一种基于联邦学习的分布式电力交易风险防控管理方法
本发明涉及电力交易管理信息化与数据处理,特别指一种基于联邦学习的分布式电力交易风险防控管理方法。
背景技术:
1、随着分布式发电技术快速发展和电力市场化不断深入,电力系统正由集中式单向供电向分布式多向互动转变。大量分布式光伏、风电、储能系统及电动汽车等分布式能源规模化接入,使传统电力消费者逐步转变为兼具生产与消费能力的产消者。以点对点(peer-to-peer,p2p)为代表的分布式电力交易模式应运而生,允许产消者在社区微电网或更大范围内直接进行电力交易,有效提升了可再生能源就地消纳能力和电力系统运行灵活性。
2、然而,分布式电力交易在带来优势的同时,也引入了多维度风险。市场风险方面,出清电价波动和可再生能源出力不确定性导致收益不稳定;技术安全风险方面,分布式交易依赖大量智能终端和通信网络,易遭受虚假数据注入、拒绝服务、中间人攻击、双重花费攻击、女巫攻击及智能合约操纵等网络安全威胁;信用风险方面,参与主体信用水平参差不齐,合约执行率和交付准时率难以保障;隐私风险方面,交易数据涉及用电负荷、发电出力、报价策略等敏感信息,存在数据泄露和模型逆推攻击隐患。上述风险相互交织、耦合传导,严重威胁分布式电力交易系统的安全性、稳定性和参与方合法权益。
3、现有技术中已提出多种风险防控方案。在风险量化评估方面,部分研究采用条件风险价值(cvar)方法量化电价波动和新能源出力不确定性带来的风险损失;在交易安全防护方面,部分方案引入区块链技术,利用其不可篡改、可追溯特性构建可信交易环境;在数据隐私保护方面,联邦学习作为分布式机器学习范式被逐步应用于电力交易领域,通过本地数据不出域的方式协同训练全局模型,避免原始数据直接共享。例如,公开号cn119886864a的专利公开了一种基于多方安全计算和联邦学习的电力交易方法和系统;另有研究提出区块链赋能的联邦学习框架,将去中心化机器学习与区块链相结合,实现数据隐私保护和交易记录可信存证。
4、但现有分布式电力交易风险防控方法在管理层面存在以下不足:
5、第一,风险防控碎片化,缺乏系统性。现有方案多针对单一风险类型进行防控,未将市场风险、技术风险、信用风险和隐私风险纳入统一管理框架,更未能考虑不同风险维度之间的耦合与动态传导关系,难以对交易过程中的综合风险态势进行准确量化评估。
6、第二,联邦学习在风险防控中的应用深度不足。现有基于联邦学习的电力交易方案多聚焦于负荷预测、交易定价或通用隐私保护,未能将联邦学习系统地应用于分布式交易风险的识别、评估、预警及策略反馈全流程。同时,各参与方的本地数据分布多呈非独立同分布特性,现有联邦学习框架在此条件下存在模型收敛慢、训练效率低等问题,缺乏针对分布式电力交易场景特点的联邦学习模式优化和模型性能提升手段。
7、第三,联邦学习过程自身的安全防护缺失。现有方案在利用联邦学习进行风险建模时,普遍忽视了联邦学习框架自身面临的安全威胁,包括恶意参与方上传投毒梯度破坏全局模型、攻击者通过模型逆推反演参与方私有数据等安全隐患,导致风险防控模型本身的可信性和隐私保护能力不足。
8、第四,风险预警的动态适应性与自我进化能力欠缺。分布式电力交易具有交易频次高、参与方动态变化、市场环境波动频繁等特点,风险状态随时间呈现非线性演化趋势。现有风险预警方案多采用静态风险阈值或基于离线历史数据训练的固定模型进行风险评估与预警,难以适应风险特征在时序上的动态漂移;同时,现有方案的风险评估与预警过程缺乏对风险处置效果的反馈闭环,无法利用实际处置结果持续优化模型参数和预警逻辑,导致预警系统的准确性和适应性无法随着运行经验的积累而自我提升。
9、因此,如何提供一种基于联邦学习的分布式电力交易风险防控管理方法,在分布式产消者多源异构数据环境下构建系统性、全流程的风险管控体系,以解决现有技术中风险维度评估割裂、预警机制静态僵化且缺乏策略执行反馈闭环的管理缺陷,同时在跨参与方协同建模过程中保障数据隐私与系统可信,实现风险防控策略与识别能力的动态持续优化,成为一个亟待解决的技术问题。
技术实现思路
1、本发明要解决的技术问题,在于提供一种基于联邦学习的分布式电力交易风险防控管理方法,在分布式产消者多源异构数据环境下构建系统性、全流程的风险管控体系,以解决现有技术中风险维度评估割裂、预警机制静态僵化且缺乏策略执行反馈闭环的管理缺陷,同时在跨参与方协同建模过程中保障数据隐私与系统可信,实现风险防控策略与识别能力的动态持续优化。
2、本发明提供了一种基于联邦学习的分布式电力交易风险防控管理方法,包括以下步骤:
3、步骤s1:构建分布式电力交易系统中各参与方的标准化风险特征数据集;
4、步骤s2:基于联邦学习框架,采用联邦学习模式在各参与方本地利用所述标准化风险特征数据集协同训练全局风险识别模型;所述全局风险识别模型包含风险耦合模块,所述风险耦合模块用于根据动态更新的风险耦合系数矩阵,对所述全局风险识别模型输出的各风险维度的初步评估值进行耦合加权修正,生成风险耦合量化修正向量;
5、步骤s3:在所述全局风险识别模型的训练及推理应用过程中,执行安全校验及隐私保护处理;其中,所述安全校验的对象包括各参与方上传的本地模型更新梯度,所述隐私保护处理的对象包括各参与方上传的本地模型更新梯度和/或所述风险耦合量化修正向量;
6、步骤s4:基于所述风险耦合量化修正向量,构建多维度风险评估模型,生成多维综合风险评价指标集;
7、步骤s5:基于所述多维综合风险评价指标集及实时交易数据流,采用动态风险预警算法生成风险预警信号及对应的风险响应预警等级;
8、步骤s6:基于所述风险预警信号及风险响应预警等级,匹配并执行预设的风险防控策略库中对应的风险处置策略;
9、步骤s7:采集所述风险处置策略执行后的策略执行反馈效果数据,生成风险处置反馈信号,并将所述风险处置反馈信号回传至所述风险防控策略库和所述全局风险识别模型的下一轮迭代训练中,形成闭环迭代更新机制。
10、进一步的,所述步骤s1中,所述标准化风险特征数据集的构建过程,具体包括:
11、对各参与方的参与方本地多源异构数据进行数据清洗、缺失值填补及异常值检测处理;
12、对预处理后的所述参与方本地多源异构数据进行风险特征提取,获得市场风险特征、技术安全风险特征、交易履约风险特征和隐私风险特征;
13、对提取的所述市场风险特征、所述技术安全风险特征、所述交易履约风险特征和所述隐私风险特征进行归一化编码处理,形成统一格式的标准化风险特征数据集;
14、其中,所述市场风险特征包括出清电价时序特征、可再生能源出力预测偏差特征及电力负荷波动特征;所述技术安全风险特征包括通信网络流量异常特征、智能终端接入异常特征及交易频率异常特征;所述交易履约风险特征包括参与方历史合约执行率、交付准时率及历史违约记录;所述隐私风险特征包括数据查询频率异常特征及参与方本地历史模型训练过程中梯度分布异常特征。
15、进一步的,所述步骤s2中,所述采用联邦学习模式在各参与方本地利用所述标准化风险特征数据集协同训练全局风险识别模型,具体为:根据各参与方之间的样本空间重叠度和特征空间重叠度,动态选择横向联邦学习模式、纵向联邦学习模式或横向与纵向相结合的混合联邦学习模式,以在各参与方本地利用所述标准化风险特征数据集协同训练全局风险识别模型;
16、所述动态选择横向联邦学习模式、纵向联邦学习模式或横向与纵向相结合的混合联邦学习模式,具体包括:
17、计算各参与方之间的样本空间重叠度和特征空间重叠度;
18、设定样本空间重叠度门限值和特征空间重叠度门限值;
19、当所述样本空间重叠度低于所述样本空间重叠度门限值且所述特征空间重叠度不低于所述特征空间重叠度门限值时,选择横向联邦学习模式;
20、当所述样本空间重叠度不低于所述样本空间重叠度门限值且所述特征空间重叠度低于所述特征空间重叠度门限值时,选择纵向联邦学习模式;
21、当所述样本空间重叠度不低于所述样本空间重叠度门限值且所述特征空间重叠度不低于所述特征空间重叠度门限值时,采用横向联邦学习与纵向联邦学习相结合的混合联邦学习模式,分别执行横向联邦聚合和纵向联邦聚合,将两种聚合结果按照预设的融合权重进行加权合并,所述融合权重根据当前训练轮次中横向聚合和纵向聚合各自的损失下降速率动态调整;
22、当所述样本空间重叠度低于所述样本空间重叠度门限值且所述特征空间重叠度低于所述特征空间重叠度门限值时,采用所述混合联邦学习模式,并将所述融合权重配置为预设的默认权重值。
23、进一步的,所述步骤s2中,所述风险耦合系数矩阵的构建和动态更新过程为:
24、基于历史风险事件数据,统计各风险维度之间在预设历史时段内发生风险传导的频率,构建风险事件统计频数矩阵;
25、对所述风险事件统计频数矩阵进行行归一化处理,生成初始的风险耦合系数矩阵;
26、在每一轮联邦学习迭代中,根据当前轮次各风险维度对应的初步评估值,对所述风险耦合系数矩阵进行动态微调,所述微调的幅度与当前轮次各风险维度对应的初步评估值相邻轮次间的变化量呈正相关。
27、进一步的,所述步骤s2中,采用基于知识蒸馏的联邦学习优化方法,中心服务器基于各参与方上传的本地模型更新梯度聚合生成全局知识蒸馏教师模型,通过知识蒸馏将所述全局知识蒸馏教师模型的知识迁移至各参与方的本地轻量化学生模型,以提升各参与方本地模型在非独立同分布本地数据条件下的训练效果;
28、所述全局风险识别模型在推理应用阶段,采用经知识蒸馏后的所述本地轻量化学生模型执行步骤s3至步骤s7中的风险识别及推理处理。
29、进一步的,所述步骤s3中,所述安全校验具体为:
30、在所述全局风险识别模型的训练过程中,对各参与方上传的本地模型更新梯度执行双重安全校验,以识别恶意参与方上传的异常梯度向量,并对识别出的所述异常梯度向量所对应的参与方进行防御性削弱处理,具体包括:
31、接收各参与方上传的本地模型更新梯度,计算各所述本地模型更新梯度与上一轮全局模型更新梯度的方向余弦相似度,筛选出所述方向余弦相似度低于预设相似度阈值的候选异常梯度;
32、对所述候选异常梯度进行模长分布离群检测,计算各所述候选异常梯度的模长与全局梯度模长分布的z-score值,将所述z-score值超过预设离群阈值的所述候选异常梯度识别为异常梯度向量;
33、根据被识别为所述异常梯度向量的参与方所对应的参与方身份标识,在后续预设数量的训练轮次中降低对应参与方参与联邦聚合的权重,所述降低的幅度与所述z-score值的大小正相关。
34、进一步的,所述步骤s3中,所述隐私保护处理具体包括:
35、在训练过程中,采用安全聚合协议对参与方上传的本地模型更新梯度进行加密聚合,以防止模型逆推攻击;
36、在所述全局风险识别模型训练完成后,根据参与方的数据敏感度等级自适应选择噪声机制,对所述风险耦合量化修正向量添加差分隐私噪声;
37、所述根据参与方的数据敏感度等级自适应选择噪声机制,具体包括:
38、获取各参与方的数据敏感度等级,所述数据敏感度等级基于参与方所涉数据类型、数据量及历史隐私风险事件确定;
39、当所述数据敏感度等级高于预设敏感度阈值时,采用拉普拉斯机制生成符合差分隐私要求的噪声,所述拉普拉斯机制的噪声尺度参数与所述数据敏感度等级成正比;
40、当所述数据敏感度等级低于或等于预设敏感度阈值时,采用高斯机制生成符合差分隐私要求的噪声,且在相同隐私预算及相同数据敏感度条件下,所述高斯机制的噪声标准差小于所述拉普拉斯机制的噪声尺度参数;
41、所述对所述风险耦合量化修正向量添加差分隐私噪声,具体为:
42、对所述风险耦合量化修正向量中的低影响风险维度分量按照预设的噪声注入比例添加差分隐私噪声;
43、所述低影响风险维度分量为所述风险耦合量化修正向量中,经与预设风险防控决策阈值进行灵敏度分析后,对风险响应预警等级判定影响程度低于预设影响程度阈值的风险维度分量;所述噪声注入比例与所述数据敏感度等级正相关,且所述噪声注入比例的上限值被配置为经蒙特卡洛模拟验证后,以高于预设置信度阈值确保添加差分隐私噪声后的风险耦合量化修正向量经步骤s4和步骤s5处理后,所得风险响应预警等级在预设容差范围内不发生等级跨阶跃迁。
44、进一步的,所述步骤s5中,所述动态风险预警算法包括:
45、获取分布式电力交易的实时交易数据流,提取实时风险特征向量;
46、将所述实时风险特征向量输入基于时序神经网络构建的时序风险演化预警模型,所述时序风险演化预警模型用于对预设时间窗口内的风险特征演化序列进行编码,并预测未来多个时间步的风险演化趋势;所述时序风险演化预警模型采用时序编码器-风险解码器结构,所述时序编码器的初始隐藏状态由所述全局风险识别模型当前最新迭代轮次输出的模型参数,经线性投影层映射至所述时序编码器的隐藏状态维度后进行初始化;
47、基于所述风险演化趋势与预设的多级风险阈值的比较结果,确定风险响应预警等级并生成对应的风险预警信号。
48、进一步的,所述步骤s6中,所述风险处置策略的执行,包括以下方式:
49、当所述风险响应预警等级为低风险等级时,向参与方发送包含风险类型和风险来源的低等级风险提示通知;
50、当所述风险响应预警等级为中风险等级时,向参与方发送中等级风险警报通知并限制参与方的单次交易额度,且所述单次交易额度的上限与所述多维综合风险评价指标集中的交易履约风险评分正相关;
51、当风险响应预警等级为高风险等级时,向参与方发送风险警报通知、暂停参与方的交易操作权限并触发智能合约自动执行风险处置逻辑。
52、进一步的,所述步骤s7中,所述闭环迭代更新机制具体包括:
53、采集所述风险处置策略执行后的策略执行反馈效果数据,所述策略执行反馈效果数据包括风险指标变化量、处置响应时间和参与方履约状态变化;
54、基于所述策略执行反馈效果数据,计算包括风险处置偏差和处置效果评分的风险处置反馈信号;所述风险处置偏差为实际风险指标变化量与预期风险指标变化量的差值;
55、基于所述处置效果评分,对所述风险防控策略库中对应风险处置策略的策略库命中优先级排序权重进行更新;
56、若所述风险响应预警等级与实际发生的风险损失等级之间的偏差超过预设容差阈值,则判定该次预警为风险预警偏差;若预警等级高于实际损失等级,判定为误报型偏差;若预警等级低于实际损失等级,判定为漏报型偏差;若风险处置策略有效执行导致实际风险损失未发生,则以风险指标变化量作为实际风险演变结果的替代度量,并基于该替代度量与预期风险指标变化量的比较结果判定预警偏差;
57、根据所述风险处置偏差的正负及幅值,并结合所述预警偏差的类型,生成损失函数加权因子;在所述全局风险识别模型的下一轮迭代训练中,基于所述损失函数加权因子对导致相应类型偏差的样本类别进行加权,以在所述全局风险识别模型的损失函数中放大该类样本的误判惩罚,从而驱动所述全局风险识别模型在下一轮迭代训练中优化对高风险场景的识别灵敏度。
58、本发明的优点在于:
59、1、通过构建包含市场风险、技术安全风险、交易履约风险和隐私风险四维特征的标准化风险特征数据集,并基于样本空间重叠度和特征空间重叠度动态选择横向、纵向或混合联邦学习模式,在各参与方本地协同训练全局风险识别模型,同时在该模型中内设风险耦合模块,利用基于历史风险事件统计频数及每轮迭代初步评估值变化量动态更新的风险耦合系数矩阵对初步评估值进行耦合加权修正以生成风险耦合量化修正向量,从而打破风险维度评估割裂并量化跨维度传导效应;在此基础上,一方面在训练过程中对参与方上传的本地模型更新梯度执行方向余弦相似度筛选与模长z-score离群检测构成的双重安全校验以识别恶意投毒梯度并降低对应参与方的聚合权重,并在推理阶段采用安全聚合协议与根据数据敏感度等级自适应选择拉普拉斯机制或高斯机制的差分隐私噪声注入相结合的双层隐私保护手段,确保跨参与方协同建模时的系统可信与数据隐私,另一方面采用基于时序编码器-风险解码器结构的动态风险预警算法对未来多时间步风险演化趋势进行预测以替代静态阈值判定,并利用闭环迭代更新机制将策略执行后的风险处置偏差及预警偏差类型转化为损失函数加权因子,驱动全局风险识别模型在下一轮训练中优化高风险场景识别灵敏度,同时将反馈信号同步回传至风险防控策略库以更新策略命中优先级排序,最终构建出从风险识别、耦合评估、安全可信协同、时序动态预警到策略执行反馈优化的全流程闭环管控体系,实现风险防控策略与识别能力的持续自我进化。
60、2、通过构建从标准化风险特征数据集构建、联邦协同训练、风险耦合修正、多维评估、动态预警、策略执行到反馈迭代的完整管理闭环。其中,全局风险识别模型包含风险耦合模块,该模块利用动态更新的风险耦合系数矩阵,对全局风险识别模型输出的各风险维度的初步评估值进行耦合加权修正,生成风险耦合量化修正向量,从而将不同风险维度间的非线性耦合关系纳入量化评估,使得生成的多维综合风险评价指标集和生成的动态风险预警信号具有更全面的风险态势感知基础,显著提升了风险防控的系统性与评估准确性。
61、3、根据各参与方之间的样本空间重叠度和特征空间重叠度,动态选择横向联邦学习模式、纵向联邦学习模式或混合联邦学习模式,并将横向聚合与纵向聚合结果按照融合权重加权合并,且融合权重根据当前训练轮次中横向聚合和纵向聚合各自的损失下降速率动态调整,从而适配分布式电力交易场景下各参与方数据分布的多样性。同时,采用基于知识蒸馏的联邦学习优化方法,中心服务器聚合生成全局知识蒸馏教师模型,通过知识蒸馏将知识迁移至各参与方的本地轻量化学生模型,并在推理应用阶段采用经知识蒸馏后的所述本地轻量化学生模型执行风险识别处理,有效提升了各参与方本地模型在非独立同分布本地数据条件下的训练效果和推理效率。
62、4、对所述全局风险识别模型执行安全校验及隐私保护处理。安全校验方面,通过计算各参与方上传的本地模型更新梯度与上一轮全局模型更新梯度的方向余弦相似度,筛选候选异常梯度,并结合模长分布离群检测计算z-score值,精准识别异常梯度向量,对对应参与方进行防御性削弱处理,降低其后续聚合权重。隐私保护方面,采用安全聚合协议加密上传梯度,并在模型训练完成后,根据参与方的数据敏感度等级自适应选择拉普拉斯机制或高斯机制,对风险耦合量化修正向量中的低影响风险维度分量按噪声注入比例添加差分隐私噪声,且所述噪声注入比例的上限值经蒙特卡洛模拟验证确保添加噪声后的风险响应预警等级在预设容差范围内不发生跨阶跃迁,从而在保障模型鲁棒性的同时,兼顾了参与方数据隐私与预警等级的稳定性。
63、5、获取实时交易数据流并提取实时风险特征向量,输入基于时序神经网络构建的时序风险演化预警模型,该模型采用时序编码器-风险解码器结构,且时序编码器的初始隐藏状态由所述全局风险识别模型当前最新迭代轮次输出的模型参数进行初始化,可对预设时间窗口内的风险特征演化序列进行编码并预测未来多个时间步的风险演化趋势,再与预设的多级风险阈值比较,确定风险响应预警等级并生成对应的风险预警信号。同时,采集风险处置策略执行后的反馈效果数据,计算风险处置反馈信号,并根据预警等级与实际风险损失等级之间的偏差类型(误报型或漏报型)生成损失函数加权因子,在下一轮迭代训练中基于该加权因子对导致相应类型偏差的样本类别进行加权,放大相应误判惩罚,从而驱动全局风险识别模型持续优化对高风险场景的识别灵敏度,形成闭环迭代更新机制,赋予预警系统动态适应与自我进化的能力。
64、6、标准化风险特征数据集的构建过程,涵盖市场风险特征(包括出清电价时序特征、可再生能源出力预测偏差特征及电力负荷波动特征)、技术安全风险特征(包括通信网络流量异常特征、智能终端接入异常特征及交易频率异常特征)、交易履约风险特征(包括参与方历史合约执行率、交付准时率及历史违约记录)和隐私风险特征(包括数据查询频率异常特征及梯度分布异常特征),为后续建模提供了清晰的特征工程指引。风险耦合系数矩阵基于历史风险事件统计频数构建,并在每一轮联邦学习迭代中根据当前轮次各风险维度初步评估值的相邻轮次变化量进行动态微调,使耦合关系能够及时反映风险态势的实时变化。针对低、中、高三级风险响应预警等级分别配置了差异化的处置策略:低风险时发送低等级风险提示通知,中风险时发送中等级风险警报通知并限制单次交易额度(额度上限与交易履约风险评分正相关),高风险时发送风险警报通知、暂停交易操作权限并触发智能合约自动执行处置逻辑,实现了风险等级与处置力度的精准匹配,增强了技术方案的工程可操作性与实际应用价值。
65、7、风险耦合系数矩阵的构建和动态更新过程,不仅基于历史风险事件统计频数矩阵进行行归一化处理生成初始的风险耦合系数矩阵,而且在每一轮联邦学习迭代中,根据当前轮次各风险维度对应的初步评估值相邻轮次间的变化量,对所述风险耦合系数矩阵进行动态微调,且微调幅度与所述变化量呈正相关。该设计使耦合系数能够实时追踪风险传导强度的时变特征,避免静态耦合矩阵因无法及时反映风险耦合关系的动态演化而导致的评估滞后,确保生成的风险耦合量化修正向量始终贴合当前交易环境下的实际风险态势,显著提升了耦合加权修正的时效性和准确性。
66、8、针对差分隐私噪声的添加方式进行了精细化约束。具体地,仅对风险耦合量化修正向量中经与预设风险防控决策阈值进行灵敏度分析后,对风险响应预警等级判定影响程度低于预设影响程度阈值的低影响风险维度分量,按与数据敏感度等级正相关的噪声注入比例添加差分隐私噪声;同时,噪声注入比例的上限值被配置为经蒙特卡洛模拟验证后,以高于预设置信度阈值确保添加噪声后的风险耦合量化修正向量经后续步骤处理后,所得风险响应预警等级在预设容差范围内不发生等级跨阶跃迁。该方案在满足参与方数据隐私保护需求的前提下,通过精确限定噪声注入的对象和强度范围,最大程度维持了风险评估结果的有效性和预警等级的可靠性,实现了隐私保护强度与预警决策稳定性之间的精细平衡。
67、9、闭环迭代更新机制不仅采集策略执行反馈效果数据以计算风险处置偏差和处置效果评分,并基于处置效果评分更新风险防控策略库中对应处置策略的策略库命中优先级排序权重,实现策略库的动态优化;同时,当风险响应预警等级与实际发生的风险损失等级之间的偏差超过预设容差阈值时,根据预警偏差类型(误报型或漏报型)以及风险处置偏差的正负及幅值,生成损失函数加权因子,并在全局风险识别模型的下一轮迭代训练中基于该加权因子对导致相应类型偏差的样本类别进行加权,以在损失函数中放大该类样本的误判惩罚。由此,反馈信号同时驱动策略库的优先级调整和全局风险识别模型的参数优化,形成模型-策略协同的双重自我进化闭环,使得风险防控系统能够从每一次实际处置经验中同时优化决策逻辑和识别能力,持续提升整体防控效能。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com