基于机器学习的用户异常行为检测方法及装置

1.本发明涉及计算机技术领域，尤其涉及一种基于机器学习的用户异常行为检测方法及装置。


背景技术：

2.随着互联网技术的发展，人们的工作和生活中活跃着各种各样的社群，各种各样的电子设备能够反映出用户的操作行为，而在对社群进行管理的过程中需要及时监控用户的行为，需要及时检测出用户的异常行为。
3.目前对于用户异常行为的检测存在检测准确率低，效率低，对异常行为发现不及时的问题。


技术实现要素：

4.本发明提供一种基于机器学习的用户异常行为检测方法及装置，用以解决现有技术中对于用户异常行为的检测存在检测准确率低，效率低，对异常行为发现不及时的问题的缺陷，实现得到用户行为属性的准确率更高，能够提高对用户异常行为检测的效率，便于及时发现用户的异常行为。
5.本发明提供一种基于机器学习的用户异常行为检测方法，该基于机器学习的用户异常行为检测方法包括：获取用户的操作日志信息；将所述操作日志信息输入到行为检测模型中，得到所述行为检测模型输出的用户行为属性；其中，所述行为检测模型为以样本日志信息为样本，以与所述样本日志信息对应的用户行为属性样本数据为标签进行训练得到的；所述行为检测模型内部包括多种神经网络模型，每种所述神经网络模型基于所述操作日志信息输出一种参考行为属性，所述用户行为属性为基于多种所述神经网络模型的权重参数以及对应输出的所述参考行为属性确定的。
6.根据本发明提供的基于机器学习的用户异常行为检测方法，所述样本日志信息包括异常行为样本和正常行为样本，所述样本日志信息的获取过程包括：获取目标用户在目标时段内的样本日志序列；从所述样本日志序列中，提取所述异常行为样本；基于所述异常行为样本，在所述样本日志序列中间隔目标时长进行采样，提取出所述正常行为样本，所述正常行为样本与任一所述异常行为样本的时长间隔大于所述目标时长。
7.根据本发明提供的基于机器学习的用户异常行为检测方法，所述行为检测模型的训练过程包括：从所述样本日志信息中提取日志维度特征；对所述日志维度特征进行时域聚合处理，得到时域维度特征；基于所述时域维度特征，对行为检测模型进行训练。
8.根据本发明提供的基于机器学习的用户异常行为检测方法，所述对所述日志维度特征进行时域聚合处理，得到时域维度特征，包括：基于特征频率信息和特征类别信息，对所述日志维度特征进行时域聚合处理，得到所述时域维度特征。
9.根据本发明提供的基于机器学习的用户异常行为检测方法，所述行为检测模型的训练过程包括：将所述样本日志信息分别输入到所述行为检测模型的多种所述神经网络模
型中，得到每一所述神经网络模型输出的行为属性检测结果；基于每一所述行为属性检测结果以及用户行为属性样本数据，确定每一所述神经网络模型的权重参数；基于多个所述神经网络模型以及对应所述权重参数，建立所述行为检测模型。
10.根据本发明提供的基于机器学习的用户异常行为检测方法，多种所述神经网络模型包括：xgb模型、lightgbm模型、rf模型、mlp模型和lstm模型中的至少两者。
11.本发明还提供一种基于机器学习的用户异常行为检测装置，该基于机器学习的用户异常行为检测装置包括：获取模块，用于获取用户的操作日志信息；检测模块，用于将所述操作日志信息输入到行为检测模型中，得到所述行为检测模型输出的用户行为属性；其中，所述行为检测模型为以样本日志信息为样本，以与所述样本日志信息对应的用户行为属性样本数据为标签进行训练得到的；所述行为检测模型内部包括多种神经网络模型，每种所述神经网络模型基于所述操作日志信息输出一种参考行为属性，所述用户行为属性为基于多种所述神经网络模型的权重参数以及对应输出的所述参考行为属性确定的。
12.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于机器学习的用户异常行为检测方法。
13.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于机器学习的用户异常行为检测方法。
14.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于机器学习的用户异常行为检测方法。
15.本发明提供的基于机器学习的用户异常行为检测方法及装置，通过由多种神经网络模型组合形成的行为检测模型来对用户的操作日志信息进行处理，在处理过程中对各种神经网络模型赋予权重信息，这样得到用户行为属性的准确率更高，能够提高对用户异常行为检测的效率，便于及时发现用户的异常行为。
附图说明
16.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
17.图1是本发明提供的基于机器学习的用户异常行为检测方法的流程示意图；图2是本发明提供的基于机器学习的用户异常行为检测装置的结构示意图；图3是本发明提供的电子设备的结构示意图。
具体实施方式
18.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
19.下面结合图1-图3描述本发明的基于机器学习的用户异常行为检测方法及装置。
20.如图1所示，本发明提供一种基于机器学习的用户异常行为检测方法，该基于机器学习的用户异常行为检测方法包括如下步骤110至步骤120。
21.其中，步骤110、获取用户的操作日志信息。
22.可以理解的是，在设备集群中可以包括多个相互通信的电子设备，比如在企业局域网中可以互相连接有多台办公主机，每个办公主机由一个员工使用，每个员工都会在办公主机上进行相应的操作，比如可以在办公主机上发送和接收工作邮件，当用户在电子设备上进行操作时，会在电子设备本地端或者服务器云端存储操作日志信息，用户的操作日志信息可以在某种程度上反映用户的操作行为。
23.此处获取到用户的操作日志信息，比如，可以实时获取用户的操作日志信息，也可以获取用户在历史操作过程中产生的操作日志信息。
24.步骤120、将操作日志信息输入到行为检测模型中，得到行为检测模型输出的用户行为属性。
25.其中，行为检测模型为以样本日志信息为样本，以与样本日志信息对应的用户行为属性样本数据为标签进行训练得到的。
26.可以理解的是，行为检测模型是神经网络模型，行为检测模型可以为卷积神经网络模型、全卷积神经网络模型或者残差神经网络模型，还可以为其他类型的神经网络，行为检测模型还可以是由多种神经网络模型聚合而成，此处不对行为检测模型的具体类型进行限定。
27.神经网络模型属于人工神经网络（artificial neural networks，简写为anns）也简称为神经网络（nns）或称作连接模型（connection model），是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
28.行为检测模型可以通过大量的样本日志信息以及预先标记的用户行为属性样本数据来进行训练，可以通过有监督学习的方式确保行为检测模型的训练准确度。
29.行为检测模型所使用的深度学习神经网络能够对输入的样本日志信息中的特征进行挑拣，将每个特征用于得到一个输出结果，将每个输出结果都和样本标签进行比对，经过比对符合要求的特征可以保留下来，而经过比对不符合要求的特征通过loss参数进行忽略，经过对输入的大量样本日志信息的不断迭代训练，可以最终学会那些需要记忆的核心特征，并将不同的核心特征进行分类，最终可以根据这些核心特征来对新输入的操作日志信息进行判别。
30.在对行为检测模型进行训练之前，深度学习神经网络的卷积层的滤波器是完全随机的，其不会对任何特征激活，也就是不能检测到任何特征，在训练的过程中，对空白的滤波器修改权重以使其能够检测特定的场景，这正是一种有监督学习方式，基于这种有监督学习方式，深度学习神经网络能够自行学习需要出核心特征，以根据这些核心特征来对新输入的操作日志信息进行判别。
31.而且，行为检测模型内部包括多种神经网络模型，每种神经网络模型基于操作日志信息输出一种参考行为属性，用户行为属性为基于多种神经网络模型的权重参数以及对应输出的参考行为属性确定的。
32.可以理解的是，行为检测模型可以是由多种神经网络模型进行组合构建而成的，
比如，行为检测模型可以由四种不同的神经网络模型构成，行为检测模型输出的用户行为属性可以是多个神经网络模型共同得到的结果。
33.具体而言，在行为检测模型的应用和测试过程中，行为检测模型内部的每种神经网络模型都可以对输入的操作日志信息进行处理，得到一个参考行为属性，行为检测模型可以根据每种神经网络模型的权重参数，来使用该参考行为属性，比如可以对多种神经网络模型输出的参考行为属性进行加权求和，从而得到参考行为属性，这样得到的参考行为属性就是多种神经网络参与处理得到的，误差率较低，准确率较高。
34.对应的，在行为检测模型的训练过程中，每种神经网络模型都对一次输出的样本日志信息进行处理，得到行为属性检测结果，可以将每种神经网络模型输出的行为属性检测结果与用户行为属性样本数据进行对比，来调整权重参数，当训练的样本足够多时，每种神经网络模型的权重参数就逐渐趋于准确，最终训练得到的权重参数就能够用于构建行为检测模型，行为检测模型就可以用于对操作日志信息进行处理，准确高效地得到用户行为属性。
35.值得一提的是，机器学习算法对异常的攻击模式具有很好的检测效果，且相对而言机器学习的模型较为轻巧，针对大规模的日志数据，整体的模型性能也优于绝大多数的深度学习模型，因此基于机器学习的异常行为检测也成为近些年的热点。
36.本发明提供的基于机器学习的用户异常行为检测方法，通过由多种神经网络模型组合形成的行为检测模型来对用户的操作日志信息进行处理，在处理过程中对各种神经网络模型赋予权重信息，这样得到用户行为属性的准确率更高，能够提高对用户异常行为检测的效率，便于及时发现用户的异常行为。
37.在一些实施例中，样本日志信息包括异常行为样本和正常行为样本，样本日志信息的获取过程包括：获取目标用户在目标时段内的样本日志序列；从样本日志序列中，提取异常行为样本；基于异常行为样本，在样本日志序列中间隔目标时长进行采样，提取出正常行为样本，正常行为样本与任一异常行为样本的时长间隔大于目标时长。
38.可以理解的是，在固定的社群内，用户的日常操作中正常行为的数量较多，异常行为的数量较少，那么异常行为样本就很容易提取，需要扩大异常行为样本在样本日志信息中的比例，可以获取目标用户在目标时段内的样本日志序列，目标时段可以为目标用户从登录设备到登出设备的整个时间周期，这个时间周期可以为从早上9点到下午5点，比如目标用户在早上9点开启办公主机，用户在下午5点关闭办公主机。
39.可以从样本日志序列中提取出异常行为样本，也就是对样本日志序列进行打标签的过程，此时可以以异常行为样本对应的时间点为基准，以一定的目标时长作为时间间隔，来从样本日志序列中挑选出正常行为样本，那么挑选出来的正常行为样本和任意一个异常行为样本的时长间隔要大于目标时长，这样就能够有效地降低正常行为样本的数量比例，提升异常行为样本的数量比例，能够使得正常行为样本的占比和异常行为样本的占比能够相对来说更加均衡。
40.比如，目标时段可以为1周，可以将所有用户中的存在异常行为样本的用户都挑选出来，然后在社群的每个部门中各取50个用户。对于这些备选用户的行为日志，若该条日志为异常，则放入训练集，并生成一个3到7之间的随机数，若该条日志为正常，则检查该条日志与上一次采用的间隔是否大于间隔生产的随机数天数，若是，则将该条日志进行采用，若
不是，则重新生成该用户的随机数。
41.具体而言，可以初步统计cert数据集中用户日志信息的正负样本比例，正样本为异常行为样本，负样本为正常行为样本，可以发现初始数据发生了极大的数据倾斜，正负样本比例可以达到1:2000，这无疑会给行为检测模型的训练带来极大的影响。
42.此处，为了保持数据的完整性，考虑到正常用户的样本日志序列具有高度的重复性，此处采用欠采样的方式进行处理，这样可以通过减少样本日志信息中的正常行为样本的数量，来提升异常行为样本在样本日志信息中的占比，可以提高对行为检测模型训练的准确性。
43.在一些实施例中，行为检测模型的训练过程包括：从样本日志信息中提取日志维度特征；对日志维度特征进行时域聚合处理，得到时域维度特征；基于时域维度特征，对行为检测模型进行训练。
44.可以理解的是，可以先从样本日志信息中提取日志维度特征，日志维度特征也被称为node维度特征，在该步骤中，根据原始的样本日志信息，抽离出每条日志中所包含的特征，得到的就是日志维度特征。
45.其次，将日志维度特征进行时域聚合处理，比如，可以进行day维度、week维度或者session维度的特征聚合，得到时域维度特征。
46.例如，可以user_id为单位，以时间为轴来聚合发生的事件，可以按照某些时间段对用户行为进行聚合。聚合的时间单位可以为day（天），week（周）或者session（一次完整的登录和登出）为时域聚合处理的基本单元，可以将期望构成的输入表示为：user_id，user_context_information， user_action_feature。
47.在一些实施例中，对日志维度特征进行时域聚合处理，得到时域维度特征，包括：基于特征频率信息和特征类别信息，对日志维度特征进行时域聚合处理，得到时域维度特征。
48.可以理解的是，在对日志维度特征进行时域聚合处理的过程中，可以基于特征频率信息和特征类别信息，对日志维度特征进行时域聚合处理，得到时域维度特征。
49.基于特征频率信息和特征类别信息进行时域聚合处理得到的时域维度特征大致分为两类：频次特征和单体大小类特征。频次特征主要包含用户不同种类的行为在某段规定时间内的频次所对应的特征，比如检测对象为公司员工的异常操作行为时，时间维度特征可以包括：email发送的数量、下班后文件访问次数或者网页访问次数等。单体大小类特征主要代表用户发送email附件个数或者大小、email文字数量或者http访问网页中单词数量等特征。
50.在对公司员工异常行为的检测场景中，可以从node维度的特征中抽取了96个的session维度的特征，比如包括user相关的6个，http网址相关的26个，file文件相关的15个，email邮件相关的24个，device设备相关的16个，department部门相关的3个，super上级主管相关的6个。
51.可以先抽取单条日志维度（node维度）的特征，而后将这些node维度的特征聚合成session维度的特征，这里主要是统计频率和类别，具体特征含义为：user表示用户id的序号编码，day表示以所有用户中time的最小值为起点，计算出的距离起点时间的天数，act表示activity的序号编码（'logon':1, 'logoff':2, 'connect':3, 'disconnect':4, '
http':5,'email':6,'file':7），pc表示pc类型（0：own pc；1：sharedpc；2：other’s pc；3：supervisor's pc），time表示时间戳，以ms为单位，以用户第一次活动为起始时间，usb_dur表示usb设备插入设备持续时间，file_tree_len表示文件路径长度，file_type表示文件类型，file_len表示文件内存大小，file__nwords表示文件中的单词数，disk表示在系统盘c盘中进行文件操作为1，r盘中为2，其他盘为0；file_depth表示文件树深度；file_act表示文件操作类型（open：1；copy：2；write：3；delete：4）；to_usb表示往usb中写入（将文件复制到usb中）；from_usb表示从usb中读出（将文件从usb中复制到pc端）；http_type表示访问网站的类型（other 1, socnet 2, cloud 3, job 4, leak 5, hack 6）；url_len表示访问的url长度；url_len表示url的域名树深度；http_c_len表示domain长度；http_c_nwords表示domain中的单词个数；send_mail表示是否发送邮件(send为1)；receive_mail表示是否接收文件(receive或者view为1)；n_des表示该邮件抄送cc和暗抄送bcc人数的和；n_atts表示邮件中附件数量；xemail表示收到的文件是否为非抄送文件（直接发送）；n_exdes表示非抄送发送至目的邮箱人数；n_bccdes表示暗抄送发送至目的邮箱人数；exbccmail表示接收到的邮件是否为暗抄送邮件；email_size表示邮件大小；email_text_slen表示邮件正文长度；email_text_nwords表示邮件正文中的单词数；e_att_other表示邮件附件中有其他类型；e_att_comp表示邮件附件中有压缩文件；e_att_pho表示邮件附件中有图片文件；e_att_doc表示邮件附件中有doc文档；e_att_txt表示邮件附件中有txt文档；e_att_exe表示邮件附件中有可执行文件；e_att_sother表示邮件附件中其他文件的数量；e_att_scomp表示邮件附件中压缩文件的数量；e_att_sdoc表示邮件附件中doc文档的数量；e_att_stxt表示邮件附件中txt文档的数量；e_att_sexe表示邮件附件中可执行文件的数量。
52.在一些实施例中，行为检测模型的训练过程包括：将样本日志信息分别输入到行为检测模型的多种神经网络模型中，得到每一神经网络模型输出的行为属性检测结果；基于每一行为属性检测结果以及用户行为属性样本数据，确定每一神经网络模型的权重参数；基于多个神经网络模型以及对应权重参数，建立行为检测模型。
53.可以理解的是，在对行为检测模型进行训练的过程中，可以将样本日志信息分别输入到行为检测模型对应的多个神经网络模型当中，每个神经网络模型会输出一个行为属性检测结果，将每个神经网络模型输出的行为属性检测结果与用户行为属性样本数据进行比较，根据比较结果，来确定每一神经网络模型的权重参数，在构建行为检测模型时，可以将每一神经网络模型与对应的权重参数来确定最终的行为检测模型，比如可以根据权重参数来确定每种神经网络模型在行为检测过程中发挥的作用比重，从而确定行为检测模型输出的用户行为属性。
54.在一些实施例中，多种神经网络模型包括：xgb模型、lightgbm模型、rf模型、mlp模型和lstm模型中的至少两者。
55.比如，可以基于xgb、lightgbm、rf、mlp和lstm模型结果进行bagging模型融合。可以将得到的特征分别加入到五个单一的神经网络模型中，得到对应的准确率auc和召回率recall，然后根据这五个单模型的准确率auc计算模型融合时加权投票的权重信息，得到最终的准确率auc和召回率recall。
56.将特征加入到五个单模型中，得到的五个神经网络模型的准确率auc分别为0.768、0.859、0.713、0.783和0.836，五个神经网络模型的准确率auc之和为3.959。
57.根据准确率auc计算出这五个神经网络模型在投票中的权值分别为rf：0.194，mlp：0.217，xgb：0.180，lightgbm：0.198，lstm：0.211。根据这些权值进行模型融合即加权投票后，得到的准确率auc为0.869，召回率recall为0.824。基于xgb、lightgbm、rf、mlp和lstm模型结果进行bagging模型融合，得到的行为检测模型准确率更高。
58.比如，在公司员工的异常行为检测过程中，可以将检测出四种异常行为：某用户在下班后使用移动设备，并上传数据到难以合法监管的数据库网站；或者用户浏览招聘网站，并在离职前，将数据拷贝到移动设备当中；或者系统管理员对工作不满，将某种键盘记录器keylogger安装在指定人员的电脑中，通过记录密码，次日以指定人员的身份登录邮箱并群发邮件损害公司利益，并快速离职；或者用户登录其他人的设备，并搜索了一些相关文件通过公司邮箱发送到了家庭邮箱中，并在未来一段时间内持续该行为。
59.下面对本发明提供的基于机器学习的用户异常行为检测装置进行描述，下文描述的基于机器学习的用户异常行为检测装置与上文描述的基于机器学习的用户异常行为检测方法可相互对应参照。
60.如图2所示，本发明还提供一种基于机器学习的用户异常行为检测装置，该基于机器学习的用户异常行为检测装置包括：获取模块和检测模块。
61.获取模块210，用于获取用户的操作日志信息。
62.检测模块220，用于将操作日志信息输入到行为检测模型中，得到行为检测模型输出的用户行为属性。
63.其中，行为检测模型为以样本日志信息为样本，以与样本日志信息对应的用户行为属性样本数据为标签进行训练得到的；行为检测模型内部包括多种神经网络模型，每种神经网络模型基于操作日志信息输出一种参考行为属性，用户行为属性为基于多种神经网络模型的权重参数以及对应输出的参考行为属性确定的。
64.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于机器学习的用户异常行为检测方法，该方法包括：获取用户的操作日志信息；将所述操作日志信息输入到行为检测模型中，得到所述行为检测模型输出的用户行为属性；其中，所述行为检测模型为以样本日志信息为样本，以与所述样本日志信息对应的用户行为属性样本数据为标签进行训练得到的；所述行为检测模型内部包括多种神经网络模型，每种所述神经网络模型基于所述操作日志信息输出一种参考行为属性，所述用户行为属性为基于多种所述神经网络模型的权重参数以及对应输出的所述参考行为属性确定的。
65.此外，上述的存储器330中的逻辑指令可以通过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，本发明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）执行本发明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-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种
可以存储程序代码的介质。
66.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于机器学习的用户异常行为检测方法，该方法包括：获取用户的操作日志信息；将所述操作日志信息输入到行为检测模型中，得到所述行为检测模型输出的用户行为属性；其中，所述行为检测模型为以样本日志信息为样本，以与所述样本日志信息对应的用户行为属性样本数据为标签进行训练得到的；所述行为检测模型内部包括多种神经网络模型，每种所述神经网络模型基于所述操作日志信息输出一种参考行为属性，所述用户行为属性为基于多种所述神经网络模型的权重参数以及对应输出的所述参考行为属性确定的。
67.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于机器学习的用户异常行为检测方法，该方法包括：获取用户的操作日志信息；将所述操作日志信息输入到行为检测模型中，得到所述行为检测模型输出的用户行为属性；其中，所述行为检测模型为以样本日志信息为样本，以与所述样本日志信息对应的用户行为属性样本数据为标签进行训练得到的；所述行为检测模型内部包括多种神经网络模型，每种所述神经网络模型基于所述操作日志信息输出一种参考行为属性，所述用户行为属性为基于多种所述神经网络模型的权重参数以及对应输出的所述参考行为属性确定的。
68.以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
69.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
70.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。