数据集的后门水印添加方法、验证方法及系统

本发明涉及人工智能安全领域，特别是涉及一种数据集的后门水印添加方法、验证方法及系统。
背景技术：
：随着科技的发展，人工智能技术成为推动人类社会进步的关键因素，全球范围内大量专家学者纷纷转入人工智能领域中，使得这项技术得到了巨大的发展进步。深度学习是人工智能的核心技术，目前在很多领域都得到了广泛应用，比如医疗诊断、工业控制、金融分析、计算机视觉等。深度神经网络可适用于大部分任务，但它的效果依赖大量的训练样本。现在网络上很多开源的数据集都是开放的，但只允许用于学术教育目的，而不允许用于商业目的；也有很多企业或个人的数据集由于涉及隐私或机密，只允许内部使用。假如第三方盗用了数据集去训练了模型，而作为数据集的拥有者却无法判断，这将会造成很大的隐私威胁。所以需要提出一种方法来验证数据集是否被盗用，去培训了第三方模型。技术实现要素：本发明的目的是提供一种数据集的后门水印添加方法、验证方法及系统，采用超分辨率(super-resolution)技术作为后门水印模式添加在部分数据集样本中并与特定类产生关联，能够有效验证数据集是否被盗用，去培训了第三方模型。为实现上述目的，本发明提供了如下方案：一种数据集的后门水印添加方法，所述方法包括：对所述数据集的样本进行超分重建，并修改所述样本的标签为指定类别，获得水印数据集。本发明还提供一种数据集盗用的验证方法，所述方法包括：将待验证数据集分为原训练集和原测试集；对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余部分样本组成后门训练集，所述部分样本和所述剩余部分样本组成所述原训练集；对所述原测试集样本进行超分重建，并修改所述原测试集样本的标签为指定类别，获得后门测试集；采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；将所述后门测试集输入到所述训练后的resnet-34分类网络，获得所述后门测试集的样本的预测类别，根据所述预测类别和所述指定类别判断所述待验证数据集是否被盗用。本发明还提供一种数据集影响的验证方法，所述方法用于验证数据集盗用的验证方法对待验证数据集的影响，所述方法包括：将待验证数据集分为原训练集和原测试集；采用所述原训练集训练基线网络，获得训练后的基线网络；将所述原测试集输入到所述训练后的基线网络，获得所述训练后的基线网络对所述原测试集的样本的预测类别；将所述训练后的基线网络对所述原测试集的样本的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的基线网络对所述原测试集的样本的类别预测准确率；对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余部分样本组成后门训练集，所述部分样本和所述剩余部分样本组成所述原训练集；采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；将所述原测试集输入到所述训练后的resnet-34分类网络，获得所述训练后的resnet-34分类网络对所述原测试集的预测类别；将所述训练后的resnet-34分类网络对所述原测试集的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的resnet-34分类网络对所述原测试集的样本的类别预测准确率；根据所述训练后的基线网络对所述原测试集的样本的类别预测准确率和所述训练后的resnet-34分类网络对所述原测试集的类别预测准确率判断所述后门水印对所述待验证数据集的正常使用是否有影响。本实施例还提供一种数据集盗用的验证系统，所述系统包括：划分模块，用于将待验证数据集分为原训练集和原测试集；后门训练集获取模块，用于对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余部分样本组成后门训练集，所述部分样本和所述剩余部分样本组成所述原训练集；后门测试集获取模块，用于对所述原测试集样本进行超分重建，并修改所述原测试集样本的标签为指定类别，获得后门测试集；训练后的resnet-34分类网络获取模块，用于采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；第一验证模块，用于将所述后门测试集输入到所述训练后的resnet-34分类网络，获得所述后门测试集的样本的预测类别，根据所述预测类别和所述指定类别判断所述待验证数据集是否被盗用。本发明还提供一种数据集影响的验证系统，所述系统用于验证数据集盗用的验证方法对待验证数据集的影响，所述系统包括：划分模块，用于将待验证数据集分为原训练集和原测试集；训练后的基线网络获取模块，用于采用所述原训练集训练基线网络，获得训练后的基线网络；第一预测类别模块，用于将所述原测试集输入到所述训练后的基线网络，获得所述训练后的基线网络对所述原测试集的样本的预测类别；第一类别预测准确率模块，用于将所述训练后的基线网络对所述原测试集的样本的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的基线网络对所述原测试集的样本的类别预测准确率；后门训练集获取模块，用于对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余部分样本组成后门训练集，所述部分样本和所述剩余部分样本组成所述原训练集；训练后的resnet-34分类网络获取模块，用于采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；第二预测类别模块，用于将所述原测试集输入到所述训练后的resnet-34分类网络，获得所述训练后的resnet-34分类网络对所述原测试集的预测类别；第二类别预测准确率模块，用于将所述训练后的resnet-34分类网络对所述原测试集的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的resnet-34分类网络对所述原测试集的样本的类别预测准确率；第二判断模块，用于根据所述训练后的基线网络对所述原测试集的样本的类别预测准确率和所述训练后的resnet-34分类网络对所述原测试集的类别预测准确率判断所述后门水印对所述待验证数据集的正常使用是否有影响。根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所提供的一种数据集的后门水印添加方法、验证方法及系统，采用超分辨率技术作为后门水印模式添加在部分训练样本中，并与特定类产生关联，从而验证数据集是否被盗用，相比于现有的方案，本发明的方案在注入率较低的情况下就能达到很高的水印成功率。附图说明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一些实施例，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，还可以根据这些附图获得其他的附图。图1为本发明实施例1提供的对数据集的样本进行超分重建的方法的流程图；图2为本发明实施例2提供的验证方法的流程图；图3为本发明实施例3提供的验证方法的流程图；图4为本发明实施例3中的样本1的后门水印效果图；图5为本发明实施例3中的样本2的后门水印效果图；图6为本发明实施例3中不同模型对样本的可视化激活图；图7为本发明实施例4提供的数据集盗用的验证系统结构图；图8为本发明实施例5提供的数据集影响的验证系统结构图。具体实施方式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。本发明的目的是提供一种数据集的后门水印添加方法、验证方法及系统，以有效验证数据集是否被盗用，去培训了第三方模型。为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。实施例1本实施例提供一种数据集的后门水印添加方法，所述方法包括：对所述数据集的样本进行超分重建，并修改所述样本的标签为指定类别，获得水印数据集。本实施例可从imagenet数据集(1000类，每类1300张图片)中选择12类样本作为数据集，其中，12类样本为随机选择，图像统一尺寸到224*224。对数据集进行超分重建，并修改标签为第0类。超分重建的网络模型使用srcnn，以下卷积核的参数均由srcnn训练得到。请参阅图1，其中，对所述数据集的样本进行超分重建，具体包括：s11、对所述数据集的样本进行双三次插值，得到插值图像；本实施例中将数据集的样本图像定义为原始图像a，将原始图像a(即低分辨率图像)进行双三次插值放大至目标尺寸，得到插值图像b，其中，放大倍数由比例因子scale决定。可选的，所述对所述数据集的样本进行双三次插值，得到插值图像，具体包括：s111、获取距离所述样本中每一样本的每一像素点坐标最近的16个第一像素点的坐标；双三次插值(bicubic插值)是二维空间中最常用的插值方法，原始图像a的每个像素点是已知的，插值图像b是未知的，若想要求出b中每一像素点(x,y)的值，要先找出在原始图像a中对应的像素点p(x,y)，将a中距离像素点p(x,y)最近的16个像素点作为计算插值图像b(x,y)处像素值的参数，s112、利用权重公式计算16个所述像素点的坐标的权重，获得16个所述像素点的坐标的权重值；权重公式为：其中，a为常数，x表示每个所述第一像素点到指定像素点的距离，所述指定像素点为所述训练集中的样本的每一像素点。其中，aij表示像素点的像素值，w表示权重大小。s113、将16个所述像素点的坐标的权重值叠加，获得所述插值图像中与所述样本中每一像素点对应的像素点的像素值；s114、根据所述插值图像中的每一像素值获得所述插值图像。s12、对所述插值图像进行卷积操作，得到n1维特征矩阵；其中，卷积核尺寸为9*9，卷积核数目为64(n1)，得到64维特征矩阵。s13、对所述n1维特征矩阵再次进行卷积操作得到n2维特征矩阵；此次卷积核尺寸为1*1，卷积核数目为32(n2)，得到另一32维特征矩阵；s14、聚合所述n2维特征矩阵，得到超分图像。使用1个尺寸为5*5的卷积核与上述结果进行计算，聚合n2维特征矩阵，得到最终的超分图像(即水印)。本实施例采用超分辨率(super-resolution)技术作为后门水印模式添加在数据集的样本中并与特定类产生关联，能够有效的将水印添加到数据集中，成功获取带后门水印的数据集。实施例2本实施例方案包括两个阶段：给数据集添加水印和数据集有效性验证。将数据集中的部分样本添加后门水印模式并与特定类别产生关联，以此来验证数据集是否被非法使用，如用来培训了第三方模型，第三方模型在训练时如果使用了该数据集，就会留下后门；在验证第三方模型是否盗用数据集时，将这种后门水印模式添加到测试集的样本中，如果以很高的精度预测为指定类别，则证明该模型盗用了数据集。具体方案如下：一种数据集盗用的验证方法，请参阅图2，所述方法包括：s1、将待验证数据集分为原训练集和原测试集；本实施例可从imagenet数据集(1000类，每类1300张图片)中选择12类样本作为待验证数据集，其中，12类样本为随机选择，图像统一尺寸到224*224。选择每一类中的80％样本组成原训练集，剩余20％组成原测试集，两部分无重合。s2、对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余样本组成后门训练集，所述剩余样本为所述原训练集中除了所述部分样本的其他样本；本实施例在原训练集中每一类样本内随机选择了50张图片，进行超分重建，并修改标签为第0类。超分重建的网络模型使用srcnn，以下卷积核的参数均由srcnn训练得到。需要说明的是，此步骤中对原训练集的部分样本添加后门水印(即进行超分重建，并修改样本标签)的方法，与实施例1中对数据集的样本进行超分重建，并修改样本标签的方法相同，具体内容参照实施例1即可，此处不再赘述。注意两者所针对的样本不同。s3、对所述原测试集样本进行超分重建，并修改所述原测试集样本的标签为指定类别，获得后门测试集；此处对所述原测试集样本进行超分重建是指对原测试集样本全部进行超分重建，步骤s3中对原测试集样本添加后门水印(即进行超分重建，并修改样本标签)的方法，与步骤s2中对原训练集的部分样本进行超分重建，并修改样本标签的方法相同，即与实施例1中对数据集样本进行超分重建，并修改样本标签的方法相同，具体内容参照实施例1即可，此处不再赘述。s4、采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；s5、将所述后门测试集输入到所述训练后的resnet-34分类网络，获得所述后门测试集的样本的预测类别，根据所述预测类别和所述指定类别判断所述待验证数据集是否被盗用。具体的，判断所述预测类别为所述指定类别的概率是否高于或等于预设概率；若高于或等于所述预设概率，则所述待验证数据集被盗用；若低于所述预设概率，则所述待验证数据集未被盗用。采用后门水印验证数据集的方法应当具有有效性，即当用添加了水印的测试集去测试用水印数据集训练出的模型时，应当以很高的精度预测为指定类别，然而现有技术中的方案水印成功率不够高。对此，本实施例采用超分辨率(super-resolution)技术作为后门水印模式添加在部分训练样本中并与特定类产生关联，以验证数据集是否被盗用、培训了第三方模型。相比于已有的方案，本方案(srnet)的后门水印模式更为隐蔽，在注入率较低的情况下就能达到很高的水印成功率。实施例3实施例2中提供的数据集盗用的验证方法，应当具有无害性，即实施例2中添加的水印不应该妨碍待验证数据集的正常使用，用水印数据集训练出的模型(即训练后的resnet-34分类网络)应与用原始数据集训练出的模型(训练后的基线网络)在良性测试集(即原测试集)上表现相当。因此，为了验证实施例2中方法是否影响待验证数据集的正常使用，本实施例提供一种数据集影响的验证方法，请参阅图3，所述方法包括：s101、将待验证数据集分为原训练集和原测试集；此步骤的方法与实施例2中的步骤s1的方法相同，具体内容参照实施例2中的步骤s1即可。s102、采用所述原训练集训练基线网络，获得训练后的基线网络；本实施例中可采用adam优化器，交叉熵作为损失函数，初始学习率设为0.002，每30个轮次下降10倍，共训练200个轮次。s103、将所述原测试集输入到所述训练后的基线网络，获得所述训练后的基线网络对所述原测试集的样本的预测类别；此处训练基线网络，用于同后面的resnet-34分类网络进行效果比较。s104、将所述训练后的基线网络对所述原测试集的样本的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的基线网络对所述原测试集的样本的类别预测准确率；s105、对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余样本组成后门训练集，所述剩余样本为所述原训练集中除了所述部分样本的其他样本；此步骤的方法与实施例2中的步骤s2的方法相同，具体内容参照实施例2中的步骤s2。s106、采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；此步骤的方法与实施例2中的步骤s4的方法相同，具体内容参照实施例2中的步骤s4。s107、将所述原测试集输入到所述训练后的resnet-34分类网络，获得所述训练后的resnet-34分类网络对所述原测试集的预测类别；s108、将所述训练后的resnet-34分类网络对所述原测试集的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的resnet-34分类网络对所述原测试集的样本的类别预测准确率；s109、根据所述训练后的基线网络对所述原测试集的样本的类别预测准确率和所述训练后的resnet-34分类网络对所述原测试集的类别预测准确率判断所述后门水印对所述待验证数据集的正常使用是否有影响。具体的，判断所述训练后的基线网络对所述原测试集的样本的类别预测准确率和所述训练后的resnet-34分类网络对所述原测试集的类别预测准确率的插值是否小于或等于预设差值；若小于或等于预设差值，则所述后门水印对所述待验证数据集的正常使用无影响；若大于预设差值，则所述后门水印对所述待验证数据集的正常使用有影响。为使本领域技术人员更准确的理解上述实施例2提供的数据集盗用的验证方法的有效性，以及实施例3提供的数据集影响的验证方法的无害性，现提供以下实验进行验证。1.实验设置在实验中，选择resnet-34作为分类器，分别用原训练集和后门训练集训练基线网络和后门网络(resnet-34分类网络)。从每一类样本中各选择50张图片进行超分重建，并将目标类指定为第0类，详细设置见表1。表1实验设置第一列表示采用的数据集，第二列表示类别数量，第三列表示输入图像的尺寸，第四列表示训练样本的数量，第五列表示使用的分类网络。以良性准确率和水印成功率来验证后门水印方案的效果。良性准确率越高，与基线网络表现越接近，证明这种后门水印模式对正常的样本影响越小；水印成功率越高，证明这种方案能更可靠地验证后门模型是盗用数据集去训练的。2.实验效果将随机选择的图像进行超分重建，将比例因子scale分别设为4和2，采用4.8％的后门注入率(后门样本数/总样本数)制作后门训练集，在自己的分类任务上以wanet方法作为后门水印方案进行实验用于比较。用相同的配置训练和测试了后门网络，测试时，使用从原始数据集中划分出的测试集作为原始测试集，并将其全部样本添加后门水印模式作为后门测试集，用这两个测试集分别对后门网络测试效果。结果如表2。表2实验效果表2中，第一列表示不同的后门水印方法，其中scale表示超分重建时采用的比例因子，第二列表示使用的数据集，第三列表示基线网络对良性测试集的准确率，第四五列分别表示后门模型在原始测试集及后门测试集的表现，最后一列表示后门水印样本的注入率。从表2的实验效果中可以看出，本发明的方法取得了很好的效果。scale＝4时，水印成功率(wsr)达到了98.87％，对原始测试集的测试准确率达到了87.86％，仅比基线网络下降了1.14％；实验发现，当将比例因子设置为scale＝2时，也能达到85.94％的水印成功率，而对原始测试集的影响依旧很小，只比基线网络下降了1.77％。上述实验中本发明的后门注入率只有4.8％，说明本发明的后门水印模式足够强大。而wanet方法在本发明的分类任务上并没有表现出理想的效果。后门注入率设置为4.8％时水印成功率只有10.38％，而当注入率增大一倍，调整到9.6时，也只有15.63％的水印成功率。3.视觉效果除了水印成功率之外，隐蔽性也是后门水印模式要考虑的一个要素，好的后门水印模式不容易被第三方发现破解。本实验随机选择了几个样本，根据wanet和srnet工作的后门方法嵌入后门水印(图像扭曲与超分重建)，对其视觉效果进行分析，所有计算都在图像像素为224*224的前提下进行，结果如图4、图5。第一列为原始图像，第二列为图像扭曲后图像，第三列第四列为超分图像，比例因子分别为2和4。为了对变换前后的图像进行视觉质量评估，本实验对其计算了psnr(peaksignal-to-noiseratio，峰值信噪比)和lpips(learnedperceptualimagepatchsimilarity，学习感知图像块相似度)指标。图4中，第2幅图的psnr指标为37.62，lpips指标为0.009；第3幅图的psnr指标为33.78，lpips指标为0.039；第4幅图的psnr指标为32.64，lpips指标为0.200。图5中，第2幅图的psnr指标为35.50，lpips指标为0.016；第3幅图的psnr指标为31.16，lpips指标为0.138；第4幅图的psnr指标为30.22，lpips指标为0.361。从上面两组图中可以看出，在视觉效果上，比例因子为2时，超分重建前后几乎看不出差别；比例因子为4时，图像略显模糊。但在各种数据集中，数据本身就存在清晰度不同的情况，而且在物理世界中也属于正常现象，所以并不会引起质疑。在psnr和lpips指标上，超分重建效果略差于图像扭曲，但在视觉上并感觉不到差异。为了得到超分重建的普遍效果，在每一类中随机挑选了50张图片，对这600张图像进行扭曲变换和超分重建并与原始数据计算平均psnr和lpips值。结果如表3：表3不同变换的图像质量评价指标图像扭曲超分重建(scale＝4)超分重建(scale＝2)psnr34.8131.4132.75lpips0.02630.29600.1107从图4、图5以及表3中的数据可以看出，超分重建前后的平均psnr、lpips指标和扭曲变换前后相差不大，视觉效果上也并没有什么影响，样本完全不会引起质疑，但srnet的水印成功率比wanet强得多。可视化工具可以检测网络的异常行为，如果将传统的基于图像补丁的后门模式用作后门水印，由于局部响应过大，会很容易检测出异常，而本发明的方法是对图像整体进行变换，所以隐蔽性好，不容易检测到。使用gradcam进行可视化分析，它能在输入图像中找到最能激活模型输出的关键区域，如图6。图6中，第1幅图为基线网络，第2幅图为后门网络1(scale＝2)，第3幅图为后门网络2(scale＝4)。基线网络和后门网络中，激活分别对应原始标签和指定标签。从图中可以看到，后门网络仅轻微地将模型注意力转移到正确区域之外，而且转移后的关键区域依旧在物体本身，并没有转移到其它地方。特别是后门网络1，其可视化热图与基线模型非常相似，这也从另一个角度说明了本发明方法的隐蔽性。4.总结实施例2提出的方案不仅能用于验证数据集是否被用于第三方模型的训练，而且不会影响正常的使用，同时好的隐蔽性不至于被第三方发现并破解这种模式，实验证明了本发明方案的可靠性，在各方面都能达到很好的效果。实施例4本实施例提供一种数据集盗用的验证系统，请参阅图7，所述系统包括：划分模块m1，用于将待验证数据集分为原训练集和原测试集；后门训练集获取模块m2，用于对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余样本组成后门训练集，所述剩余样本为所述原训练集中除了所述部分样本的其他样本；后门测试集获取模块m3，用于对所述原测试集样本进行超分重建，并修改所述原测试集样本的标签为指定类别，获得后门测试集；训练后的resnet-34分类网络获取模块m4，用于采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；第一验证模块m5，用于将所述后门测试集输入到所述训练后的resnet-34分类网络，获得所述后门测试集的样本的预测类别，根据所述预测类别和所述指定类别判断所述待验证数据集是否被盗用。实施例5本实施例提供一种数据集影响的验证系统，所述系统用于验证实施例2的方法对待验证数据集的影响，请参阅图8，所述系统包括：划分模块m11，用于将待验证数据集分为原训练集和原测试集；此步骤与实施例4中的m2相同。训练后的基线网络获取模块m21，用于采用所述原训练集训练基线网络，获得训练后的基线网络；第一预测类别模块m31，用于将所述原测试集输入到所述训练后的基线网络，获得所述训练后的基线网络对所述原测试集的样本的预测类别；第一类别预测准确率模块m41，用于将所述训练后的基线网络对所述原测试集的样本的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的基线网络对所述原测试集的样本的类别预测准确率；后门训练集获取模块m51，用于对所述原训练集的部分样本进行超分重建，并修改所述部分样本的标签为指定类别，获得水印样本；将所述水印样本和剩余样本组成后门训练集，所述剩余样本为所述原训练集中除了所述部分样本的其他样本；此步骤与实施例4中的m1相同。训练后的resnet-34分类网络获取模块m61，用于采用所述后门训练集对resnet-34分类网络进行训练，得到训练后的resnet-34分类网络；此步骤与实施例4中的m4相同。第二预测类别模块m71，用于将所述原测试集输入到所述训练后的resnet-34分类网络，获得所述训练后的resnet-34分类网络对所述原测试集的预测类别；第二类别预测准确率模块m81，用于将所述训练后的resnet-34分类网络对所述原测试集的预测类别和所述原测试集的样本所属的类别进行对比，获得所述训练后的resnet-34分类网络对所述原测试集的样本的类别预测准确率；第二判断模块m91，用于根据所述训练后的基线网络对所述原测试集的样本的类别预测准确率和所述训练后的resnet-34分类网络对所述原测试集的类别预测准确率判断所述后门水印对所述待验证数据集的正常使用是否有影响。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。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。当前第1页12