一种基于联合学习的数据管理方法及系统与流程

1.本发明属于云计算技术领域，尤其涉及一种基于联合学习的数据管理方法及系统。


背景技术：

2.云健康，又称健康云，是近期提出的一种思想，指通过云计算、云存储、云服务、物联网、移动互联网等技术手段，通过医疗机构、专家、医疗研究机构、医疗厂商等相关部门的联合、互动、交流、合作，为医疗患者、健康需求人士提供在线、实时、最新的健康管理、疾病治疗、疾病诊断、人体功能数据采集等服务与衍生产品开发。
3.云健康是一个系统工程，也是跨电子、通信、医疗、生物、软件等等不同行业的复杂巨系统，需要政府的引导与相关行业的进入与支持。国内所应用的医疗物联网设备、数字医院、远程诊断、家庭智能医生、智慧医疗、电子健康档案等等都会成为其重要组成部分。
4.云健康将成为从摇篮到坟墓的健康管理，也就是全人全程健康管理系统，就会把人体的致病原因用准确的医学用语记录下来，便于医生发现问题。从胎儿期的产检记录，到日常的体检报告，实时的人体体征数据，以及每次医生问病结果，每一个和健康有关的信息都会以数据的形式记录下来，社区责任医生会根据这些记录，帮助居民进行健康管理，提醒居民该注意哪些健康事项，同时海量的居民健康信息的汇聚，也可以帮助疾控部门进行当地流行病学的统计，发现一些各地高发的疾病，开展高发病的防治工作。未来云健康的实现与普及，将大大提高诊断效率与治疗水平，为人类健康注入更多有利因素。
5.但是，用户健康数据，包括用户的健康档案数据、用户画像数据、疾病诊断数据、健康干预数据等。每一类数据都是用户极其私密的敏感信息，任何的泄漏或者随意共享，甚至都是违法的，这就有了联合学习的应用诉求。但是，目前还没有一种可以实现数据共享且避免用户私密敏感健康数据泄漏的方案。


技术实现要素：

6.有鉴于此，本发明实施例提供了一种基于联合学习的数据管理方法及系统，以解决用户健康数据都是用户极其私密的敏感信息，任何的泄漏或者随意共享，甚至都是违法的，而目前没有一种可以实现数据共享且避免用户私密敏感健康数据泄漏的方案的问题。
7.本发明实施例的第一方面提供了一种基于联合学习的数据管理方法，包括：
8.s1、获取目标数据，其中所述目标数据为非共享数据；
9.s2、将所述目标数据进行本地目标模型训练，以得到至少一个类别的目标模型；
10.s3、根据所述目标模型，建立联合学习全局模型；
11.s4、将所述联合学习全局模型上传至需求设备。
12.进一步的，所述获取目标数据包括：
13.响应目标设备，获取所述目标设备的属性信息；
14.根据所述属性信息，建立基于联合学习的模拟数据库；
15.利用所述模拟数据库，获取所述目标数据；
16.所述目标数据为健康数据。
17.进一步的，所述将所述目标数据进行本地目标模型训练，以得到至少一个类别的目标模型，包括：
18.根据所述目标数据，获取对应的本地数据；
19.对所述本地数据进行分类；
20.根据所述分类进行联合学习模型训练，以得到至少一个类别的目标模型。
21.进一步的，所述根据所述目标模型，建立联合学习全局模型，具体为：根据所述目标模型，在云端通过联合学习引擎框架，将本地模型中的参数进行平均或者加权平均，建立联合学习全局模型。
22.进一步的，将所述联合学习全局模型上传至需求设备后，还包括：联合学习全局模型中随着新用户数据不断加入更新，将更新的用户数据进行本地目标模型训练，同时训练后的新的本地模型的参数再进行平均或者加权平均，不断迭代建立新的联合学习全局模型，最后联合学习全局模型沉淀在云端后上传至需求设备。
23.本发明实施例的第二方面提供了一种基于联合学习的数据管理系统，包括：
24.目标数据获取模块，用于通过健康数据采集端采集目标数据，其中所述目标数据为非共享数据；
25.本地目标模型训练模块，用于将所述目标数据进行本地目标模型训练，以得到至少一个类别的目标模型；
26.全局模型建立模块，用于根据所述目标模型，建立联合学习全局模型；
27.全局模型上传模块，用于将所述联合学习全局模型上传至需求设备。
28.进一步的，所述目标数据获取模块获取目标数据包括：
29.响应目标设备，获取所述目标设备的属性信息；
30.根据所述属性信息，建立基于联合学习的模拟数据库；
31.利用所述模拟数据库，获取所述目标数据；
32.所述目标数据为健康数据。
33.进一步的，所述全局模型建立模块根据所述目标模型，建立联合学习全局模型，具体为：根据所述目标模型，在云端通过联合学习引擎框架，将本地模型中的参数进行平均或者加权平均，建立联合学习全局模型。
34.本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于联合学习的数据管理方法的步骤。
35.本发明实施例的第四方面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存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于联合学习的数据管理方法的步骤。
36.本发明实施例与现有技术相比存在的有益效果是：
37.本发明以联合学习的方式，每个用户自己在本地进行模型训练，将模型参数上传至云端进行联合训练，进而产生一系列联合学习的全局模型。能够在不共享本地业务数据的前提下，获得效果更好的健康指导模型。随着这些联合学习全局模型不断增多，逐步将模
型沉淀在云端，以统一的标准接口方式，提供给生命健康生态圈的用户，实现健康数据共享。
附图说明
38.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。
39.图1是本发明实施例提供的基于联合学习的数据管理系统具体架构图；
40.图2是本发明实施例提供的系统原理架构图；
41.图3是本发明实施例提供的方法流程图；
42.图4是本发明实施例提供的联合学习应用的示例图；
43.图5是本发明实施例提供的终端设备的示意图。
具体实施方式
44.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
45.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
46.实施例1
47.如图1、3、4所示，本实施例提供了一种基于联合学习的数据管理方法，包括：
48.s1、获取目标数据，其中目标数据为非共享数据。获取目标数据的方式包括：首先响应目标设备(比如血压计、血糖仪、体脂监测仪)，获取目标设备的属性信息；然后，根据属性信息，建立基于联合学习的模拟数据库；最后，利用所述模拟数据库，获取所述目标数据，目标数据为生命健康类数据，至少包括：用户身体的信息类数据，至少包括健康档案数据、客户画像数据、诊断数据、干预数据、生活方式数据。如图4所示，其中：
49.健康档案数据，包括：1、个人信息，比如姓名、性别、住址、年龄等；2、历史健康数据，比如疾病史、过敏历史体检数据；3、三疗检测，用户身体的信息类数据(包括情绪指数、压力数据、抑郁数据等)、能量类数据(包括经络数据、运动数据、代谢数据等)，生物医学检测数据(包括体温、血压、血脂、血糖等)
50.客户画像数据，比如消费偏好数据，通过关键词搜索实现；消费需求数据，比如浏览偏好、兴趣偏好。
51.诊断数据，比如三疗报告(生物医学诊断报告、能量医学诊断报告、信息医学诊断报告)。
52.干预数据，比如三疗干预数据、行为改变数据、调理数据、过程可视化数据。医院干预数据，比如生理监测数据，用药、治疗数据，护理数据。
53.生活方式数据，比如生活环境数据、饮食数据、睡眠数据、运动数据。
54.如图1所示，图中自底向上看，最下面的是各类人体健康数据监测终端，比如用户
终端监测设备可以是智能健康镜、智能马桶、智能环境盒、睡眠监测仪、风险评估秤、智能坐垫、健康手环、血压计、血糖仪、体脂监测仪、心电监测仪、血氧仪。还有一些社区健康监测设备，比如体检仪、脑电检测、量子微磁仪。这些生命健康类设备，按照一定的物联标准(cim标准)，将数据统一接入数据平台，数据通过4g网关、泛能盒子、xcm软网关传送到上层数据平台。
55.s2、将目标数据进行本地目标模型训练，以得到至少一个类别的目标模型，具体为使用联合学习的方式对目标数据进行本地目标模型训练，根据上述目标数据，获取对应的本地数据(本地实时采集的数据，比如血糖值、血压值)，然后对本地数据进行分类，再根据分类进行联合学习模型训练，以得到至少一个类别的目标模型。如图1所示，数据中台对目标数据进行本地模型训练时，对健康数据提供以下数据服务，包括：健康数据标准与数据管理，至少包括生物医学、能量医学、信息医学、知识图库；大数据计算，至少包括实时计算、离线计算、数据仓库、数据可视化；数据服务管理，至少包括服务注册、服务监控、服务发现、服务治理。
56.s3、根据目标模型，建立联合学习全局模型，具体为在云端通过联合学习引擎框架建立联合学习全局模型，随着新用户数据加入不断增多，逐步将联合学习全局模型沉淀在云端后上传至需求设备。如图1所示，本实施例给出了生命健康行业应用的联合学习全局模型，包括健康评估模型、健康监控模型、健康推荐模型、疾病预警模型、知识图谱模型、个性化干预模型。联合学习引擎包括联合学习框架设计、分布式异常处理、边云协同通讯协议、联合策略、安全策略、聚合策略、引擎控制，通过联合学习引擎实现对通信逻辑和通信协议的管理。
57.s4、将联合学习全局模型上传至需求设备。上述对目标进行本地模型训练和建立联合学习全局模型时采用各种基础统计算法、机器学习算法、深度学习算法，基础统计算法包括图像识别、视频分析、图像理解，机器学习算法包括分类、回归、聚类，深度学习算法包括cnn、rnn深度学习算法；并基于联合学习全局模型封装一系列算法服务api，来让用户与联合学习引擎进行交互，并利用联合学习引擎去实现业务场景应用。
58.另外，上述对目标进行本地模型训练和建立联合学习全局模型时采用算法组件模块，包括基础模型训练组件、应用性模型组件，其中基础模型训练组件包括数据加载模块、通用模型训练模块、模型评估组件，应用性模型组件包括智能诊断模型组件、智能检测型组件、智能干预模型组件。
59.联合学习过程中服务器不能收集数据，但是可以收集模型的参数，服务器协调边缘设备参与训练，每个边缘设备都有训练数据。每个边缘设备都利用自己的数据训练一个本地模型，将自己的参数加密传或者不加密上传给服务器，服务器通过将收集上来的参数进行平均或者加权平均，形成生命健康行业应用的联合学习全局模型。广播给每个边缘设备。比如，先用边缘设备下载当前的模型，然后用手机上的数据训练这个模型，之后所有的改变都会总结为一个小的更新。最后，只有这个更新会被传到云端(使用加密通信的方式)，并立即就与其他用户的更新合在一起平均化，然后改善共享的模型。所有的训练数据都保留在边缘设备上，训练数据和数据模型不出本地，云端也不会存储单独的更新。
60.如图4所示，本实施例的工作原理是：
61.自下往上看，下面是用户健康数据，包括用户的健康档案数据、用户画像数据、疾
病诊断数据、健康干预数据等。每一类数据都是用户极其私密的敏感信息，任何的泄漏或者随意共享，甚至都是违法的。这就有了联合学习的应用诉求
62.为了能够在不共享本地业务数据的前提下，获得效果更好的健康指导模型，我们就通过联合学习的方式，每个用户自己在本地进行模型训练，将模型参数上传至云端进行联合训练，进而产生一系列联合学习的全局模型。
63.随着这些联合学习全局模型不断增多，逐步将模型沉淀在云端，以统一的标准接口方式，提供给生命健康生态圈的伙伴。
64.实施例2
65.如图1、2所示，本实施例提供了一种基于联合学习的数据管理系统，包括：
66.设置在iaas层的目标数据获取模块101(即物联中台)，用于获取目标数据，其中目标数据为非共享数据。目标数据为生命健康类数据，至少包括：用户身体的信息类数据，至少包括情绪指数、压力数据、抑郁数据；能量类数据，至少包括经络数据、运动数据、代谢数据；用户社区数据，至少包括社区体检数据、社区生活馆数据。
67.如图1所示，图中自底向上看，最下面的是各类人体健康数据监测终端，比如用户终端监测设备可以是智能健康镜、智能马桶、智能环境盒、睡眠监测仪、风险评估秤、智能坐垫、健康手环、血压计、血糖仪、体脂监测仪、心电监测仪、血氧仪。还有一些社区健康监测设备，比如体检仪、脑电检测、量子微磁仪。这些生命健康类设备，按照一定的物联标准(cim标准)，将数据统一接入数据平台，数据通过4g网关、泛能盒子、xcm软网关传送到上层数据平台。
68.设置在paas层的本地目标模型训练模块102(即数据中台)、全局模型建立模块103(即人工智能中台)，本地目标模型训练模块102用于将目标数据进行本地目标模型训练，以得到至少一个类别的目标模型，具体为使用联合学习的方式对目标数据进行本地目标模型训练。如图1所示，数据中台对目标数据进行本地模型训练时，对健康数据提供以下数据服务，包括：健康数据标准与数据管理，至少包括生物医学、能量医学、信息医学、知识图库；大数据计算，至少包括实时计算、离线计算、数据仓库、数据可视化；数据服务管理，至少包括服务注册、服务监控、服务发现、服务治理；
69.全局模型建立模块103(即人工智能中台)，用于根据上述目标模型，建立联合学习全局模型，具体为在云端通过联合学习引擎框架建立联合学习全局模型，随着新用户数据加入不断增多，逐步将联合学习全局模型沉淀在云端后上传至需求设备。如图1所示，本实施例给出了生命健康行业应用的联合学习全局模型，包括健康评估模型、健康监控模型、健康推荐模型、疾病预警模型、知识图谱模型、个性化干预模型。联合学习引擎包括联合学习框架设计、分布式异常处理、边云协同通讯协议、联合策略、安全策略、聚合策略、引擎控制，通过联合学习引擎实现对通信逻辑和通信协议的管理。
70.设置在saas层的全局模型上传模块104(即生命健康生态客户端)，用于将上述联合学习全局模型上传至需求设备，与联合学习引擎进行交互，并利用联合学习引擎去实现业务场景应用。
71.其中，iaas、paas和saas是云计算的三种服务模式，具体分析如下：
72.1.saas：software-as-a-service(软件即服务)提供给客户的服务是运营商运行在云计算基础设施上的应用程序，用户可以在各种设备上通过客户端界面访问，如浏览器。
消费者不需要管理或控制任何云计算基础设施，包括网络、服务器、操作系统、存储等等；
73.2.paas：platform-as-a-service(平台即服务)提供给消费者的服务是把客户采用提供的开发语言和工具(例如java，python,.net等)开发的或收购的应用程序部署到供应商的云计算基础设施上去。客户不需要管理或控制底层的云基础设施，包括网络、服务器、操作系统、存储等，但客户能控制部署的应用程序，也可能控制运行应用程序的托管环境配置；
74.3.iaas：infrastructure-as-a-service(基础设施即服务)提供给消费者的服务是对所有计算基础设施的利用，包括处理cpu、内存、存储、网络和其它基本的计算资源，用户能够部署和运行任意软件，包括操作系统和应用程序。消费者不管理或控制任何云计算基础设施，但能控制操作系统的选择、存储空间、部署的应用，也有可能获得有限制的网络组件(例如路由器、防火墙、负载均衡器等)的控制。
75.同时，上述对目标进行本地模型训练和建立联合学习全局模型时采用各种基础统计算法、机器学习算法、深度学习算法，基础统计算法包括图像识别、视频分析、图像理解，机器学习算法包括分类、回归、聚类，深度学习算法包括cnn、rnn深度学习算法；并基于联合学习全局模型封装一系列算法服务 api，来让用户与联合学习引擎进行交互，并利用联合学习引擎去实现业务场景应用。
76.另外，上述对目标进行本地模型训练和建立联合学习全局模型时采用算法组件模块，包括基础模型训练组件、应用性模型组件，其中基础模型训练组件包括数据加载模块、通用模型训练模块、模型评估组件，应用性模型组件包括智能诊断模型组件、智能检测型组件、智能干预模型组件。
77.联合学习过程中服务器不能收集数据，但是可以收集模型的参数，服务器协调边缘设备参与训练，每个边缘设备都有训练数据。每个边缘设备都利用自己的数据训练一个本地模型，将自己的参数加密传或者不加密上传给服务器，服务器通过将收集上来的参数进行平均或者加权平均，形成生命健康行业应用的联合学习全局模型。广播给每个边缘设备。比如，先用边缘设备下载当前的模型，然后用手机上的数据训练这个模型，之后所有的改变都会总结为一个小的更新。最后，只有这个更新会被传到云端(使用加密通信的方式)，并立即就与其他用户的更新合在一起平均化，然后改善共享的模型。所有的训练数据都保留在边缘设备上，训练数据和数据模型不出本地，云端也不会存储单独的更新。
78.如图4所示，本实施例的工作原理是：
79.自下往上看，下面是用户健康数据，包括用户的健康档案数据、用户画像数据、疾病诊断数据、健康干预数据等。每一类数据都是用户极其私密的敏感信息，任何的泄漏或者随意共享，甚至都是违法的。这就有了联合学习的应用诉求
80.为了能够在不共享本地业务数据的前提下，获得效果更好的健康指导模型，我们就通过联合学习的方式，每个用户自己在本地进行模型训练，将模型参数上传至云端进行联合训练，进而产生一系列联合学习的全局模型。
81.随着这些联合学习全局模型不断增多，逐步将模型沉淀在云端，以统一的标准接口方式，提供给生命健康生态圈的伙伴。
82.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限
定。
83.图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如联合学习训练程序。处理器60执行计算机程序62时实现上述各个基于联合学习的数据管理方法实施例中的步骤，例如图 1所示的步骤101至104。或者，处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。
84.示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在终端设备6中的执行过程。例如，计算机程序 62可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
85.终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图5仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
86.所称处理器60可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列 (field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
87.存储器61可以是终端设备6的内部存储单元，例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备，例如终端设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital, sd)卡，闪存卡(flash card)等。进一步地，存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备所需的其它程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
88.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
89.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
90.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单
元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
91.在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
92.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单元来实现本实施例方案的目的。
93.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
94.所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
95.以上所述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，均应包含在本发明的保护范围之内。