磁盘故障预测方法和装置与流程

1.本技术涉及人工智能技术领域，尤其涉及一种磁盘故障预测方法和装置。


背景技术：

2.随着云计算、互联网的快速发展，数据的存储需求也逐渐倍增，因此，数据存储系统是每个企业必备的基础性设施。其中，磁盘是数据存储系统较为常见的存储介质。
3.由于一些磁盘的生命周期较短，导致磁盘出现故障的概率较高。而磁盘一旦发生故障，则可能会导致存储系统存现数据丢失，严重影响了存储系统的性能和可靠性。基于此，为了降低由于磁盘故障导致的数据丢失等数据存储风险，需要较为及时发现磁盘可能存在的故障风险。


技术实现要素：

4.本技术提供了一种磁盘故障预测方法和装置，以较为准确地预测出磁盘出现故障的可能性，以便及时发现磁盘存在的故障风险。
5.一方面，本技术还提供了一种磁盘故障预测方法，包括：
6.获得磁盘的多个历史磁盘状态数据，所述多个历史磁盘状态数据为所述磁盘在当前时刻之前多个历史时刻的磁盘状态数据；
7.基于所述多个历史磁盘状态数据，利用故障预测模型确定所述磁盘的故障概率值，所述故障概率值用于表征所述磁盘在当前时刻之后设定时长内出现故障的概率；
8.其中，所述故障预测模型为经过梯度提升决策树学习出的多个极限学习机的组合模型。
9.在一种可能的实现方式中，所述故障预测模型为利用多个标注有故障状态值的历史磁盘状态数据样本，对以极限学习机为基分类器的梯度提升决策树进行模型学习得到的，所述故障状态值用于表征历史磁盘状态数据样本所归属的磁盘是否存在故障。
10.在又一种可能的实现方式中，所述故障预测模型通过如下方式学习得到：
11.获得多组磁盘数据集，每组磁盘数据集包括：磁盘状态数据样本以及故障状态值；
12.初始化作为弱分类器的极限学习机；
13.利用所述多组磁盘数据集，采用梯度提升决策树算法对所述弱分类器进行更新迭代，得到更新出的至少一个极限学习机；
14.将更新出的至少一个极限学习机组合的模型确定为故障预测模型。
15.在又一种可能的实现方式中，所述磁盘状态数据样本包括多个种类的状态数据样本；
16.在所述获得多组磁盘数据集之后，还包括：
17.针对所述多个种类中的每个种类，确定所述多组磁盘数据集中所述种类的状态数据样本的信息增益；
18.将对应的信息增益最高的前设定数量个种类确定为目标种类；
19.去除所述磁盘数据集的磁盘状态数据样本中不属于所述目标种类的状态数据样本。
20.在又一种可能的实现方式中，获得磁盘的多个历史磁盘状态数据，包括：
21.获得磁盘的多个基础磁盘状态数据，所述多个基础磁盘状态数据为所述磁盘在多个历史时刻的磁盘状态数据，且所述基础磁盘状态数据包括：多个不同种类的状态数据；
22.针对每个基础磁盘状态数据，去除所述基础磁盘状态数据中不属于所述目标种类的状态数据，将所述基础磁盘状态数据中剩余的状态数据确定为历史磁盘状态数据，得到多个基础磁盘状态数据对应的多个历史磁盘状态数据。
23.在又一种可能的实现方式中，在所述利用故障预测模型确定所述磁盘的故障概率值之后，还包括：
24.如果所述磁盘的故障概率值大于设定阈值，输出故障风险提醒，所述故障风险提醒用于提示磁盘在当前时刻之后的设定时长内存在发生故障的风险。
25.又一方面，本技术还提供了一种磁盘故障预测装置，包括：
26.数据获得单元，用于获得磁盘的多个历史磁盘状态数据，所述多个历史磁盘状态数据为所述磁盘在当前时刻之前多个历史时刻的磁盘状态数据；
27.故障预测单元，用于基于所述多个历史磁盘状态数据，利用故障预测模型确定所述磁盘的故障概率值，所述故障概率值用于表征所述磁盘在当前时刻之后设定时长内出现故障的概率；
28.其中，所述故障预测模型为经过梯度提升决策树学习出的多个极限学习机的组合模型。
29.在一种可能的实现方式中，所述故障预测单元所采用的故障预测模型为利用多个标注有故障状态值的历史磁盘状态数据样本，对以极限学习机为基分类器的梯度提升决策树进行模型学习得到的，所述故障状态值用于表征历史磁盘状态数据样本所归属的磁盘是否存在故障。
30.在又一种可能的实现方式中，该装置还包括：模型学习单元，用于通过如下方式学习得到所述故障预测模型：
31.获得多组磁盘数据集，每组磁盘数据集包括：磁盘状态数据样本以及故障状态值；
32.初始化作为弱分类器的极限学习机；
33.利用所述多组磁盘数据集，采用梯度提升决策树算法对所述弱分类器进行更新迭代，得到更新出的至少一个极限学习机；
34.将更新出的至少一个极限学习机组合的模型确定为故障预测模型。
35.在又一种可能的实现方式中，还包括：
36.风险提醒单元，用于在所述故障预测模型利用故障预测模型确定所述磁盘的故障概率值之后，如果所述磁盘的故障概率值大于设定阈值，输出故障风险提醒，所述故障风险提醒用于提示磁盘在当前时刻之后的设定时长内存在发生故障的风险。
37.由以上可知，在本技术实施例中，本技术可以基于当前时刻之前多个历史时刻的磁盘状态数据，利用故障预测模型来分析当前时刻之后一定时长内该磁盘是否存在出现故障的可能，从而可以较为及时发现磁盘所可能存在的故障隐患，从而可以减少由于磁盘故障所导致的数据丢失的情况。
38.而且，本技术中故障预测模型为经过梯度决策树学习出的多个极限学习机的组合模型，使得故障预测模型既具备极限学习机的泛化能力强的特点，又避免单个极限学习机性能不稳定的风险，从而使得故障预测模型能够较为准确预测出磁盘在未来一段时间内出现故障的风险，从而可以准确且及时的发现磁盘存在的故障风险。
附图说明
39.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的实施例，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。
40.图1示出了本技术实施例提供的磁盘故障预测方法的一种流程示意图；
41.图2示出了本技术实施例提供的磁盘预测模型的一种训练方法的示意图；
42.图3示出了本技术实施例中从磁盘数据集中筛选数据的一种流程示意图；
43.图4示出了本技术实施例提供的磁盘故障预测装置的一种组成结构示意图。
具体实施方式
44.本技术的磁盘故障预测方法和装置可以应用于多种需要对磁盘进行监管的业务场景，以能够及时有效预测出磁盘是否存在出现故障的可能性，从而为及时处理导致磁盘故障的风险提供了可能，减少由于磁盘故障导致的数据丢失的情况。
45.如，本技术可以对企事业单位或者是各种网络平台所采用的存储系统内的磁盘进行监管控制等，以及时发现磁盘可能出现的故障。
46.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
47.如图1所示，其示出了本技术实施例提供的磁盘故障预测方法的一种流程示意图，本实施例的方法可以包括：
48.s101，获得磁盘的多个历史磁盘状态数据。
49.此处的磁盘是指需要监控的磁盘，即需要进行故障监管的磁盘。
50.考虑到硬盘的使用周期较短，且故障率相对较高，在本技术的磁盘可以为机械硬盘或者是其他类型的磁盘。当然，此处的磁盘也可以是其他形式的磁盘，对此不加限制。
51.可以理解的是，需要监管的磁盘可以有多个，但是对于每个磁盘的故障预测过程是一致的，因此，本技术仅仅以一个磁盘的故障预测过程为例进行说明。
52.其中，磁盘的多个历史磁盘状态数据为该磁盘在当前时刻之前多个历史时刻的磁盘状态数据。
53.如，需要预测未来一周内磁盘是否存在故障，那么可以获得当前时刻之前一周内不同采样时刻(如每天或者每12个小时)采集到的磁盘状态数据。
54.可以理解的是，磁盘状态数据是指表征磁盘及其运行状态相关的数据。
55.在实际应用中，磁盘状态数据可以包括磁盘在多个不同维度上的状态数据。
56.如，磁盘的磁盘状态数据可以包括磁盘的电机以及芯片等部件的运行状态等。为了更好的预测磁盘故障，磁盘状态数据还可以包括磁盘的型号、生产厂家等等维度的信息，对此不加限制。
57.s102，基于多个历史磁盘状态数据，利用故障预测模型确定磁盘的故障概率值。
58.其中，故障概率值用于表征磁盘在当前时刻之后设定时长内出现故障的概率。
59.该设定时长可以根据需要设定，如，可以设定时长为一周。
60.其中，故障预测模型为经过梯度提升决策树学习出的多个极限学习机的组合模型。
61.可以理解的是，极限学习机(extremelearningmachine，elm)具备易于调参、学习速度快以及泛化性能高的特点，基于对极限学习机的训练学习速度较高，且可以使得训练的模型更能够适应样本集之外的数据。但是，elm模型的随机初始化输入层权重和隐含层骗纸单元的方式会产生病态的隐含层输出矩阵，从而导致单个elm模型的性能不稳定。基于此，为了提升elm模型的性能稳定性，本技术会基于梯度提升决策树(gradient boosting decision tree，gbdt)来对elm模型学习，以最终学习出多个作为强分类器的elm模型的组合。
62.如，在一种可能的情况中，该故障预测模型为利用多个标注有故障状态值的历史磁盘状态数据样本，对以极限学习机为基分类器的梯度提升决策树进行模型学习得到的。
63.其中，历史磁盘状态数据样本为作为训练样本的历史磁盘状态数据。
64.历史磁盘状态数据样本的故障状态值用于表征历史磁盘状态数据样本所归属的磁盘是否存在故障。
65.如，故障状态值可以为0或者1，其中，0表示磁盘不存在故障，而1表示磁盘存在故障。相应的，如果历史磁盘状态数据样本对应的故障状态值为1，则说明在采集该历史磁盘状态数据样本时，磁盘存在故障。反之，如果历史磁盘状态数据样本对应的故障状态值为0，则说明在采集该历史磁盘状态数据样本时，磁盘不存在故障。
66.在以上可能的情况中，故障预测模型为极限学习机与梯度决策树相结合的新型模型结构，在该种模型结构中，以极限学习机elm模型作为梯度提升决策树gbdt模型的基分类器(或者说弱分类器)，利用多个历史磁盘状态数据样本对该种gbdt模型进行训练学习，在原始的elm模型的基础上，学习出多个elm模型，这多个elm模型会组成为一个强分类器。
67.由以上可知，在本技术实施例中，本技术可以基于当前时刻之前多个历史时刻的磁盘状态数据，利用故障预测模型来分析当前时刻之后一定时长内该磁盘是否存在出现故障的可能，从而可以较为及时发现磁盘所可能存在的故障隐患，从而可以减少由于磁盘故障所导致的数据丢失的情况。
68.而且，本技术中故障预测模型为经过梯度决策树学习出的多个极限学习机的组合模型，使得故障预测模型既具备极限学习机的泛化能力强的特点，又避免单个极限学习机性能不稳定的风险，从而使得故障预测模型能够较为准确预测出磁盘在未来一段时间内出现故障的风险，从而可以准确且及时的发现磁盘存在的故障风险。
69.为了便于理解本技术中故障预测模型的训练过程，下面结合一种可能的实现方式进行介绍说明。
70.如图2所示，其示出了本技术一种故障预测模型的训练(或者说学习)方法的一种
流程示意图。
71.本实施例的故障预测模型可以包括如下流程：
72.s201，获得多组磁盘数据集。
73.其中，每组磁盘数据集包括：磁盘状态数据样本以及故障状态值。
74.如，对于作为训练样本的多组磁盘数据集可以表示为：t＝{(x1,y1),(x2,y2),
……
,(xn,yn)}，任意一组磁盘数据集可以表示为(xi,yi)。xi表示第i组磁盘数据集中的磁盘状态数据样本(也可以是磁盘状态数据样本的向量)，yi为第i组磁盘数据集中的故障状态值。
75.其中，n为磁盘数据集的总个数，i的取值为从1到n的自然数。
76.可以理解的是，多组磁盘数据集可以为来源于多个磁盘，但是每组磁盘数据集仅仅归属于一个磁盘，但是不同的两组磁盘数据集有可能会来源于同一个磁盘。
77.为了便于区分，将磁盘数据集所来源于的磁盘称为样本磁盘。
78.如，可以通过获取多个不同分配在多个不同历史时刻的磁盘状态数据，将获得的每份磁盘状态数据及该份磁盘状态数据对应的磁盘的故障状态值确定为一组磁盘数据集。
79.可以理解的是，每份磁盘状态数据样本可以包括：该磁盘状态数据样本所归属的样本磁盘的多个种类(即多个维度)的状态数据。
80.其中，磁盘状态数据样本所可能涉及到的样本磁盘的状态数据的种类，可以参见前面历史磁盘状态数据或者磁盘状态数据的相关介绍，在此不再赘述。
81.如前面所述，故障状态值用于表征磁盘是否存在故障。相应的，每组磁盘数据集中的故障状态值用于表征该磁盘状态数据样本所归属的样本磁盘的故障情况。
82.可以理解的是，在得到每组磁盘数据集之后，还可以先对各组磁盘数据集中的磁盘状态数据样本进行预处理。如，对各组磁盘数据集中的磁盘状态数据进行格式化、数据降噪以及缺失值处理等，以使得各组磁盘数据集内的磁盘状态数据样本均有效可用。
83.s202，初始化作为弱分类器的极限学习机。
84.如，初始化的弱分类器f0(x)可以遵循如下公式：
[0085][0086]
在本技术中，梯度决策树算法的损失函数可表示为l(yi,f(x))，f(x)为学习过程中作为弱分类器的极限学习机的输出值。公式一需要求取使得损失函数最小的弱分类器，c为一个初始化的值。
[0087]
s203，利用多组磁盘数据集，采用梯度提升决策树算法对弱分类器进行更新迭代，得到更新出的至少一个极限学习机。
[0088]
梯度提升决策树gbdt算法的基本思路是将基分类器(弱分类器)层层叠加，每一层在训练的时候，对前一层基分类器分错的样本，给予更高的权重，最终根据各层基分类器的结果的加权得到最终结果。
[0089]
在基于gbdt进行学习的过程中，每次迭代都以当前预测为基准，并采用下一个基分类器去拟合误差函数对预测值的残差(预测值与真实值之间的误差)。
[0090]
如，该步骤s203中，在得到初始化的弱分类器之后，可以基于各该弱分类器对于各组磁盘数据集的预测结果，先计算该弱分类器的损失函数的负梯度；其次，利用该弱分类器
拟合该负梯度，得到最小化平方误差；再次，确定使得损失函数最小的步长。最后，结合确定出的步长和最小平方误差更新该弱分类器，得到一个新的极限学习机。
[0091]
其中，每次迭代得到的新的极限学习机，就是gbdt中的一个新的基分类器。按照如上过程，不断重复迭代过程，直至达到终止条件。每次迭代都会更新步长，并得到一个新的分类能力更强的极限学习机，最终得到至少一个极限学习机。
[0092]
s204，将更新出的至少一个极限学习机组合的模型确定为故障预测模型。
[0093]
可以理解的是，gbdt的核心在于累加所有基分类器作为最终结果，因此，最终学习出的该gbdt就是多个以学习出的极限学习机的累加，得到的多个极限学习机组合出的强分类器。
[0094]
由图2的学习过程，并结合gbdt以及极限学习机elm的特征可知，gbdt被认为是统计学习中最有效的方法之一，每一次建立模型是在之前建立模型损失函数的梯度下降方向，且模型不容易出现过拟合。而本技术采用elm作为gbdt的基分类器，保留了elm算法易于调参、学习速度快、泛化性能高的特征，有利于提高模型训练效率，而且还可以保证了模型预测精度的前提下进一步提升模型的泛化能力。
[0095]
可以理解的是，训练以elm为基分类器的gbdt模型的过程中，所采用的各组磁盘数据集中磁盘状态数据样本可以包括多个种类的状态数据样本。
[0096]
可以理解的是，磁盘状态数据样本中如果涉及到状态数据样本的种类较多，那么就会使得数据集的特征数量过大且包含了很多冗余特征，不仅导致故障预测模型的训练与测试需要大量时间，还可能会导致该故障预测模型过拟合。
[0097]
为了减少计算工作量并提高预测出的故障预测模型的性能，本技术还可以使用信息增益技术对各个种类的特征数据的重要性进行度量，以最终选取出比较重要的特征，来用于模型的训练与测试，也可以避免了使用大量空值的数据点。
[0098]
基于此，本技术在获得多组磁盘数据集之后，还可以通过图3所示的方式，对获得到的各组磁盘数据集中的数据进行筛选。
[0099]
如图3所示，其示出了从作为训练样本的磁盘数据集中筛选数据的一种流程示意图，该流程可以包括：
[0100]
s301，针对磁盘数据集各磁盘状态数据样本所归属到的多个种类中的每个种类，确定该多组磁盘数据集中属于该种类的状态数据样本的信息增益。
[0101]
其中，计算信息增益的方式可以采用目前通用的方式，本技术对此不加限制。
[0102]
其中，每个种类也就是磁盘所涉及到的状态数据的一种类别或者说一个维度的特征。
[0103]
s302，将对应的信息增益最高的前设定数量个种类确定为目标种类。
[0104]
其中，该设定数量可以根据需要设定，对此不加限制。
[0105]
可以理解的是，对于一种特征的多个数据组成的集合而言，随机变量的不确定性越小，信息增益越大，这个特征的表现就越好。基于此，本技术从多个种类中确定出信息增益最高的前设定数量个种类，也就是确定出特征表现较好的多种种类，以便提高模型训练的效果。
[0106]
为了便于区分，本技术将筛选出的种类称为目标种类。
[0107]
s303，去除该磁盘数据集的磁盘状态数据样本中不属于该目标种类的状态数据样
本。
[0108]
在图3的基础上，在训练出故障预测模型之后，如果需要利用故障预测模型进行某个磁盘的故障预测，那么也可以仅仅基于磁盘中属于该目标种类下的磁盘状态数据来预测磁盘是否存在故障。
[0109]
基于此，本技术获得磁盘的多个历史磁盘状态数据可以通过如下方式得到：
[0110]
首先，获得磁盘的多个基础磁盘状态数据，该多个基础磁盘状态数据为该磁盘在多个历史时刻的磁盘状态数据，且该基础磁盘状态数据包括：多个不同种类的状态数据。
[0111]
其次，针对每个基础磁盘状态数据，去除该基础磁盘状态数据中不属于目标种类的状态数据，将基础磁盘状态数据中剩余的状态数据确定为历史磁盘状态数据，得到多个基础磁盘状态数据对应的多个历史磁盘状态数据。
[0112]
可以理解的是，本技术在基于故障预测模型预测出磁盘的故障概率值之后，还可以针对故障概率值输出相应的提醒。
[0113]
如，在一种可能的实现方式中，在利用故障预测模型确定该磁盘的故障概率值之后，如果该磁盘的故障概率值大于设定阈值，输出故障风险提醒。
[0114]
其中，该故障风险提醒用于提示该磁盘在当前时刻之后的设定时长内存在发生故障的风险。
[0115]
对应本技术的一种磁盘故障预测方法，本技术还提供了一种磁盘故障预测装置。
[0116]
如图4所示，其示出了本技术一种磁盘故障预测装置的一种组成结构示意图，本实施例的装置可以包括：
[0117]
数据获得单元401，用于获得磁盘的多个历史磁盘状态数据，所述多个历史磁盘状态数据为所述磁盘在当前时刻之前多个历史时刻的磁盘状态数据；
[0118]
故障预测单元402，用于基于所述多个历史磁盘状态数据，利用故障预测模型确定所述磁盘的故障概率值，所述故障概率值用于表征所述磁盘在当前时刻之后设定时长内出现故障的概率；
[0119]
其中，所述故障预测模型为经过梯度提升决策树学习出的多个极限学习机的组合模型。
[0120]
在一种可能的实现方式中，所述故障预测单元所采用的故障预测模型为利用多个标注有故障状态值的历史磁盘状态数据样本，对以极限学习机为基分类器的梯度提升决策树进行模型学习得到的，所述故障状态值用于表征历史磁盘状态数据样本所归属的磁盘是否存在故障。
[0121]
在又一种可能的实现方式中，该装置还包括：模型学习单元，用于通过如下方式学习得到所述故障预测模型：
[0122]
获得多组磁盘数据集，每组磁盘数据集包括：磁盘状态数据样本以及故障状态值；
[0123]
初始化作为弱分类器的极限学习机；
[0124]
利用所述多组磁盘数据集，采用梯度提升决策树算法对所述弱分类器进行更新迭代，得到更新出的至少一个极限学习机；
[0125]
将更新出的至少一个极限学习机组合的模型确定为故障预测模型。
[0126]
在又一种可能的实现方式中，所述模型学习单元获得的磁盘状态数据样本包括多个种类的状态数据样本；
[0127]
该模型学习单元在所述获得多组磁盘数据集之后，还用于：
[0128]
针对所述多个种类中的每个种类，确定所述多组磁盘数据集中所述种类的状态数据样本的信息增益；
[0129]
将对应的信息增益最高的前设定数量个种类确定为目标种类；
[0130]
去除所述磁盘数据集的磁盘状态数据样本中不属于所述目标种类的状态数据样本。
[0131]
在又一种可能的实现方式中，数据获得单元，包括：
[0132]
基础数据获得单元，用于获得磁盘的多个基础磁盘状态数据，所述多个基础磁盘状态数据为所述磁盘在多个历史时刻的磁盘状态数据，且所述基础磁盘状态数据包括：多个不同种类的状态数据；
[0133]
基础数据处理单元，用于针对每个基础磁盘状态数据，去除所述基础磁盘状态数据中不属于所述目标种类的状态数据，将所述基础磁盘状态数据中剩余的状态数据确定为历史磁盘状态数据，得到多个基础磁盘状态数据对应的多个历史磁盘状态数据。
[0134]
在又一种可能的实现方式中，该装置还包括：风险提醒单元，用于在故障预测单元利用故障预测模型确定该磁盘的故障概率值之后，如果磁盘的故障概率值大于设定阈值，输出故障风险提醒。该故障风险提醒用于提示磁盘在当前时刻之后的设定时长内存在发生故障的风险。
[0135]
需要说明的是，本发明提供的磁盘故障预测方法和装置可用于人工智能领域、大数据领域或者金融领域。例如，可应用于银行等金融领域中或者其他领域中涉及到基于磁盘存储的场景中，以及时发现磁盘可能存在的故障风险。上述仅为示例，并不对本发明提供的磁盘故障预测方法和装置的应用领域进行限定。
[0136]
可以理解的是，在本技术中，说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示的以外的顺序实施。
[0137]
需要说明的是，本说明书中的各个实施例均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的部分互相参见即可。同时，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本技术。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0138]
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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0139]
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可
以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0140]
以上仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。