一种基于信令的非频率特征快速识别骚扰电话系统和方法与流程

1.本发明涉及电信技术、机器学习以及大数据等领域，特别是一种基于信令的非频率特征快速识别骚扰电话系统和方法。


背景技术：

2.骚扰电话是当今网络社会、现实社会的一颗毒瘤，对个人乃至整个社会造成的伤害是巨大的。除此以外，大量的非法呼叫，会占用宝贵的通信资源，直接导致接通率下降、网络设备拥塞等问题，大大降低了合法移动用户的体验。
3.当前对骚扰电话的治理方案，从技术领域基本上可以分为三大类：
4.第一、通过用户标识
5.这种方法是通过用户投诉的方式，包括电话投诉，app举报等手段，对主叫号码进行标记，后续通过运营商在通信通道上拦截或者app拦截
6.第二、引入语音识别技术
7.这种方法通过音频比对的方式，与现有的骚扰电话语音库中有匹配上的，则判断为骚扰电话，如果匹配不上，进一步提交人工甄别。
8.第三、机器学习分类算法
9.这是近年来，随着大数据技术、机器学习、人工智能算法日趋成熟，被业界越来越多采用的方法，具体有无监督的聚类算法k-means，决策树算法、朴素贝叶斯分类算法等，对通话信令特征进行训练建模，达到分类、甄别骚扰电话的目的。
10.但是以上三种类型的方法，都有缺陷甚至无法解决的问题：
11.对于第一种方法，通过用户投诉，或者app举报，大大增加了人工客服的工作量与人工成本，还有的号码被恶意举报的可能，导致大量误判。
12.对于第二种方法，语音识别，音频比对的方法，必须监听主被叫通话记录，侵入性太强，涉嫌侵犯用户隐私，同时需要增加大量存储设备，技术实现起来复杂度高，大大增加了软硬件成本，识别周期长。
13.对于第三种方法，大数据 机器学习算法对信令特征建模的方法来识别骚扰电话，是目前最有前途的方法，但是目前基于机器学习对信令特征建模的识别骚扰电话识别都存在一个严重的缺陷，即：对骚扰电话的建模，严重依赖于信令的频率特征，当一个新的从未在全量训练集、测试集种出现过的号码到来时，因为只有一条记录，无法计算该条信令的频率特征，比如呼叫频率、接通率、被叫离散度等特征，这些频率特征是建立在大量数据的统计基础上经过统计而衍生出来的特征，因此无法快速的判断出该信令的所属类别。就目前机器学习算法 信令特征的识别骚扰电话的方法，基本上都是黑名单库的形成方法，做的稍微好的，是基于短时间重新采样，比如5分钟粒度，基于5分钟内的样本量，统计出频率特征，然而，5分钟内出现的信令数量显然是远远不够的，因为5分钟内每条信令出现的次数依然可能只有一条，从而无法做到在线快速识别与拦截骚扰电话的目的。


技术实现要素：

14.本发明的目的在于提供一种基于信令的非频率特征快速识别骚扰电话系统和方法，主要解决上述现有技术存在的问题，能在已经通过机器学习算法 信令特征建立起来的分类模型的基础上，在线快速识别骚扰电话与拦截的目的。
15.为了实现上述目的，本发明所采用的技术方案是提供一种基于信令的非频率特征快速识别骚扰电话系统，其特征在于,由信令采集单元、历史信令全量数据库单元、信令特征分类建模单元和信令监控与骚扰电话拦截单元构成；
16.所述信令采集单元用于采集通信网络中的原始信令，并转换为呼叫详细记录，然后传输至所述历史信令全量数据库单元作为样本数据保存；所述信令特征分类建模单元，利用所述历史信令全量数据库单元提供的所述样本数据，形成仅依赖信令原始属性的非频率特征骚扰电话判别库；所述信令监控与骚扰电话拦截单元，实时监控通信网络中信令里的非频率特征向量，结合所述非频率特征骚扰电话库识别骚扰电话并拦截，或向客户发出提醒。
17.进一步地，所述信令采集单元从采集的原始信令中得到一级信息，包含码号信息、通话时长信息、接通信息和释放信息；其中，所述接通信息包含接通率和应答率；所述释放信息包含主叫挂机和被叫挂机；所述信令采集单元利用所述一级信息计算出二级信息，包含呼叫频率，呼出呼入比，被叫离散度；所述信令采集单元生成包含所述一级信息和所述二级信息的所述呼叫详细记录。
18.本发明还提供一种使用如上所述的系统进行基于信令的非频率特征快速识别骚扰电话的方法，其特征在于,
19.利用所述信令采集单元采集日常业务中的原始信令，转换为所述呼叫详细记录后作为所述样本数据，保存至所述历史信令全量数据库单元中；
20.利用所述信令特征分类建模单元，基于所述样本数据，建立特征向量集，再使用机器学习形成全特征骚扰电话判别库；所述全特征骚扰电话判别库中的特征向量，包含频率特征和非频率特征，还包含所属主叫号码和号码类别；
21.在所述全特征骚扰电话判别库中剔除所述频率特征，形成所述非频率特征骚扰电话判别库；
22.利用所述信令监控与骚扰电话拦截单元，实时监控信令中的非频率特征向量，与所述非频率特征骚扰电话判别库中的所述特征向量进行相似度计算，根据所述特征向量的所述号码类别，识别出骚扰电话；
23.拦截识别出的所述骚扰电话，或向客户发出骚扰电话提醒。
24.进一步地，在利用所述信令特征分类建模单元，基于所述样本数据，建立特征向量集，再使用机器学习形成全特征骚扰电话判别库过程中，包含步骤：
25.从所述样本数据中提取信令特征，建立所述特征向量集；
26.对所述特征向量集合进行归一化，构建特征矩阵；
27.利用所述特征矩阵，使用机器学习聚类建模，生成所述全特征骚扰电话判别库。
28.进一步地，所述特征向量集中的所述特征向量，包含一个或者多个所述信令特征，包含主叫呼叫频次、接通率、通话时长比值、主叫呼出呼入比、被叫离散程度、被叫号码等差分布占比、主叫释放次数、呼叫间隔固定占比以及外省号码占比。
29.进一步地，对所述特征向量集合进行归一化时，针对每个特征变量包含的每个所述信令特征，如果所述信令特征的取值是连续取值的，采用离散标准化进行线性变换，使得归一化后的取值大于等于0小于等于1；如果所述信令特征的取值是布尔类型或者离散取值的，采用独热编码进行变换，使得归一化后的取值大于等于0小于等于1。
30.进一步地，采用无监督机器学习算法k-means算法对所述特征矩阵聚类建模，生成所述全特征骚扰电话判别库；在所述k-means算法中，不同所述特征向量之间的距离计算采用余弦距离。
31.进一步地，利用所述信令特征分类建模单元，在所述全特征骚扰电话判别库中剔除所述频率特征，形成所述非频率特征骚扰电话判别库，包含步骤：
32.在所述全特征骚扰电话判别库中的所述特征向量中，删除所述频率特征；
33.以所述号码类别分组，两两比较不同分组中的所述特征向量之间的余弦距离，当所述余弦距离小于分类阈值时，同时剔除参与比较的两个所述特征向量；
34.剩余的所述特征向量构成所述非特征向量骚扰电话判别库。
35.进一步地，所述频率特征包含呼叫频次、接通率、呼出呼入比、被叫号码回拨率和被叫离散度；所述非频率特征包含振铃时长、通话时长、链路释放原因、是否被叫先挂断和主被叫是否外省。
36.进一步地，利用所述信令监控与骚扰电话拦截单元，进行相似度计算时，包含步骤：
37.所述信令监控与骚扰电话拦截单元，实时监控信令中的非频率特征向量，归一化后生成待检测特征向量；计算所述待检测特征向量与所述非频率特征骚扰电话判别库中的每一个所述特征向量的余弦距离；当所述余弦距离小于骚扰判断阈值时，判定为骚扰电话。
38.鉴于上述技术特征，本发明以机器学习算法，用全特征(频率特征 非频率特征)训练建模，然后剔除频率特征，建立仅包含非频率特征的骚扰电话判别库。在识别阶段，利用可以直接采集无需累计计算的信令的非频率特征，与识别库中的非频率特征的相似性来判断识别骚扰电话，从而避免了识别阶段的二次采样、重复计算特征向量的工作，进而做到实时识别。同时在训练建模期间，兼顾频率特征，从而发挥大数据建模的优势，提高识别准确率。
附图说明
39.图1是本发明基于信令的非频率特征快速识别骚扰电话系统的一个较佳实施例的系统结构图；
40.图2是本发明基于信令的非频率特征快速识别骚扰电话方法的一个较佳实施例的流程图。
41.图中：100-信令采集单元，200-历史信令全量数据库单元，300-信令特征分类建模单元，400-信令监控与骚扰电话拦截单元，500-非频率特征骚扰电话判别库，600-通信网络。
具体实施方式
42.下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发
明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
43.请参阅图1，本发明公开了一种基于信令的非频率特征快速识别骚扰电话系统。如图所示，它的一个较佳实施例由信令采集单元100、历史信令全量数据库单元200、信令特征分类建模单元300和信令监控与骚扰电话拦截单元400构成。
44.信令采集单元100部署通信网络600中，采集日常业务中的原始信令。原始信令中可以直接得到的信息，归属为一级信息，例如码号信息、通话时长信息、接通信息和释放信息。需要进一步计算获得的信息，归属为二级信息，包含呼叫频率，呼出呼入比，被叫离散度。信令采集单元100将一级信息和二级信息归并整理后，生成呼叫详细记录保存到历史信令全量数据库单元200中。
45.历史信令全量数据库单元200为信令特征分类建模单元300的机器学习提供训练的样本数据。
46.信令特征分类建模单元300用于机器学习分类算法建模，形成仅依赖信令原始属性的非频率特征骚扰电话判别库500。
47.信令监控与骚扰电话拦截单元400对通信网络600中的实时信令中进行实时监控，从实时信令中提取和非频率特征骚扰电话判别库500中特征向量对应的非频率特征，然后和组成非频率特征骚扰电话判别库500中的特征向量比对，从而识别骚扰电话。对识别出的骚扰电话，信令监控与骚扰电话拦截单元400可以利用通信网络600，直接拦截或以短信系统向客户下发闪信提醒。
48.请参阅图2，本发明还提供了一种基于信令的非频率特征快速识别骚扰电话的方法。将信令划分成频率特征和非频率特征。频率特征为通过统计获得的信息，例如：
49.呼叫频次：在某一时间段内，某一主叫号码发起呼叫频次
50.接通率：某一时间段内，某一主叫号码呼叫接通的数量与该主叫总呼叫量的百分比。
51.呼出呼入比：某一时间段内，某一主叫呼出次数与呼入次数的比值。
52.被叫号码回拨率：某一时间段内，某一主叫所有呼叫中被叫有回拨记录数量的百分比。
53.被叫离散度：某一时间段内，某一主叫所有呼叫中不重复的被叫号码和该主叫发起的呼叫总数的百分比。
54.非频率特征则可以直接从信令获得，不需要进行统计，例如振铃时长、通话时长、链路释放原因、是否被叫先挂断和主被叫是否外省。
55.本发明基于信令的非频率特征快速识别骚扰电话的方法的一个较佳实施例，包含步骤：
56.步骤s101，使用信令采集单元采集日常业务中的原始信令。
57.当主叫用户起呼信令从发起呼叫请求开始，到被叫的应答完成通话的整个呼叫接续过程中，每条信令包含不同的参数都有不同的含义，根据这些参数，可以进一步分析被叫的离散程度、振铃时长、间隔时长、接通率等特征。电话信令特征的提取方法如下：
58.tup(telephone use part)协议的iam(initial address message初始化地址消
息)消息中包含了主叫、被叫地址这两个关键参数，通过这些消息可以看出本次通话的主、被叫用户的码号信息。其中“地址信号”即被叫用户的信息；主叫用户线标识即主要用户码号信息。因此，通过iam消息即可以获得码号信息(主叫号码、被叫号码)。
59.在信令的tup格式中，在释放通话结束后，若主叫先挂机时，a局向b 局送前向拆线信号(clf)，b局向a局送rlg(release guard signal释放监护信号)，若被叫先挂机时，先由b局送一个后向拆线信号(cbk)，然后 a局向b局送前向clf，b局向a局送rlg。因此，如果是主叫用户主动挂机，则可以用acm(address complete message)消息到clf(clear-forward signal 前向拆线信号)消息的时长计算。如果是被叫用户主动挂机，则可以用acm 消息到cbk(clear-back signal挂机信号)消息的时长计算。因此，通话时长信息可以用基于tup协议的anc(answer signal charge)消息到clf或 cbk消息的时长计算。
60.接通信息的利用acm、anc和iam消息来计算，具体而言：接通率，可以根据acm消息和iam消息来统计。应答率，可以根据anc消息和iam消息来统计。
61.其中，主叫被叫号码，接通率，通话时长三个特征是可以从信令tup格式的不同字段直接获取，属于一级信息。其他特征，比如呼叫频率，呼出呼入比，被叫离散度，都可以基于一级信息通过统计运算衍生出来，属于二级信息，比如振铃时长＝呼叫结束时间-呼叫开始时间-通话时长。比如通话时长如果等于0，则被认为是这通电话没有接通。
62.步骤s102，将原始信令(tdr)转换为呼叫详细记录(cdr)后作为样本数据，保存至所述历史信令全量数据库单元中。原始信令被采集后，经过分析、协议解析与事件合成，形成样本数据。
63.原始信令也被称为tdr(transaction detail records)信令，其格式如下：
64.[0065][0066]
cdr的事件合成，通过跟踪同一个呼叫过程的各种原始信令消息，然后从这些消息中获取相应的业务信息。根据不同应用，其消息过程有着不同的关联。cdr中包含tup部分记录和isup部分记录。为了唯一识别cdr信息，根据tup、isup消息中的opc(origination point code)、dpc(destinationpoint code)、cic(circuit identification code)这三个字段组成的信令唯一性标识，然后将多个tdr(transaction detail records)合成cdr(calldetail records)。合成cdr信令的主要目的在于便于直观的观察分析信令，同时也便于后期对特征值的计算。在cdr中记录的参数来自于原始的信令消息数据，通过对记录中的一些重要参数进一步的分析和处理，可以为固定电话网或移动电话网业务提供分析乃至根据特征甄别骚扰电话提供了数据基础。
[0067]
以tup为例，其cdr记录应包括以下内容：
[0068]
[0069][0070]
步骤s103，利用信令特征分类建模单元，基于样本数据，提取信令特征，建立特征向量集。特征向量集包含的特征向量，拥有多个信令特征，具体为：主叫呼叫频次、接通率、通话时长比值、主叫呼出呼入比、被叫离散程度、被叫号码等差分布占比、主叫释放次数、呼叫间隔固定占比以及外省号码占比。
[0071]
为了利用信令中的通话特征作为机器学习的输入样本，必须对信令中的属性进行归纳整理，将一些定性的特征转换为量化特征。根据对骚扰电话类型及信令特征总结得到的历史经验，可以从主叫呼叫频次、接通率、主叫释放次数、振铃时长、主被叫呼出呼入比、通话时长、被叫离散度等几个特征进行统计分析。
[0072]
例如，以一天24小时的信令数据为研究对象，对骚扰电话的高峰时段，进行采样，以30分钟为单位时间，对上述信令特征进行量化定义：
[0073]
(1)主叫呼叫频次的高低：骚扰电话的呼叫频次比较高，单位时间内骚扰号码发起的呼叫次数远高于常人的呼叫频次，在单位时间内发起的呼叫次数，对主叫号码的呼叫接通率进行分析。单位时间取30min，主叫呼叫频次每30min《10次，认为是低频，30min》＝10次《30设置为中频，30min》＝30认为是高频，我们把这个特征用低、中、高3个离散值作为特征值；
[0074]
(2)接通率：单位时间内主叫呼叫被叫接通的次数与该主叫号码发起呼叫的总次数之比。单位时间取24小时，该特征值为连续值，比如85％、93.2％等等，取值范围在0％～100％之间。该特征也可以是配置成低于(含等于)、高于(含等于)阈值，这样就可以变成离散值。
[0075]
(3)通话时长与整个呼叫时长之比：在cdr信令中，通话时长是包含在呼叫开始时间与呼叫结束时间之内的一段时间，根据观察分析，在一次通话过程中，通话时长与呼叫时长的比值越小，该主叫号码是骚扰电话的概率越大，反之，该号码是骚扰电话的概率越小。这个特征值也是连续值，取值范围在0％～100％之间。
[0076]
(4)主叫呼出呼入比：一般来说骚扰电话的主叫号码的呼出呼入的比是非常高的，这是由于骚扰者主要是为了发起外呼，而作为被叫的次数很少，以24小时为单位统计时段，骚扰电话的呼出呼入比有时达到120:1(即120)，意味着120个呼出，仅有一个用户拨打了这个号码，这个特征值也是连续值，为了使该特征值在0％～100％之间，采用呼入次数/呼入次数。
[0077]
(5)被叫离散程度：对于一些开展正常业务的呼叫，比如快递公司客服电话，这类通话行为特征如果用主叫呼叫频次来划分，很可能被划分为骚扰电话，因此，对该主叫号码在一定时间内的被叫号码离散度特征，就起到了至关重要的作用。被叫离散度是指在一定时间段内，发起呼叫的主叫号码对应的不重复的被叫号码和该主叫号码呼叫的总次数的百分比。从业务上讲，被叫同一主叫号码的被叫离散度越高，则该主叫号码是骚扰电话的概率越低，反之，该主叫号码是骚扰电话的概率越高，该特征值是一个连续值，取值范围在0％～100％。
[0078]
(6)被叫号码等差分布占比：该规则对被叫号码的分布特征进行分析。当同一主叫号码的全部被叫号码中具备等差分布特征号码数量占比高于阈值时，具备骚扰电话特征，该特征值也是一个连续值，在0％～100％之间。
[0079]
(7)主叫释放次数：该特征对主叫号码的主动释放次数进行分析，可配置低于(含等于)、高于(含高于)阈值。
[0080]
(8)呼叫间隔固定占比：使用电脑软件进行拨打会呈现拨打间隔比较固定的特征，固定间隔拨打的主叫号码的拨打次数与该主叫号码的拨打总次数之比。
[0081]
(9)外省号码占比：同一主叫号码的所有被叫号码数量与总的被叫号码的数量之比。该特征为连续值，取值范围在0％～100％。
[0082]
步骤s104，对特征向量集合进行归一化，构建特征矩阵。
[0083]
经过解析，整理，清洗的特征向量，其包含的多个信号特征具有不同的单位或量级。为了使各维度特征能够进行计算和比较，需要对特征进行标准化处理，使各维度特征值在(0,1)范围内。
[0084]
本实施例中，特征向量的采样来自于对连续7天信令数据，取每一天高峰时间段内，30分钟时间单位，然后统计7天的信令的特征数据的平均值。
[0085]
对呼叫频次、接通率、呼出呼入比、被叫离散度、振铃时长、通话时长等特征，其特征的取值是数值，按照min-max(离差标准化)进行线性变换，使其落入(0，1)之间，方法是x’＝(x-min)/(max-min)，其中max为样本最大值，min为样本最小值。而对于布尔类型的特征(例如：是否被叫先挂断)以及离散特征(例如：释放原因有超时大网挂断，用户拒接等状态)采用独热编码(one-hot code)，使特征值在(0，1)之间。
[0086]
归一化完成后的特征矩阵的一个示例如下表所示：
[0087]
编号呼叫频次被叫接通率呼出呼入比回拨率被叫离散度振铃时长通话时长是否被叫先挂断被叫是否外省10.3890.0310.0220.0120.4910.0030.1460.5620.93820.1970.7110.1870.0030.3860.0110.3760.320.83730.4010.2190.3750.1090.3640.0230.2640.1020.37540.2560.8870.0470.2010.3180.1330.2050.1040.01950.6770.9910.4190.0080.2260.0050.8230.0210.31160.0250.0320.0130.1010.2470.0070.3230.8520.80270.1110.0210.3480.2220.0150.2310.6050.8870.18180.7880.7970.2260.3010.2230.1440.2450.2320.23990.0120.0110.3220.1210.0910.0080.3430.1910.579100.0930.1870.1020.0040.1980.1910.2450.2120.412110.2210.6750.8750.5110.1610.0220.3670.3330.229120.7330.0210.6780.1770.2670.0210.7190.1710.797130.7680.3090.2290.0020.0570.0750.0430.760.225140.1090.2870.5380.0010.0990.0910.8670.3440.275
150.2190.5310.3980.1190.0370.0010.5560.1510.147160.3320.0820.4130.1020.0420.2790.7770.8170.077170.7550.0710.2980.2010.1020.2190.6340.2010.196180.2340.0670.0670.4120.1330.0130.2110.1150.103190.1010.2030.1990.5020.1670.0130.0670.7190.365200.8910.1110.6710.1330.5550.0090.0930.6220.411
[0088]
步骤s105，使用机器学习形成全特征骚扰电话判别库。机器学习采用无监督机器学习算法k-means算法对所述特征矩阵聚类建模，生成全特征骚扰电话判别库。
[0089]
k-means也叫k-均值，k-平均，是聚类算法中最常用的一种，将具有相似特征的信令分类为一类。该算法运算速度快，适合连续性量化特征。其基本算法流程是，首先将样本根据属性划分为k个簇，初始k个簇的中心点可以随机选定，再通过计算每个样本点到k个簇中心的距离，按照距离最近原则把每个样本点划分到k个簇中，然后将每个簇中所有样本点的坐标值进行平均，作为每个簇的新额中心，如此进行迭代，直到簇中心的位置不再变化(簇中心移动距离小于给定值)，具体步骤如下：(1)将原始杂乱无章的样本点划分k个簇，簇中心随机选择。(2)计算每个样本点到k个簇中心的距离，将样本划分到每个距离最近的簇中心对应的簇中。(3)初始k个簇中所有样本点的坐标平均值，更新每个簇的簇中心。(4)重新按照(2)、(3)中的方法，将原始样本点进行簇划分，并且重新计算新的簇中心。直到新的簇中心与上一次的簇中心之间的距离不再变化，或者小于某一个给定值，则聚类过程结束。在k-means算法过程中，不同特征向量之间的距离计算采用余弦距离。
[0090]
针对7天的1.3亿 的信令数据，异常数据筛出后，应用k-means聚类分析方法进行全量新令分析，对原始信令特征采用min-max，one-hot-code标准化处理，同时以余弦距离作为距离依据，选择k＝5，分群结果如下所示。
[0091][0092]
步骤s106，在全特征骚扰电话判别库中的所述特征向量中，删除频率特征。
[0093]
在全特征骚扰电话判别库中的特征向量，同时包含频率特征和非频率特征，还包含所属主叫号码和号码类别。但是，为了在线快速识别一个新的信令特征是否与骚扰电话特征相似，因此不能根据全特征(频率特征 非频率特征)进行相似度比对，因此需要将经过训练的已经打上类别标记的信令数据，去掉频率特征，只保留非频率特征(振铃时长、通话时长、链路释放原因(超时大网挂断、用户拒接)，通话状态下是否叫先挂、被叫与主叫是否为异地省份)，同时保留所属主叫号码和号码类别信息。
[0094]
步骤s107，过滤特征向量集，形成非频率特征骚扰电话判别库。
[0095]
在全特征骚扰电话判别库中删除频率特征后，会导致原本分属于不同号码类别的特征向量，仅根据非频率特征来判断，非常相似，容易误判，因此需要进一步过滤特征向量集。
[0096]
具体的过滤方法为：以号码类别分组，两两比较每个类别信令非频率特征向量的余弦距离，当距离小于事先定义的分类阈值时，则同时剔除这两个类别中特征向量。如此迭代、遍历每个类别，剔除掉样本中相似的非频率特征向量，剩余的特征向量形成非特征向量骚扰电话判别库。
[0097]
步骤s107，利用信令监控与骚扰电话拦截单元，实时监控信令中的非频率特征向量，与非频率特征骚扰电话判别库中的特征向量进行相似度计算，识别出骚扰电话。
[0098]
信令监控与骚扰电话拦截单元，对监控信令中的非频率特征向量进行归一化后生成待检测特征向量，然后计算待检测特征向量与非频率特征骚扰电话判别库中的每一个特征向量的余弦距离。余弦距离小于骚扰判断阈值时，根据匹配的非频率特征骚扰电话判别库中的特征向量的号码类别，判定是否为骚扰电话。
[0099]
步骤s108，针对识别出的骚扰电话，系统实时拦截，或发出拦截指令给短信平台，以闪信的方式提醒用户。
[0100]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。