本發(fā)明涉及MapReduce技術(shù)，尤其涉及一種MapReduce的優(yōu)化處理方法。

背景技術(shù)：

MapReduce是一種分布式編程框架，在云計(jì)算和大數(shù)據(jù)處理中應(yīng)用非常廣泛。MapReduce流程如圖1所示，分為Map、Shuffle和Reduce三個(gè)階段，Map和Reduce階段分別執(zhí)行用戶(hù)編寫(xiě)的Map()和Reduce()程序，而Shuffle階段介于Map階段和Reduce階段中間，用于對(duì)Map階段產(chǎn)生的中間結(jié)果進(jìn)行處理，為Reduce階段準(zhǔn)備數(shù)據(jù)。具體而言，Map階段包括如下幾個(gè)步驟：

數(shù)據(jù)讀入(Read)：從分布式文件系統(tǒng)中讀入數(shù)據(jù)；

Map執(zhí)行(Map)：執(zhí)行用戶(hù)編寫(xiě)的Map()函數(shù)；

數(shù)據(jù)收集(Collect)：將Map產(chǎn)生的結(jié)果存入緩沖區(qū)；

緩存溢寫(xiě)(Spill)：當(dāng)緩存中數(shù)據(jù)量超過(guò)閾值時(shí)，將緩存中的數(shù)據(jù)寫(xiě)入本地硬盤(pán)；

溢寫(xiě)合并(Merge)：多次緩存溢寫(xiě)會(huì)產(chǎn)生多個(gè)溢寫(xiě)文件，需要將所有的溢寫(xiě)文件合并成一個(gè)輸出文件。

Shuffle階段的詳細(xì)操作如下：

中間數(shù)據(jù)傳輸(Copy)：將Map端的中間結(jié)果通過(guò)網(wǎng)絡(luò)傳輸?shù)絉educe端的緩沖區(qū)；

緩存溢寫(xiě)(Spill)：Reduce端的緩沖區(qū)數(shù)據(jù)量超過(guò)閾值時(shí)，將緩沖區(qū)數(shù)據(jù)寫(xiě)入本地硬盤(pán)，每次寫(xiě)入形成一個(gè)shuffle文件；

Reduce階段的具體流程如下：

Shuffle文件合并(Merge)：在Reduce端將大量的shuffle文件合并形成少量的大文件，并將大文件合并形成一個(gè)有序的大文件；

Reduce執(zhí)行(Reduce)：執(zhí)行用戶(hù)編寫(xiě)的Reduce()函數(shù)；

數(shù)據(jù)輸出(Output)：將Reduce產(chǎn)生的結(jié)果輸出到分布式文件系統(tǒng)。

從以上分析可以看出MapReduce框架對(duì)中間結(jié)果的處理非常復(fù)雜，需要花費(fèi)大量的處理時(shí)間，尤其是其中包含的四次排序操作：①M(fèi)ap階段的Spill過(guò)程中，每次溢寫(xiě)時(shí)需要將溢寫(xiě)文件進(jìn)行排序，一般采用快速排序方法；②Map階段的Merge過(guò)程中，溢寫(xiě)文件合并步驟采用歸并排序的方法；③Reduce階段的Merge過(guò)程中，采用歸并排序方法將大量的shuffle文件合并成少量的大文件；④Reduce階段的Merge過(guò)程中，采用堆排序方法將多個(gè)大文件合并成為一個(gè)有序的大文件。由于常用的基于CPU的排序算法的時(shí)間復(fù)雜度通常為O(N·logN)，其中N為待排序數(shù)據(jù)個(gè)數(shù)或記錄條數(shù)，當(dāng)數(shù)據(jù)量很大時(shí)排序操作消耗的時(shí)間很長(zhǎng)，而MapReduce通常用于大數(shù)據(jù)處理。

GPU因其強(qiáng)大的計(jì)算能力以及相對(duì)較低的性能價(jià)格比，通常用GPU替代CPU用以提高任務(wù)處理性能。使用GPU對(duì)MapReduce進(jìn)行優(yōu)化的方法主要有兩類(lèi)，一是與用戶(hù)程序相關(guān)的優(yōu)化方法，即對(duì)MapReduce框架進(jìn)行擴(kuò)展，使MapReduce程序執(zhí)行過(guò)程中可以使用GPU設(shè)備替代CPU，提高程序執(zhí)行效率；二是與用戶(hù)程序無(wú)關(guān)的優(yōu)化方法，即修改MapReduce框架或者組件，使MapReduce框架更好的發(fā)揮GPU性能，從而提高效率。用戶(hù)程序相關(guān)的優(yōu)化方法需要用戶(hù)參與進(jìn)行任務(wù)分配，需要用戶(hù)對(duì)程序的處理流程和GPU的編程規(guī)范非常熟悉，并且不同的用戶(hù)程序之間優(yōu)化方法不可重用。而現(xiàn)有的基于GPU排序的MapReduce優(yōu)化方法只針對(duì)第一次排序過(guò)程的優(yōu)化，即將基于CPU的快速排序算法替換成基于GPU的快速排序算法或者基于GPU的雙調(diào)排序算法，而對(duì)于其他三次排序操作并不關(guān)注，對(duì)MapReduce性能的提升有限。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出一種基于GPU排序的MapReduce優(yōu)化方法，將MapReduce執(zhí)行流程中的四次排序操作全部使用GPU執(zhí)行，并分別使用基于GPU的快速排序和歸并排序算法替代傳統(tǒng)的基于CPU的快速排序、歸并排序和堆排序算法，提高中間數(shù)據(jù)處理速度，進(jìn)而提升MapReduce的性能。為實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明的基于GPU排序的MapReduce優(yōu)化方法中，MapReduce包含：Map階段、Shuffle階段、以及Reduce階段，Map階段包含Spill過(guò)程和Merge過(guò)程，Reduce階段包含Merge過(guò)程，其中，在Map階段的Spill過(guò)程中采用基于GPU的快速排序流程，在Map階段的Merge過(guò)程中和Reduce階段的Merge過(guò)程中采用基于GPU的歸并排序流程，其中：

基于GPU的快速排序流程包含步驟：

(1.1)將數(shù)據(jù)存入GPU的全局存儲(chǔ)空間，并劃分成m個(gè)互不重疊的數(shù)據(jù)塊，每個(gè)數(shù)據(jù)塊由一個(gè)線程塊處理；

(1.2)m個(gè)線程塊并行地遍歷對(duì)應(yīng)的數(shù)據(jù)塊，每個(gè)線程塊內(nèi)部n個(gè)線程并行地遍歷相應(yīng)數(shù)據(jù)塊的一部分，并記錄大于和小于分界值的元素的個(gè)數(shù)；

(1.3)依次統(tǒng)計(jì)每個(gè)線程塊內(nèi)部的每個(gè)線程的相對(duì)計(jì)數(shù)值；

(1.4)依次統(tǒng)計(jì)每個(gè)線程塊的計(jì)數(shù)值和相對(duì)計(jì)數(shù)值；

(1.5)所有線程進(jìn)行數(shù)據(jù)交換，序列分成大于分界值和小于分界值的兩個(gè)子序列：子序列1,、子序列2；

(1.6)對(duì)步驟(1.5)中產(chǎn)生的子序列1、子序列2分別再采用步驟(1.1)-(1.5)進(jìn)行排序，直到最終排序完成，即可實(shí)現(xiàn)對(duì)原始序列的排序，

基于GPU的歸并排序流程包含步驟：

(2.1)將待歸并的序列兩兩分組，分成h組，每組序列包含A_i和B_i兩個(gè)序列，每次對(duì)一組序列A_i和B_i進(jìn)行歸并，其中1≤i≤h,A_i和B_i表示第i個(gè)分組包含的兩個(gè)序列；

(2.2)分別將A_i和B_i劃分成m個(gè)子序列，每個(gè)線程塊對(duì)A_i的一個(gè)子序列和B_i的一個(gè)子序列進(jìn)行歸并，共需進(jìn)行l(wèi)og₂ m+1輪子序列的歸并即可將序列A_i和B_i歸并為一個(gè)有序序列C_i；

(2.3)重復(fù)步驟(2.2)，直到所有分組的序列A_i和B_i歸并完成，分別產(chǎn)生每個(gè)分組的歸并結(jié)果C₁、C₂、……、C_h；其中1≤i≤h,A_i和B_i表示第i個(gè)分組包含的兩個(gè)序列,C_i為A_i和B_i歸并完成后產(chǎn)生的有序序列；

(2.4)對(duì)h個(gè)分組的歸并結(jié)果C₁、C₂、……、C_h，重復(fù)步驟(2.1)-(2.3)進(jìn)行歸并，直到產(chǎn)生最終歸并結(jié)果。

進(jìn)一步地，在步驟(1.3)中，線程塊B_k(1≤k≤m)中的每個(gè)線程的計(jì)數(shù)值分別為L(zhǎng)_k,1,...,L_k,n和R_k,1,...,R_k,n，則第i(1≤i≤n)個(gè)線程的相對(duì)計(jì)數(shù)值分別為：

和

其中L_k,1和R_k,1分別表示線程塊B_k中第1個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)個(gè)數(shù)和比分界值大的數(shù)據(jù)個(gè)數(shù)，L_k,n和R_k,n分別表示線程塊B_k中第n個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)個(gè)數(shù)和比分界值大的數(shù)據(jù)個(gè)數(shù)，L_k,j和R_k,j分別表示線程塊B_k中第j個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)個(gè)數(shù)和比分界值大的數(shù)據(jù)個(gè)數(shù)，BL_k,i和BR_k,i分別表示線程塊B_k中第i個(gè)線程的相對(duì)計(jì)數(shù)值，即該線程塊中前i-1個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)總量和比分界值大的數(shù)據(jù)總量。

進(jìn)一步地，在步驟(1.4)中，線程塊B_k(1≤k≤m)的計(jì)數(shù)值分別為和線程塊B_k的相對(duì)計(jì)數(shù)值分別為和其中L_k、L_j和R_k、R_j分別表示線程塊B_k和B_j遍歷的數(shù)據(jù)塊內(nèi)小于分界值的數(shù)據(jù)總量和大于分界值的數(shù)據(jù)總量，SL_k和SR_k分別表示線程塊B_k之前的k-1個(gè)線程塊遍歷的數(shù)據(jù)塊中小于分界值的數(shù)據(jù)總量和大于分界值的數(shù)據(jù)總量。

進(jìn)一步地，在步驟(1.5)中，每個(gè)線程塊中每個(gè)線程將其遍歷的小于分界值的數(shù)據(jù)依次交換到分界值左側(cè)，大于分界值的數(shù)據(jù)依次交換到分界值右側(cè)，然后每個(gè)線程塊將對(duì)應(yīng)位置的數(shù)據(jù)塊寫(xiě)入輔助單元，加入分界值并根據(jù)分界值將序列分成比分界值小和比分界值大的兩個(gè)子序列：子序列1和子序列2。

進(jìn)一步地，在步驟(2.2)中，包含以下子步驟：

(2.21)對(duì)于A_i和B_i的第k輪歸并(0≤k≤log₂ m)，產(chǎn)生m/2^k個(gè)歸并結(jié)果R₁，R₂，……，R_kr，并將每個(gè)歸并結(jié)果R_p(1≤p≤kr)劃分為2^k個(gè)子序列R_p,1，R_p,2，……，R_p,km；其中kr(kr＝m/2^k)表示序列A_i和B_i的第k輪歸并產(chǎn)生的歸并結(jié)果數(shù)量，R₁、R₂和R_kr分別表示第1個(gè)、第2個(gè)以及第kr個(gè)歸并結(jié)果，km(其中km＝2^k)表示序列A_i和B_i的第k輪歸并產(chǎn)生的每個(gè)歸并結(jié)果劃分的子序列個(gè)數(shù)，R_p,1、R_p,2和R_p,km分別表示第p(1≤p≤kr)個(gè)歸并結(jié)果劃分后的第1個(gè)、第2個(gè)和第km個(gè)子序列；

(2.22)對(duì)于A_i和B_i的第k+1輪歸并(0≤k<log₂ m)，將第k輪產(chǎn)生的m/2^k個(gè)歸并結(jié)果依次兩兩分組(R₁,R₂),...,(R_kr-1,R_kr)，每一組歸并結(jié)果(R_i-1,R_i)(1≤i≤m/2^k)相同位置的子序列由同一線程塊進(jìn)行歸并，即子序列R_i-1,1和R_i,1、R_i-1,2和R_i,2、...、R_i-1,km和R_i,km分別由一個(gè)線程塊進(jìn)行歸并，本輪參與歸并操作的線程塊數(shù)量為m；

(2.23)重復(fù)子步驟(2.21)-(2.22)，直到序列A_i和B_i歸并完成，輸出該分組的歸并結(jié)果C_i。

在本發(fā)明中，通過(guò)在Map階段的Spill過(guò)程中將基于CPU的快速排序替換為基于GPU的快速排序；在Map階段的Merge過(guò)程中將基于CPU的歸并排序替換為基于GPU的歸并排序；在Reduce階段的Merge過(guò)程中，將基于CPU的歸并排序和堆排序均替換為基于GPU的歸并排序。由GPU實(shí)現(xiàn)的歸并排序的性能比堆排序的性能更優(yōu)，且Merge過(guò)程中的堆排序本質(zhì)上是將有序的大文件合并為一個(gè)大文件。因此本發(fā)明的基于GPU排序的MapReduce優(yōu)化方法充分利用了GPU設(shè)備強(qiáng)大的計(jì)算能力替代CPU完成MapReduce對(duì)中間結(jié)果的排序，將MapReduce中四次基于CPU的排序操作(包括一次快速排序、兩次歸并排序和一次堆排序)替換為基于GPU的快速排序和歸并排序操作，加快排序的速度，進(jìn)而很大程度地提高了MapReduce的性能。

相比傳統(tǒng)的入侵檢測(cè)系統(tǒng)中網(wǎng)絡(luò)日志采集和存儲(chǔ)方法，本發(fā)明具有如下優(yōu)點(diǎn)：

①用基于GPU的排序算法替代基于CPU的排序算法，充分利用GPU的強(qiáng)大計(jì)算能力，提高中間數(shù)據(jù)處理速度，進(jìn)而提升MapReduce性能；

②不需要對(duì)MapReduce框架進(jìn)行修改，只替換對(duì)中間結(jié)果的排序算法，實(shí)現(xiàn)難度較??；

③可以與其他基于用戶(hù)程序的優(yōu)化方法以及基于MapReduce框架的優(yōu)化方法同時(shí)使用，適用范圍廣泛；

④由于GPU設(shè)備的應(yīng)用越來(lái)越多，很多服務(wù)器和個(gè)人計(jì)算機(jī)均已配置GPU設(shè)備，因此本發(fā)明可以充分發(fā)揮現(xiàn)有GPU設(shè)備的計(jì)算能力，即便新購(gòu)買(mǎi)GPU設(shè)備的硬件成本也不高。

附圖說(shuō)明

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描寫(xiě)和闡述。

圖1是現(xiàn)有技術(shù)中MapReduce的流程圖。

圖2是本發(fā)明首選實(shí)施方式的優(yōu)化方法中基于GPU的快速排序流程。

圖3是本發(fā)明首選實(shí)施方式的優(yōu)化方法中基于GPU的歸并排序流程的一個(gè)流程示例。

具體實(shí)施方式

如現(xiàn)有技術(shù)中所述，MapReduce包含：Map階段、Shuffle階段、以及Reduce階段，Map階段包含Spill過(guò)程和Merge過(guò)程，Reduce階段包含Merge過(guò)程。

本發(fā)明的基于GPU排序的MapReduce優(yōu)化方法中，采用GPU快速排序替代Map階段的Spill過(guò)程中基于CPU的快速排序；采用基于GPU的歸并排序替代Map階段的Merge過(guò)程中基于CPU的歸并排序；采用基于GPU的歸并排序替代Reduce階段的Merge過(guò)程中基于CPU的歸并排序。

基于GPU的快速排序流程包含：

(1.1)將數(shù)據(jù)存入GPU的全局存儲(chǔ)空間，并劃分成m個(gè)互不重疊的數(shù)據(jù)塊，每個(gè)數(shù)據(jù)塊由一個(gè)線程塊處理；如圖2中a序列劃分和b線程遍歷所示；

(1.2)m個(gè)線程塊并行地遍歷對(duì)應(yīng)的數(shù)據(jù)塊，每個(gè)線程塊內(nèi)部n個(gè)線程并行地遍歷相應(yīng)數(shù)據(jù)塊的一部分，并記錄大于和小于分界值的元素的個(gè)數(shù)；如圖2中c遍歷計(jì)數(shù)所示；

(1.3)依次統(tǒng)計(jì)每個(gè)線程塊內(nèi)部的每個(gè)線程的相對(duì)計(jì)數(shù)值；在圖2中d技術(shù)累加中進(jìn)行；其中線程塊B_k(1≤k≤m)中的每個(gè)線程的計(jì)數(shù)值分別為L(zhǎng)_k,1,...,L_k,n和R_k,1,...,R_k,n，則第i(1≤i≤n)個(gè)線程的相對(duì)計(jì)數(shù)值分別為：

和

其中L_k,1和R_k,1分別表示線程塊B_k中第1個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)個(gè)數(shù)和比分界值大的數(shù)據(jù)個(gè)數(shù)，L_k,n和R_k,n分別表示線程塊B_k中第n個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)個(gè)數(shù)和比分界值大的數(shù)據(jù)個(gè)數(shù)，L_k,j和R_k,j分別表示線程塊B_k中第j個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)個(gè)數(shù)和比分界值大的數(shù)據(jù)個(gè)數(shù)，BL_k,i和BR_k,i分別表示線程塊B_k中第i個(gè)線程的相對(duì)計(jì)數(shù)值，即該線程塊中前i-1個(gè)線程遍歷的數(shù)據(jù)中比分界值小的數(shù)據(jù)總量和比分界值大的數(shù)據(jù)總量。

(1.4)依次統(tǒng)計(jì)每個(gè)線程塊的計(jì)數(shù)值和相對(duì)計(jì)數(shù)值；在圖2中d技術(shù)累加中進(jìn)行；線程塊B_k(1≤k≤m)的計(jì)數(shù)值分別為和線程塊B_k的相對(duì)計(jì)數(shù)值分別為和

其中L_k、L_j和R_k、R_j分別表示線程塊B_k和B_j遍歷的數(shù)據(jù)塊內(nèi)小于分界值的數(shù)據(jù)總量和大于分界值的數(shù)據(jù)總量，SL_k和SR_k分別表示線程塊B_k之前的k-1個(gè)線程塊遍歷的數(shù)據(jù)塊中小于分界值的數(shù)據(jù)總量和大于分界值的數(shù)據(jù)總量。

(1.5)所有線程進(jìn)行數(shù)據(jù)交換，序列分成大于分界值和小于分界值的兩個(gè)子序列：子序列1,、子序列2；如圖2中所示e數(shù)據(jù)交換、f數(shù)據(jù)回寫(xiě)、g劃分子序列，其中e數(shù)據(jù)交換后進(jìn)行f數(shù)據(jù)回寫(xiě)，數(shù)據(jù)回寫(xiě)完畢形成兩子序列，即g劃分子序列；更具體一點(diǎn)，首先每個(gè)線程塊中每個(gè)線程將其遍歷的小于分界值的數(shù)據(jù)依次交換到分界值左側(cè)，大于分界值的數(shù)據(jù)依次交換到分界值右側(cè)，如第k個(gè)線程塊的第i個(gè)線程中小于分界值的數(shù)據(jù)從序列的SL_k+BL_k,i位置依次存放至SL_k+BL_k,i+L_k,i位置，然后每個(gè)線程塊將對(duì)應(yīng)位置的數(shù)據(jù)塊寫(xiě)入輔助單元，加入分界值并根據(jù)分界值將序列分成比分界值小和比分界值大的兩個(gè)子序列：子序列1和子序列2。

(1.6)對(duì)步驟(1.5)中產(chǎn)生的子序列1、子序列2分別再采用步驟(1.1)-(1.5)進(jìn)行排序，直到最終排序完成，即可實(shí)現(xiàn)對(duì)原始序列的排序。

為了提高GPU的利用率，基于GPU的歸并排序方法的具體操作步驟如下：

(2.1)將待歸并的序列兩兩分組，分成h組，每組序列包含A_i和B_i兩個(gè)序列，每次對(duì)一組序列A_i和B_i進(jìn)行歸并，其中1≤i≤h,A_i和B_i表示第i個(gè)分組包含的兩個(gè)序列；

(2.2)分別將A_i和B_i劃分成m個(gè)子序列，每個(gè)線程塊對(duì)A_i的一個(gè)子序列和B_i的一個(gè)子序列進(jìn)行歸并，共需進(jìn)行l(wèi)og₂ m+1輪子序列的歸并即可將序列A_i和B_i歸并為一個(gè)有序序列C_i；更具體地，步驟(2.2)細(xì)化為下面子步驟：

(2.21)對(duì)于A_i和B_i的第k輪歸并(0≤k≤log₂ m)，產(chǎn)生m/2^k個(gè)歸并結(jié)果R₁，R₂，……，R_kr，并將每個(gè)歸并結(jié)果R_p(1≤p≤kr)劃分為2^k個(gè)子序列R_p,1，R_p,2，……，R_p,km；其中kr(kr＝m/2^k)表示序列A_i和B_i的第k輪歸并產(chǎn)生的歸并結(jié)果數(shù)量，R₁、R₂和R_kr分別表示第1個(gè)、第2個(gè)以及第kr個(gè)歸并結(jié)果，km(其中km＝2^k)表示序列A_i和B_i的第k輪歸并產(chǎn)生的每個(gè)歸并結(jié)果劃分的子序列個(gè)數(shù)，R_p,1、R_p,2和R_p,km分別表示第p(1≤p≤kr)個(gè)歸并結(jié)果劃分后的第1個(gè)、第2個(gè)和第km個(gè)子序列；

(2.22)對(duì)于A_i和B_i的第k+1輪歸并(0≤k<log₂ m)，將第k輪產(chǎn)生的m/2^k個(gè)歸并結(jié)果依次兩兩分組(R₁,R₂),...,(R_kr-1,R_kr)，每一組歸并結(jié)果(R_i-1,R_i)(1≤i≤m/2^k)相同位置的子序列由同一線程塊進(jìn)行歸并，即子序列R_i-1,1和R_i,1、R_i-1,2和R_i,2、...、R_i-1,km和R_i,km分別由一個(gè)線程塊進(jìn)行歸并，本輪參與歸并操作的線程塊數(shù)量為m；

(2.23)重復(fù)子步驟(2.21)-(2.22)，直到序列A_i和B_i歸并完成，輸出該分組的歸并結(jié)果C_i。

(2.3)重復(fù)步驟(2.2)，直到所有分組的序列A_i和B_i歸并完成，分別產(chǎn)生每個(gè)分組的歸并結(jié)果C₁、C₂、……、C_h；其中1≤i≤h,A_i和B_i表示第i個(gè)分組包含的兩個(gè)序列,C_i為A_i和B_i歸并完成后產(chǎn)生的有序序列；

(2.4)對(duì)h個(gè)分組的歸并結(jié)果C₁、C₂、……、C_h，重復(fù)步驟(2.1)-(2.3)進(jìn)行歸并，直到產(chǎn)生最終歸并結(jié)果。

圖3所示為子序列A₁和B₁劃分為4個(gè)子序列，采用4個(gè)線程塊進(jìn)行歸并排序的流程示例，其中G1、G2、G3、……、Gn表示用以進(jìn)行子序列歸并的第1、2、3...n個(gè)線程塊，每個(gè)線程塊在每一輪歸并中處理的子序列不同，R_i,j(1≤i≤n，1≤j≤n)表示每輪歸并過(guò)程中產(chǎn)生的第i個(gè)歸并結(jié)果的第j個(gè)子序列。

上述具體實(shí)施方式僅僅對(duì)本發(fā)明的優(yōu)選實(shí)施方式進(jìn)行描述，而并非對(duì)本發(fā)明的保護(hù)范圍進(jìn)行限定。在不脫離本發(fā)明設(shè)計(jì)構(gòu)思和精神范疇的前提下，本領(lǐng)域的普通技術(shù)人員根據(jù)本發(fā)明所提供的文字描述、附圖對(duì)本發(fā)明的技術(shù)方案所作出的各種變形、替代和改進(jìn)，均應(yīng)屬于本發(fā)明的保護(hù)范疇。本發(fā)明的保護(hù)范圍由權(quán)利要求確定。