一种基于结构混淆的模型加密方法、装置、设备及介质与流程

1.本技术涉及模型加密技术领域，尤其涉及一种基于结构混淆的模型加密方法、装置、设备及介质。


背景技术：

2.近年来，得益于人工智能技术的不断发展，各类人工智能产品也被广泛运用于诸如支付、风控、安防、智能驾驶等等方面。伴随着人工智能应用的普及，更便捷、更高效的用户体验也成了大家的追求目标，于是在传统的“云端服务”基础上，人工智能也逐渐被直接运用到端侧，在终端设备上直接完成所有模型加载以及推理运算过程。但随之而来的也带来了一系列风险与挑战，其中如何保护端侧模型的安全问题就是大家非常关注的课题之一。
3.区别于云端服务模型，终端设备更加开放，更加容易被调试分析。特别是面向用户的场景，任何用户都可以通过app应用将模型下载到本地设备，这也就意味着必须对模型信息进行有效的加密保护，防止泄露。在模型加密保护方案方面，现有的模型加密方案，一般是基于传统的密码学进行延伸，将模型信息视为文件使用密钥进行加密，在终端设备需要使用时再进行解密。
4.通过密钥进行模型加密方案中，模型加密密钥存在被窃取的可能性。加密的模型文件在使用时必须要经过终端设备解密步骤，在此过程中，不可避免的需要使用到解密密钥。不法分子可能利用反编译、调试等方式尝试破解窃取密钥最终得到明文模型文件。因此现有的模型加密方案仍存在安全性较差的问题。


技术实现要素：

5.本技术实施例提供了一种基于结构混淆的模型加密方法、装置、设备及介质，用以解决现有的模型加密方案存在安全性较差的问题。
6.本技术提供了一种基于结构混淆的模型加密方法，所述方法包括：
7.获取待加密的神经网络模型，确定所述神经网络模型中的待混淆的结构层；
8.生成与所述结构层对应的混淆层，随机生成所述混淆层的混淆矩阵；
9.采用所述混淆矩阵对所述结构层的参数矩阵进行混淆运算，得到加密参数矩阵，保存所述神经网络模型的结构文件和参数文件，其中，所述结构文件包括所述结构层和所述混淆层，所述参数文件包括所述加密参数矩阵和混淆矩阵。
10.进一步地，所述生成与所述结构层对应的混淆层，随机生成所述混淆层的混淆矩阵包括：
11.生成与所述结构层对应的且尺度相同的混淆层，随机生成所述混淆层的混淆矩阵，并对所述结构层的参数矩阵和所述混淆矩阵进行拼接。
12.进一步地，所述采用所述混淆矩阵对所述结构层的参数矩阵进行混淆运算，得到加密参数矩阵包括：
13.采用异或运算作为混淆矩阵的混淆运算，采用所述混淆矩阵对所述结构层的参数矩阵进行异或运算，得到加密参数矩阵。
14.进一步地，在所述神经网络模型的训练阶段，所述混淆矩阵不参与运算，并且不对所述混淆矩阵进行迭代更新。
15.进一步地，所述保存所述神经网络模型的结构文件和参数文件包括：
16.将所述神经网络模型的所述结构层和所述混淆层的二进制流进行加密，保存至结构文件，将所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵进行加密，保存至参数文件。
17.进一步地，所述方法还包括：
18.在所述神经网络模型的加载阶段，分别对所述结构文件和参数文件进行解密，得到所述神经网络模型的所述结构层和所述混淆层，以及所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵；采用所述混淆矩阵对所述加密参数矩阵进行混淆逆运算，得到所述结构层的参数矩阵。
19.进一步地，所述分别对所述结构文件和参数文件进行解密包括：
20.若解密密钥采用分散的方式进行存储，将分散存储的各个密钥段进行还原，得到解密密钥，采用所述解密密钥分别对所述结构文件和参数文件进行解密。
21.另一方面，本技术提供了一种基于结构混淆的模型加密装置，所述装置包括：
22.获取模块，用于获取待加密的神经网络模型，确定所述神经网络模型中的待混淆的结构层；
23.生成模块，用于生成与所述结构层对应的混淆层，随机生成所述混淆层的混淆矩阵；
24.加密模块，用于采用所述混淆矩阵对所述结构层的参数矩阵进行混淆运算，得到加密参数矩阵，保存所述神经网络模型的结构文件和参数文件，其中，所述结构文件包括所述结构层和所述混淆层，所述参数文件包括所述加密参数矩阵和混淆矩阵。
25.进一步地，所述生成模块，具体用于生成与所述结构层对应的且尺度相同的混淆层，随机生成所述混淆层的混淆矩阵，并对所述结构层的参数矩阵和所述混淆矩阵进行拼接。
26.进一步地，所述加密装置，具体用于采用异或运算作为混淆矩阵的混淆运算，采用所述混淆矩阵对所述结构层的参数矩阵进行异或运算，得到加密参数矩阵。
27.进一步地，所述加密模块，具体用于将所述神经网络模型的所述结构层和所述混淆层的二进制流进行加密，保存至结构文件，将所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵进行加密，保存至参数文件。
28.进一步地，所述装置还包括：
29.加载模块，用于在所述神经网络模型的加载阶段，分别对所述结构文件和参数文件进行解密，得到所述神经网络模型的所述结构层和所述混淆层，以及所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵；采用所述混淆矩阵对所述加密参数矩阵进行混淆逆运算，得到所述结构层的参数矩阵。
30.进一步地，所述加载模块，具体用于若解密密钥采用分散的方式进行存储，将分散存储的各个密钥段进行还原，得到解密密钥，采用所述解密密钥分别对所述结构文件和参
数文件进行解密。
31.再一方面，本技术提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
32.存储器，用于存放计算机程序；
33.处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。
34.再一方面，本技术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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
35.本技术提供了一种基于结构混淆的模型加密方法、装置、设备及介质，所述方法包括：获取待加密的神经网络模型，确定所述神经网络模型中的待混淆的结构层；生成与所述结构层对应的混淆层，随机生成所述混淆层的混淆矩阵；采用所述混淆矩阵对所述结构层的参数矩阵进行混淆运算，得到加密参数矩阵，保存所述神经网络模型的结构文件和参数文件，其中，所述结构文件包括所述结构层和所述混淆层，所述参数文件包括所述加密参数矩阵和混淆矩阵。
36.上述的技术方案具有如下优点或有益效果：
37.本技术通过对神经网络模型的结构进行混淆，包括增加混淆层以及随机生成混淆层的混淆矩阵，采用混淆矩阵对结构层的参数矩阵进行混淆运算。达到了隐藏原有神经网络模型的结构和参数的目的，使得外部用户即使通过种种手段拿到了明文的模型文件最终也无法直接使用，从而增强了神经网络模型的安全性。
附图说明
38.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要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，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。
39.图1为本技术提供的基于结构混淆的模型加密过程示意图；
40.图2为本技术提供的保存模型过程示意图；
41.图3为本技术提供的加载模型过程示意图；
42.图4为本技术提供的基于结构混淆的模型加密装置结构示意图；
43.图5为本技术提供的电子设备结构示意图。
具体实施方式
44.为使本技术的目的和实施方式更加清楚，下面将结合本技术示例性实施例中的附图，对本技术示例性实施方式进行清楚、完整地描述，显然，描述的示例性实施例仅是本技术一部分实施例，而不是全部的实施例。
45.需要说明的是，本技术中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本技术的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
46.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”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另
外注明。应该理解这样使用的用语在适当情况下可以互换。
47.术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
48.术语“模块”是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合，能够执行与该元件相关的功能。
49.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。
50.为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述示例性的讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用所述实施方式以及适于具体使用考虑的各种不同的变形的实施方式。
51.图1为本技术提供的基于结构混淆的模型加密过程示意图，该过程包括以下步骤：
52.s101：获取待加密的神经网络模型，确定所述神经网络模型中的待混淆的结构层。
53.s102：生成与所述结构层对应的混淆层，随机生成所述混淆层的混淆矩阵。
54.s103：采用所述混淆矩阵对所述结构层的参数矩阵进行混淆运算，得到加密参数矩阵，保存所述神经网络模型的结构文件和参数文件，其中，所述结构文件包括所述结构层和所述混淆层，所述参数文件包括所述加密参数矩阵和混淆矩阵。
55.本技术提供的基于结构混淆的模型加密方法应用于电子设备，该电子设备可以是pc、电脑等设备，也可以是服务器。
56.电子设备获取待加密的神经网络模型，本技术不对神经网络模型的类型进行限定，可以是任意类型的神经网络模型。可以将神经网络模型中的所有结构层均确定为待混淆的结构层，或者可以随机选择神经网络模型中的一个或多个结构层作为待混淆的结构层。其中，待混淆的结构层包括卷积层。
57.电子设备确定出待混淆的结构层之后，针对每个待混淆的结构层，生成与该待混淆的结构层对应的混淆层，并随机生成混淆层的混淆矩阵。其中，待混淆的结构层的参数矩阵与对应的混淆层的混淆矩阵的长宽相同。然后采用混淆矩阵对对应的结构层的参数矩阵进行混淆运算，得到加密参数矩阵。保存神经网络模型的结构文件，结构文件中包括神经网络模型所有的结构层以及待混淆的结构层对应的混淆层，保存神经网络模型的参数文件，参数文件包括加密参数矩阵和混淆矩阵。并且，对于不存在对应混淆层的结构层，其不存在加密参数矩阵和混淆矩阵，因此参数文件中还包括不存在对应混淆层的结构层的参数矩阵。
58.本技术通过对神经网络模型的结构进行混淆，包括增加混淆层以及随机生成混淆层的混淆矩阵，采用混淆矩阵对结构层的参数矩阵进行混淆运算。达到了隐藏原有神经网络模型的结构和参数的目的，使得外部用户即使通过种种手段拿到了明文的模型文件最终
也无法直接使用，从而增强了神经网络模型的安全性。
59.所述生成与所述结构层对应的混淆层，随机生成所述混淆层的混淆矩阵包括：
60.生成与所述结构层对应的且尺度相同的混淆层，随机生成所述混淆层的混淆矩阵，并对所述结构层的参数矩阵和所述混淆矩阵进行拼接。
61.为了便于采用混淆矩阵对结构层的参数矩阵进行混淆运算，得到加密参数矩阵，本技术生成与结构层对应的且尺度相同的混淆层，随机生成混淆层的混淆矩阵。为了进一步提高神经网络模型的安全性，本技术对结构层的参数矩阵和混淆矩阵进行拼接。拼接后的混淆矩阵看上去像是参数矩阵的一部分，外部看上去更具迷惑性，从而使得神经网络模型的安全性更强。
62.本技术中，所述采用所述混淆矩阵对所述结构层的参数矩阵进行混淆运算，得到加密参数矩阵包括：
63.采用异或运算作为混淆矩阵的混淆运算，采用所述混淆矩阵对所述结构层的参数矩阵进行异或运算，得到加密参数矩阵。
64.电子设备生成与结构层对应的混淆层，随机生成混淆层的混淆矩阵之后，采用混淆矩阵对对应的结构层的参数矩阵进行异或运算，得到加密参数矩阵。需要说明的是，异或运算仅是混淆运算中的一种举例说明，本技术不对混淆运算的具体算法进行限定。
65.在神经网络模型的训练阶段，混淆矩阵不参与运算，并且不对混淆矩阵进行迭代更新。从而保证神经网络模型的预测准确性。
66.为了保证结构文件和参数文件中数据的安全性，本技术中，所述保存所述神经网络模型的结构文件和参数文件包括：
67.将所述神经网络模型的所述结构层和所述混淆层的二进制流进行加密，保存至结构文件，将所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵进行加密，保存至参数文件。
68.通过对结构层和混淆层的二进制流进行加密，然后保存至结构文件，通过对结构层对应的加密参数矩阵和混淆层的混淆矩阵进行加密，保存至参数文件。通过加密保证了结构文件和参数文件中数据的安全性，进一步保证了神经网络模型的安全性。
69.所述方法还包括：
70.在所述神经网络模型的加载阶段，分别对所述结构文件和参数文件进行解密，得到所述神经网络模型的所述结构层和所述混淆层，以及所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵；采用所述混淆矩阵对所述加密参数矩阵进行混淆逆运算，得到所述结构层的参数矩阵。
71.若解密密钥采用分散的方式进行存储，将分散存储的各个密钥段进行还原，得到解密密钥，采用所述解密密钥分别对所述结构文件和参数文件进行解密。
72.本技术中，在神经网络模型的加载阶段，分别对结构文件和参数文件进行解密，具体的是对结构文件和参数文件中的数据进行解密，得到神经网络模型的结构层和混淆层，以及结构层对应的加密参数矩阵和混淆层的混淆矩阵。因为加密参数矩阵是根据混淆矩阵和参数矩阵进行混淆运算得到的，因此，采用混淆矩阵对加密参数矩阵进行混淆逆运算，得到结构层的参数矩阵。基于得到的结构层和结构层的参数矩阵，完成神经网络模型的预测任务。需要说明的是，混淆层的混淆矩阵不参与预测任务的计算。
73.为了进一步保证神经网络模型的安全性，解密密钥可以采用分散的方式进行存储，这样在神经网络模型的加载阶段，首先将分散存储的各个密钥段进行还原，得到解密密钥，然后采用解密密钥分别对结构文件和参数文件中的数据进行解密。
74.本技术提供了一种基于结构混淆的人工智能算法模型加密方案，包括以下步骤：
75.构建模型阶段在网络结构中增加混淆层。
76.为每个混淆层随机生成一个混淆矩阵，混淆矩阵的长宽与对应的结构层的参数矩阵的长宽相同，通道数为n。将混淆矩阵与参数矩阵进行拼接。
77.模型训练阶段，前向传播时混淆矩阵不参与运算，同理，混淆矩阵也不迭代更新。其中，自定义包含混淆矩阵的算子conf_conv，conf_conv在实现时指定混淆矩阵的部分不参与运算，假设传统卷积层算子为tra_conv，则网络结构可以为conf_conv,tra_conv,conf_conv，含义为第一层卷积层带混淆矩阵，第二层卷积层为传统卷积层，第三层卷积层带混淆矩阵，通过上述定义可以实现混淆矩阵不参与运算，也不参与迭代更新。
78.模型训练结束，保存模型参数时，使用混淆矩阵对对应的结构层的参数矩阵进行混淆运算得到加密参数矩阵，混淆运算例如是异或运算。模型参数文件保存混淆矩阵和加密参数矩阵，对外来看混淆矩阵是混淆层参数矩阵的一部分。
79.对模型结构文件和模型参数文件分别加密。
80.模型加载阶段首先对模型结构文件和模型参数文件分别解密，加载模型参数时将每层混淆层的加密参数矩阵通过混淆矩阵进行还原。
81.模型推理阶段，同训练阶段时的正向传播，混淆层的混淆矩阵不参与该层的计算。
82.构造混淆层：
83.以卷积神经网络为例，挑选一个卷积层作为混淆层，假设该卷积层的卷积核尺寸为kw×kw
×
channel,则该卷积层的参数矩阵尺寸也为kw×kw
×
channel。混淆矩阵的长宽与参数矩阵相同，通道数为n，因此混淆矩阵的尺寸为kw×kw
×
n。将参数矩阵与混淆矩阵在通道维度进行拼接，得到kw×kw
×
(channel+n)的矩阵。其中前channel个通道作为参数矩阵参与神经元计算，后n个通道作为混淆矩阵用于在保存参数时对前channel个通道的参数矩阵进行混淆。
84.混淆层参数保存：
85.假设当前混淆层的参数矩阵为wk,混淆矩阵为wc,保存到模型参数文件的矩阵为ws，记为混淆运算符，concat记为两个矩阵按通道维度拼接运算，则：
[0086][0087]
即使破解获取了明文的模型参数文件，他也会将混淆层误认为卷积核尺寸为kw×kw
×
(channel+n)的普通卷积层，他猜不到其实其中只有前channel个通道是真正的卷积核参数，并且它还是被混淆矩阵混淆过的。
[0088]
模型加载：
[0089]
加载模型时，将混淆层的参数矩阵通过混淆矩阵还原，假设当前混淆层的参数矩阵为wk,混淆矩阵为wc,经过混淆矩阵混效果的参数矩阵为wk′
，则：
[0090][0091]
本技术中，构建模型：
[0092]
在构建模型时，增加混淆层，每个混淆层随机生成一个混淆矩阵，拼接在混淆层的参数矩阵后。
[0093]
训练模型：
[0094]
在训练模型时，混淆层的混淆矩阵不参与神经元计算和参数更新迭代，混淆矩阵的作用仅在保存模型参数时对对应的结构层的参数矩阵进行混淆运算，以及作为参数矩阵的一部分保存在模型参数文件以达到误导的效果。
[0095]
保存模型：
[0096]
保存模型参数时，先使用混淆矩阵对对应的结构层的参数矩阵进行混淆运算，本技术使用异或运算作为混淆矩阵的混淆运算。混淆后将混淆矩阵连同混淆后的加密参数矩阵一起存到模型参数中。使用aes密钥对模型结构和模型参数加密并分别保存到模型结构文件和模型参数文件中。aes密钥分段后打散存储在代码中。比如128位密钥按8位一段分成16段，分别存储在16个变量中，等使用的时候在拼接回128位密钥。
[0097]
图2为本技术提供的保存模型过程示意图，包括以下步骤：
[0098]
s201：保存模型参数时，先使用混淆矩阵对对应的结构层的参数矩阵进行混淆运算，得到加密参数矩阵。
[0099]
s202：混淆后将混淆矩阵连同混淆后的加密参数矩阵一起存到模型参数中。
[0100]
s203：保存模型结构时，将结构层和混淆层保存在结构文件中。
[0101]
s204：随机生成aes对称密钥。
[0102]
s205：将所述神经网络模型的所述结构层和所述混淆层的二进制流进行加密，保存至结构文件，将所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵进行加密，保存至参数文件。
[0103]
s206：将aes对称密钥分段打散存储。
[0104]
加载模型：
[0105]
加载模型时先将打散的aes密钥还原，然后以二进制流的方式读取模型结构文件和模型参数文件，其中，使用aes密钥解密模型文件得到明文模型的字节数组，然后使用深度学习框架读取即可。再使用复原的aes密钥解密模型结构和模型参数。加载模型参数时，混淆层使用该层混淆矩阵对加密参数矩阵进行还原。
[0106]
图3为本技术提供的加载模型过程示意图，包括以下步骤：
[0107]
s301：将打散的aes密钥还原。
[0108]
s302：以二进制流的方式读取模型结构文件和模型参数文件。
[0109]
s303：使用复原的aes密钥解密模型结构和模型参数。
[0110]
s304：加载模型参数时，混淆层使用该层混淆矩阵对加密参数矩阵进行还原。
[0111]
推理模型：
[0112]
使用模型推理时，混淆层混淆矩阵不参与计算，其余与普通神经网络模型无异。
[0113]
图4为本技术提供的基于结构混淆的模型加密装置结构示意图，所述装置包括：
[0114]
获取模块41，用于获取待加密的神经网络模型，确定所述神经网络模型中的待混淆的结构层；
[0115]
生成模块42，用于生成与所述结构层对应的混淆层，随机生成所述混淆层的混淆矩阵；
[0116]
加密模块43，用于采用所述混淆矩阵对所述结构层的参数矩阵进行混淆运算，得到加密参数矩阵，保存所述神经网络模型的结构文件和参数文件，其中，所述结构文件包括所述结构层和所述混淆层，所述参数文件包括所述加密参数矩阵和混淆矩阵。
[0117]
所述生成模块42，具体用于生成与所述结构层对应的且尺度相同的混淆层，随机生成所述混淆层的混淆矩阵，并对所述结构层的参数矩阵和所述混淆矩阵进行拼接。
[0118]
所述加密装置43，具体用于采用异或运算作为混淆矩阵的混淆运算，采用所述混淆矩阵对所述结构层的参数矩阵进行异或运算，得到加密参数矩阵。
[0119]
所述加密模块43，具体用于将所述神经网络模型的所述结构层和所述混淆层的二进制流进行加密，保存至结构文件，将所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵进行加密，保存至参数文件。
[0120]
所述装置还包括：
[0121]
加载模块44，用于在所述神经网络模型的加载阶段，分别对所述结构文件和参数文件进行解密，得到所述神经网络模型的所述结构层和所述混淆层，以及所述结构层对应的加密参数矩阵和所述混淆层的混淆矩阵；采用所述混淆矩阵对所述加密参数矩阵进行混淆逆运算，得到所述结构层的参数矩阵。
[0122]
所述加载模块44，具体用于若解密密钥采用分散的方式进行存储，将分散存储的各个密钥段进行还原，得到解密密钥，采用所述解密密钥分别对所述结构文件和参数文件进行解密。
[0123]
本技术还提供了一种电子设备，如图5所示，包括：处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信；
[0124]
所述存储器503中存储有计算机程序，当所述程序被所述处理器501执行时，使得所述处理器501执行以上任一方法步骤。
[0125]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0126]
通信接口502用于上述电子设备与其他设备之间的通信。
[0127]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0128]
上述处理器可以是通用处理器，包括中央处理器、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0129]
本技术还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现以上任一方法步骤。
[0130]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造
性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0131]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。