标状态非按键按下操作，则判断上述当前步骤的鼠标状态是否为拖动状态；

步骤2017、若上述当前步骤的鼠标状态为拖动状态，则将上述当前步骤的拖动标识设置为1，将当前步骤的上一步骤作为新的当前步骤。

具体地，一个拖动片段一般会包括多个步骤，因此，在进行逆向查询时，如果当前步骤的鼠标状态不为按下操作，那么就要对该步骤是否为拖动状态进行判断，如果判断该步骤是拖动状态，则将该步骤的拖动标识flag设置为1，并继续选取前一个步骤作为当前步骤继续进行上述步骤2013，直到当前步骤的鼠标状态为按下操作，则继续进行上述步骤2014、2015。

在进行步骤2016的当前步骤是否为拖动状态的判断时，若判断当前步骤不是拖动状态，则说明该步骤的鼠标活动数据发生了错误，停止该步骤对应的按键松开操作步骤的事件划分。

在一些实施例中，上述多维特征数据包括位移、时间、速度、加速度、急动度、角度、曲率和活动类特征，以及各维度特征下数据的最大值、最小值、均值、方差和峰度；上述活动类特征包括鼠标轨迹中连续三个点构成的角度、鼠标轨迹转折点、鼠标平均悬停时间、鼠标轨迹中每个点与终点的距离及其一阶差分。

具体地，位移特征包括鼠标在x轴上每一时刻相对于上一时刻产生的坐标位移、鼠标在y轴上每一时刻相对于上一时刻产生的坐标位移，和鼠标在二维坐标轴内每一时刻相对于上一时刻产生的位移。

时间特征包括每一步骤相对于上一步骤的时间差。

速度特征包括每个步骤之间鼠标在x轴的坐标变化速度、鼠标在y轴上的坐标变化速度和鼠标在二维坐标轴内的移动速度。

加速度特征包括每个步骤之间鼠标在x轴上坐标变化的加速度、鼠标在y轴上的坐标变化的加速度和鼠标在坐标轴内的加速度。

急动度特征包括每个步骤之间的急动度，该急动度表示每个步骤之间加速度的变化。

角度特征包括每个步骤的位置坐标与二维坐标轴原点的连线相对于x轴正半轴的角度，以及该角度的变化速度。

曲率特征包括每个步骤在鼠标轨迹中的曲率和曲率变化率，该曲率表示该点轨迹偏离直线的程度。

活动类特征包括鼠标轨迹中连续三个点构成的角度、鼠标轨迹转折点、鼠标平均悬停时间、鼠标轨迹中每个点与终点的距离及其一阶差分。

其中，鼠标轨迹中连续三个点构成的角度用于判断有无急转、回撤等动作，例如滑动式验证码和拖动网页侧边滑轨。

鼠标轨迹转折点就是上述急转、回撤等动作中的转折点。

平均悬停时间，指在当前鼠标活动记录中，鼠标在某处停留时间大于阈值则视为悬停，鼠标活动记录中鼠标悬停时间总和除以悬停次数的商就是平均悬停时间。

在提取完上述各维度特征后，针对每一维度下的数据，进行最大值、最小值、均值、方差和峰度的计算。

在一些实施例中，上述步骤s203、根据训练鼠标活动记录下鼠标活动片段对应的多维特征数据，训练极端梯度提升模型，得到鼠标活动判别模型，包括：

步骤2031、当训练极端梯度提升模型后，通过均衡平均数算法计算上述极端梯度提升模型的训练评价指标，计算公式如下：

其中，f是上述极端梯度提升模型的训练评价指标，p是上述极端梯度提升模型判断为虚假用户鼠标活动记录的准确率，r是上述极端梯度提升模型正确判断出的虚假用户鼠标活动记录的数量与训练鼠标活动记录集中的虚假用户活动记录的比值；

步骤2032、根据上述训练评价指标，调整上述训练鼠标活动记录集中真实用户鼠标活动记录和虚假用户鼠标活动记录的数量，并根据调整后的训练鼠标活动记录集对上述极端梯度提升模型进行再训练，直到上述训练评价指标在目标数值范围内。

具体地，上述r是极端梯度提升模型正确判断出的虚假用户鼠标活动记录的数量与训练鼠标活动记录集中的虚假用户活动记录的比值，又叫召回率。

人机验证的目的首先应保证真实用户始终能顺利通过验证，而非全力找出代表机器的负样本使得部分真实用户无法通过验证。因此，上述公式中为了准确率和召回率在提高和相互制衡的同时，能倾向于进一步提升准确率，降低了准确率的权重，为了提高训练评价指标，就需要提高准确率降低召回率。

本申请实施例还提供了一种人机验证装置，如图3所示，该装置包括：

判断模块30，用于获取目标用户的当前设备信息，根据上述目标用户的历史设备信息，判断上述目标用户的当前设备信息是否异常；上述当前设备信息包括用户代理信息、ip地址、mac地址和定位信息；

捕捉模块31，用于若上述目标用户的当前设备信息异常，则通过预设鼠标活动捕捉脚本，捕捉目标用户的鼠标活动记录；

计算模块32，用于将上述鼠标活动记录输入到鼠标活动判别模型中进行真实用户验证，得到验证结果。

在一些实施例中，还包括：

划分模块33，用于获取训练鼠标活动记录集，并对上述训练鼠标活动记录集中的每条训练鼠标活动记录进行事件划分，得到训练鼠标活动记录对应的至少一个鼠标活动片段；上述训练鼠标活动记录集包括真实用户鼠标活动记录和虚假用户鼠标活动记录；上述鼠标活动片段包括滑动片段、点击片段、拖动片段和滚轮片段；

提取模块34，用于针对每个训练鼠标活动记录中每个鼠标活动片段，进行多维特征提取，得到鼠标活动片段对应的多维特征数据；

训练模块35，用于根据训练鼠标活动记录下鼠标活动片段对应的多维特征数据，训练极端梯度提升模型，得到鼠标活动判别模型。

对应于图1中的一种人机验证方法，本申请实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述一种人机验证方法。

具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述一种人机验证方法，解决了现有技术中如何通过鼠标活动进行人机验证的补充验证的问题。

对应于图1中的一种人机验证方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述一种人机验证方法的步骤。

具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种人机验证方法，解决了现有技术中如何通过鼠标活动进行人机验证的补充验证的问题，本申请实施例提出的一种人机验证方法，通过比对用户当前的设备信息和该用户历史的设备信息是否存在差异，来判断该用户当前的设备信息是否是异常状态，当发现用户当前的设备信息存在异常，则通过预设的鼠标活动捕捉脚本捕捉用户访问网站的鼠标活动记录，然后将该鼠标活动记录输入到预先训练好的鼠标活动判别模型中，进行真实用户验证。本申请实施例所提出的一种人机验证方法可以针对设备信息出现可疑变动的用户，对其在访问网站过程中的鼠标活动进行捕捉，并根据鼠标活动辅助判断用户的真实性，提高了人机验证的准确性，从而提高网站的安全性。

在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。