多用户认知边缘计算网络中的能效优化方法

电子通信装置的制造及其应用技术1.本发明属于无线通信技术领域，进一步涉及边缘计算技术，具体为一种多用户认 知边缘计算网络中的能效优化方法，可用于边缘计算系统中的海量用户接入频谱卸载 任务。背景技术：2.随着信息与通信技术的蓬勃发展，无线智能设备的数量越来越多，使得无线业务 量呈现爆炸式增长。5g通信系统较之前的通信系统容量提升了上千倍，频谱效率、 能量效率与平均吞吐量也提升了数十倍，同时网络时延也低至到了毫秒级。另外，5g 的目标还包括提升传统移动设备性能，以满足新的无线业务需求，如可在移动设备上 实现高复杂度低时延计算业务，例如：人脸识别、虚拟现实、自动驾驶等。然而，由 于移动设备的计算能力、存储容量有限，难以独立完成上述高复杂度低时延要求的业 务。3.移动边缘计算是一种计算能力增强技术。通过将移动设备等计算能力较弱节点的 部分或全部数据卸载到周边的边缘计算服务器执行，来辅助移动设备完成计算，减少 移动设备能耗，降低计算时延，提高计算效率。然而，移动边缘计算网络中移动设备 将计算任务卸载至边缘计算服务器需要频谱资源，由于可用的频谱资源短缺，使得非 授权用户很难分配到频段来卸载数据。因此，必须使用一种频谱接入机制，为移动边 缘计算网络中的非授权移动设备提供频谱接入机会。4.认知无线电是具备主动寻找和接入空闲频谱的一种动态频谱接入技术。其工作原 理如下：认知无线电允许未授权用户在授权用户空闲时接入授权用户频段，在授权用 户需要重新接入频段时通过主动调整发射参数，切换到新的空闲频段或在满足对授权 用户造成干扰小于干扰门限的情况下降低发送功率继续发送。使用认知无线电技术可 大幅度提升频谱利用率，提升网络容量。5.si p,liang h,wuw等人在其发表的论文“joint resource management in cognitiveradio and edge computing based industrial wireless networks”(globecom 2017-2017 ieee global communications conference.ieee,2017:1-6)中提出了一种认知无线电‑ꢀ移动边缘计算框架的三层结构，并采用认知无线电来寻找移动设备的可用无线频谱。 li x,fan r,hu h等人在其发表的论文“energy-efficient resourceallocation for mobileedge computing aided by multiple relays”(ieee internet of things journal, 2021:101-130)中研究了一个认知无线电-移动边缘计算系统，移动设备由多个中继节 点辅助将数据卸载到移动边缘计算服务器，通过优化计算和通信资源的分配来最小化 移动设备和多个中继节点的总能耗，使得系统性能最优。这两种系统均考虑了单次用 户单主用户场景，然而现实场景中，面对的往往是海量场景，因此上述方法很难解决 实际问题。pk,j、fk,j和βk,j分别表示在感知信道状态为j的情况下第k个次 用户的第一场景发送功率、本地计算cpu频率和接入频谱的时间长度；21.设定第一场景次用户满足如下约束条件：22.其中ek表示第k个次用户可用的能量，t表示一个时隙 的时间长度，γ为能耗因子；β0表示次用户频谱感知时间 长度；0≤fk,j≤fk,max,0≤pk,j≤pk,max，其中fk,max和pk,max分别为第k个次用户的最大可 用cpu频率和最大发送功率；23.(3.5)最大化第一场景任务计算效率ece，通过变量替换、dinkelbach算法将表达式转换为凸表达式，然后使用拉格朗日对偶分解算法以及次梯度算法对凸表达式 进行求解，得到与第一场景最优任务计算效率对应的第一场景最优优化变量，即 第一场景次用户的最优发送功率p*、最优本地计算cpu频率f*以及最优接入频谱的 时间长度β*；24.(3.6)根据第一场景最优优化变量设定系统工作参数，并进入步骤(5)；25.(4)获取多次用户多主用户场景下的最优优化变量：26.(4.1)判断主用户是否均工作在相同频段，若是则执行步骤(4.2)，反之，等 同于多次用户单主用户场景，返回执行步骤(3)；27.(4.2)各次用户采用时分多址机制直接接入主用户频谱，假设第k个次用户有一 个具有qk比特的计算任务，将该计算任务的一部分传输到认知次基站进行卸载计算， 另一部分进行本地计算；得到第k个次用户的计算比特数rk、能耗ek以及对第m个 主用户造成的平均干扰ik,m；且rk≥qk，ik,m小于等于第m个主用户的干扰容限ith,m；28.(4.3)根据下式获取第二场景任务计算效率ece1：[0029][0030](4.4)构建第二场景最优任务计算效率表达式：[0031][0032]其中，优化变量为第二场景次用户的发送功率第二场景次用户的本地 计算cpu频率第二场景次用户接入频谱的时间长度其中，pk、fk和βk分别表示第k个次用户的第二场景发送功率、本地计算cpu频率和接入频谱的 时间长度；[0033]设定第二场景次用户满足如下约束条件：[0034]其中ek表示第k个次用户可用的能量，t表示一个时隙的时间 长度，γ为能耗因子；0≤fk≤fk,max,0≤pk≤pk,max，其中fk,max和pk,max分别为第k个次用户的最大可用cpu频率和最大发送功率；[0035](4.5)最大化第二场景任务计算效率ece1，通过变量替换、dinkelbach算法将表达式转换为凸表达式，然后使用拉格朗日对偶分解算法以及次梯度算法对凸表达式 进行求解，得到与第二场景最优任务计算效率对应的第二场景最优优化变量，即 第二场景次用户的最优发送功率最优本地计算cpu频率和最优接入频谱的时 间长度[0036](4.6)根据第二场景最优优化变量设定系统工作参数，并进入步骤(5)；[0037](5)系统在选定的工作参数下运行，实现系统能效优化。[0038]本发明与现有技术相比具有的如下优点：[0039]第一、由于本发明采用了认知无线电的方式动态接入频谱，可通过让次用户与主 用户共享频谱，为次用户提供频谱接入机会，使得次用户能够将计算任务卸载传输到 计算能力更强的边缘服务器，从而解决次用户计算能力有限的问题；[0040]第二、现实场景中网络系统面对的往往是海量用户场景，而现有的认知边缘计算 系统大多考虑的是单用户场景，难以解决实际问题；相比于现有方法，本发明在引入 认知无线电的基础上，考虑了多用户场景，针对多次用户单主用户与多次用户多主用 户的场景，即多个次用户需要与主用户共享频谱的情况，分别采用了不同技术手段来 完成计算任务，在这种多用户场景下优化了系统性能，有效解决了实际复杂场景下的 频谱利用率低、网络性能不佳的问题。附图说明[0041]图1为本发明方法的应用场景示意图；[0042]图2为本发明的时隙结构示意图，其中a是多次用户单主用户场景下的时隙结构 示意图，b是多次用户多主用户场景下的时隙结构示意图；[0043]图3为本发明方法的实现流程图；[0044]图4为本发明方法中dinkelbach算法收敛性能曲线图；[0045]图5为本发明方法中多次用户单主用户场景下信道衰减指数α与次用户的最小计 算比特数qk对任务计算效率的影响情况仿真结果图；[0046]图6为本发明方法中多次用户多主用户场景下主用户数m与次用户的最小计算 比特数qk对任务计算效率的影响情况仿真结果图；[0047]图7为本发明方法中多次用户多主用户场景下时隙长度t与信道衰减指数α对任 务计算效率的影响情况仿真结果图。具体实施方式[0048]以下参照附图，对本发明技术方案实施过程进行详细描述：[0049]参照图1，本发明中系统模型的示意图，本发明的系统由m个主用户、k个次用 户以及一个搭载了边缘服务器的认知小基站构成了一个认知小蜂窝网络，其中k大于 1，令ωm＝{1,2,...,m,...,m}与ωk＝{1,2,...,k,...,k}分别表示主用户集合和次用户集合， 其中m和k分别表示第m个主用户和第k个次用户。[0050]参照图2，本发明的时隙结构图，本发明共考虑两种场景：单主用户(m＝1)与 多主用户(m＞1)场景。[0051]在m＝1的场景下，认知小基站可对主用户状态进行频谱感知，并根据感知结果协 调各次用户采用时分多址方式接入频谱将待计算任务上传至认知小基站进行计算。该 系统以时隙为单位运行，时隙总长度为t，β0表示频谱感知时间长度， βk,j,k∈ωk,j∈{0,1}代表在感知结果为j时第k个次用户接入频谱的时间长度，j＝0 表示感知结果为主用户处于空闲状态，j＝1表示感知结果为主用户处于占用状态。为 保证主用户传输性能，本实施例采用固定检测概率为pd(主用户处于占用状态时能够 正确检测的概率)的能量检测机制，对应的虚警概率(主用户处于空闲状态但检测结 果为占用的概率)为：[0052][0053]其中κ表示认知小基站接收的pu信号信噪比，fs表示采样率，q(·)为标准高斯 分布变量的互补累积分布函数。[0054]在m＞1的场景下，若多个主用户均工作在相同频段，则无法对每个主用户进行 频谱感知，若多个主用户工作在多个不同频段，则问题等价于单个主用户的场景。因 此，本发明考虑多个主用户均工作在同一频段的场景。在此场景中，频谱感知技术不 适用，各次用户仍采用时分多址方式进行频谱接入，但必须满足各主用户干扰功率约 束，时隙总长度为t，βk,k∈ωk表示第k个次用户接入频谱时长。[0055]实施例一：[0056]参照图3，本发明提供了一种多用户认知边缘计算网络中的能效优化方法，具体 实现步骤如下：[0057]步骤1：搭建由m个主用户、k个次用户以及一个搭载了边缘计算服务器的认知 次基站构成的认知小蜂窝网络；其中k大于1，令ωm＝{1,2,...,m,...,m}与 ωk＝{1,2,...,k,...,k}分别表示主用户集合和次用户集合，m和k分别表示第m个主用 户和第k个次用户；[0058]步骤2：判断认知小蜂窝网络中主用户个数：[0059]若主用户个数m＝1，则判定为多次用户单主用户场景，继续执行步骤(3)；[0060]若主用户个数m＞1，则判定为多次用户多主用户场景，直接执行步骤(4)；[0061]步骤3：获取多次用户单主用户场景下的最优优化变量：[0062](3.1)认知次基站对无线信道环境进行频谱感知，获取主用户专用频谱的感知 信道状态j∈{0,1}，记实际信道状态为i∈{0,1}；其中0表示主用户信道空闲，1表示 主用户信道占用。这里认知次基站对无线信道环境进行频谱感知，本实施例采用固定 检测概率为pd的能量检测机制，对应的虚警概率为：[0063][0064]其中，κ表示认知小基站接收的pu信号信噪比，fs表示采样率，q(·)为标准高 斯分布变量的互补累积分布函数。[0065](3.2)各个次用户采用时分多址机制接入主用户频谱，假设第k个次用户有一个 具有qk比特的计算任务，将该计算任务的一部分传输到认知次基站进行卸载计算， 另一部分进行本地计算；得到第k个次用户的平均计算比特数rave,k、平均能耗eave,k以 及对主用户造成的平均干扰iave,k；且rave,k≥qk，iave,k小于等于主用户的干扰容限ith；[0066]第k个次用户的平均计算比特数rave,k、平均能耗eave,k以及对主用户造成的平均 干扰iave,k，分别根据如下计算得到：[0067][0068][0069][0070]其中，其中，其中，分别表示主用户真实状态为i感知结果为j时第k个次用户的计算比特数、 能耗、对主用户造成的干扰，b表示接入频谱带宽，ck表示cpu时钟周期，hk,c表 示第k个次用户到认知次基站的信道功率增益，hk,r表示第k个次用户与主用户之间 的信道功率增益，δk表示主用户处于占用状态时第k个次用户进行任务卸载时主用户 发送信号对其造成的干扰，σk表示次用第k个次用户收发信号时的本地噪声，αi,j表 示主用户实际信道状态为i感知信道状态为j时的出现概率，具体如下：[0071]α0,0＝pr0[1-pf(β0)]，[0072]α0,1＝pr0pf(β0)，[0073]α1,0＝pr1(1-pd)，[0074]α1,1＝pr1pd，[0075]其中pr0与pr1表示主用户信道处于空闲与占用状态的先验概率。[0076](3.3)根据下式获取第一场景任务计算效率ece：[0077][0078](3.4)构建第一场景最优任务计算效率表达式：[0079][0080]其中，优化变量为第一场景次用户的发送功率第一场景次用 户的本地计算cpu频率第一场景次用户接入频谱的时间长度 pk,j、fk,j和βk,j分别表示在感知信道状态为j的情况下第k个次 用户的第一场景发送功率、本地计算cpu频率和接入频谱的时间长度；计算cpu频率第二场景次用户接入频谱的时间长度其中，pk、fk和βk分别表示第k个次用户的第二场景发送功率、本地计算cpu频率和接入频谱的 时间长度；[0098]设定第二场景次用户满足如下约束条件：[0099]其中ek表示第k个次用户可用的能量，t表示一个时隙的时间 长度，γ为能耗因子；0≤fk≤fk,max,0≤pk≤pk,max，其中fk,max和pk,max分别为第k个次用户的最大可用cpu频率和最大发送功率；[0100](4.5)最大化第二场景任务计算效率ece1，通过变量替换、dinkelbach算法将表达式转换为凸表达式，然后使用拉格朗日对偶分解算法以及次梯度算法对凸表达式 进行求解，得到与第二场景最优任务计算效率对应的第二场景最优优化变量，即 第二场景次用户的最优发送功率最优本地计算cpu频率和最优接入频谱的时 间长度[0101](4.6)根据第二场景最优优化变量设定系统工作参数，并进入步骤(5)；[0102]步骤5：系统在选定的工作参数下运行，实现系统能效优化。[0103]实施例二：[0104]本实施例供的多用户认知边缘计算网络中的能效优化方法，整体实现步骤同实施 例一，针对其中多次用户单主用户场景做进一步描述：[0105]步骤a：搭建由1个主用户、k个次用户以及一个搭载了边缘计算服务器的认知 小基站构成的认知小蜂窝网络，令ωk＝{1，2，...,k}表示次用户集合；[0106]步骤b：认知次基站对无线信道环境进行频谱感知，获得主用户专用频谱的信道 状态。然而受噪声以及各种外在干扰的影响，频谱感知无法得到完美的频谱感知结果， 即存在感知误差。这里假设实际信道状态为i∈{0,1}，感知到的信道状态为j∈{0,1}， 其中0表示主用户信道空闲，1表示主用户信道占用；[0107]步骤c：各个次用户采用时分多址机制接入主用户频谱，假设第k个次用户有一个 具有qk比特的计算任务，将该计算任务的一部分传输到认知次基站进行卸载计算， 另一部分进行本地计算；即采用部分卸载机制：将部分业务进行本地计算，部分业务 卸载给认知小基站进行计算。[0108]令i,j∈{0,1}表示主用户真实状态为i感知结果为j时第k个次用户的任务计 算比特数，具体表达式如下：[0109][0110][0111]的能量因果性约束为j∈{0,1},k∈ωk，ek为第k个次用户 可用的能量；主用户的干扰约束为iave,k≤ith,k∈ωk，ith为主用户的干扰容限；次用 户的发送时间长度约束为j∈{0,1}，k∈ωk；次用户的算力与 发送功率约束为fk,j≥0,pk,j≥0,fk,j≤fk,max,pk,j≤pk,max,j∈{0,1},k∈ωk，fk,max和pk,max分别为第k个次用户的最大可用cpu频率和最大发送功率；次用户的最小平均计算比 特数约束为rave,k≥qk,k∈ωk。[0131]步骤f：利用变量替换、dinkelbach算法、拉格朗日对偶分解算法以及次梯度算法 对公式《1.1》进行求解，获取最优参数。[0132](6.1)由于目标函数为分式形式且约束变量存在耦合，公式《1.1》为非凸问题。 为对其进行求解，引入辅助变量使得qk,0＝pk,0βk,0与qk,1＝pk,1βk,1，从 而消除了变量耦合，目标函数转化为：[0133][0134]其中：[0135][0136][0137](6.2)由于目标函数的分子为凹函数，分母为凸函数，因此，目 标函数仍为非凸形式。基于此，本发明采用dinkelbach算法对其求解。引入参数η＞0， 并指定其初始值η＝η0，更新各约束，将公式《1》变为：[0138][0139]其中约束j∈{0,1},k∈ωk变成了 j∈{0,1},k∈ωk，约束α10pk,0hk,rβk,0+α11pk,1hk,rβk,1≤ith,k∈ωk变成了 α10hk,rqk,0+α11hk,rqk,1≤ith,k∈ωk，约束fk,j≥0,pk,j≥0,fk,j≤fk,max,pk,j≤pk,max, j∈{0,1},k∈ωk变成了fk,j≥0,fk,j≤fk,max,qk,j≥0,qk,j≤pk,maxβk,j,j∈{0,1},k∈ωk，约 束rave,k≥qk,k∈ωk变成了k∈ωk。[0140](6.3)公式《1.2》为凸问题，采用拉格朗日对偶法对其进行求解。[0141](6.3.1)公式《1.2》的拉格朗日函数为：[0142][0143]其中z＝(λ,μ,ο,ρ,υ)，这里ο＝{o0,o1}，}，为对偶变量。[0144]公式《1.2》的对偶函数为：[0145][0146]其中约束为j∈{0,1},k∈ωk。[0147](6.3.2)采用对偶分解法将公式《1.3》分解为下列多个子公式，具体如下：[0148]对于变量fk,0，对应子公式为：[0149][0150]其中约束为0≤fk,0≤fk,max，θ1,k＝η(α0,0+α1,0)(t-β0)γ+λk,0(t-β0)γ。公式[0151]《1.3.1》为凸问题，利用kkt条件可得其最优解为：[0152][0153]对于变量fk,1，对应子公式为：[0154][0155]其中约束为0≤fk,1≤fk,max，θ2,k＝η(α0,1+α1,1)(t-β0)γ+λk,1(t-β0)γ。公式[0156]《1.3.2》为凸问题，利用kkt条件可得其最优解为：[0157][0158]对于变量βk,0与qk,0，对应子公式为：[0159][0160]其中约束为qk,0≥0,βk,0≥0，θ3,k＝η(α0,0+α1,0)+λk,0+μkα10hk,r+ρk,0。公式《1.3.3》 为凸问题，可以用分块迭代算法求解，首先初始化βk,0为一可行解，那么公式《3.3》 变为：[0161][0162]其中约束为qk,0≥0。通过kkt条件在给定βk,0的条件下，qk,0最优解为： [0163]其中[0164][0165][0166]令求解变量βk,0，公式《1.3.3》变为：[0167][0168]其中约束为βk,0≥0。[0169]令ψ(βk,0)表示公式《1.3.3.2》的目标函数，即：[0170][0171]其一阶导数与二阶导数分别为：[0172][0173][0174]根据其一阶导数的形式可知，很难获得的闭式解βk,0。从其一阶与二阶导数可知 且[0175]基于此，本实施例采用二分法获得βk,0的最优解。[0176]获取后，令返回求解公式《1.3.3》，可获得最终的最优解[0177]对于变量βk,1与qk,1，对应子公式为：[0178][0179]其中约束为βk,1≥0,qk,1≥0，θ4,k＝[η(α0,1+α1,1)+λk,1+μkα11hk,r+ρk,1]。此子公式 可完全采用公式《1.3.3》的解法进行求解。[0180](6.3.3)各子公式求解后，需求解公式《1.3》的对偶问题，对偶问题为：[0181][0182]其中约束为由于slater条件满足，公式《1.4》最优值与公式《1.3》最优值相 同。可采用次梯度法对公式《1.4》进行求解，优化对偶变量，针对对偶变量λk,0、λk,1、 μk、ο0、ο1、ρk,0、ρk,1以及υk，一个可行的次梯度向量如下：为k∈ωk；主用户的干扰约束为ik,m≤ith,m,k∈ωk,m∈ωm，ith,m为第m个主用户的干扰容限；次用户的发送时间长度约束为k∈ωk；次用 户的算力与发送功率约束为fk≥0,fk≤fk,max,pk≥0,pk≤pk,max,k∈ωk；次用户的最小平 均计算比特数约束为rk≥qk,k∈ωk。[0200]步骤e：与多次用户单主用户场景相似，利用变量替换、dinkelbach算法、拉格 朗日对偶分解算法以及次梯度算法对公式《2.1》进行求解，获取最优参数。[0201](5.1)引入变量uk与同时利用dinkelbach算法，目标函数变为其中[0202](5.2)给定后，公式《2.1》变为：[0203][0204]其中约束k∈ωk变成了k∈ωk，约束 pkhk,mβk≤ith,m,k∈ωk,m∈ωm变成了k∈ω,r∈ωr，约束fk≥0,fk≤fk,max, pk≥0,pk≤pk,max,k∈ωk变成了fk≥0,fk≤fk,max,uk≥0,uk≤pk,maxβk,k∈ωk，约束 rk≥qk,k∈ωk变成了k∈ωk。[0205](5.3)公式《2.2》为凸问题，求解过程与公式《1.2》相似，可直接采用公式《1.2》 的拉格朗日对偶法进行求解，寻找最优优化变量 [0206]步骤f：系统根据最优优化变量选取工作参数，使得系统性能最优。[0207]下面结合仿真实验对本发明的效果进一步说明：[0208]a.仿真条件[0209]使用计算机仿真软件进行模拟，除非特别指定，本发明采用的信道功率增益设置 情况如下：hx,y＝|ux,y|2,x∈ωk,y∈{c,r}∪ωr，其中l0＝-30db，dx,y为x与y的距离，αx,y为信道衰减指数。除非特别说明，本节所采用的仿真参数如下： m＝1时，dk,r＝6m，k∈ωk，αk,c＝α＝3,k∈ωk，αk,r＝3,k∈ωk，qk＝104bits， k∈ωk。m＞1时，不失一般性，本节假设多个主用户相聚在一个密集区域，具有相 同的位置，即dk,z＝6m,k∈ωk,z∈{r}∪ωr，qk＝103bits，k∈ωk，αk,c＝α＝3, k∈ωk，αk,r＝3,k∈ωk，m＝5。其余仿真参数汇总见表1。[0210]表1仿真参数[0211][0212]b.仿真内容[0213]仿真1：本发明采用的dinkelbach算法收敛性能曲线，仿真结果如图4所示；[0214]仿真2：多次用户单主用户场景下信道衰减指数α与次用户的最小计算比特数qk对ee的影响，仿真结果如图5所示；[0215]仿真3：多次用户多主用户场景下主用户数m与次用户的最小计算比特数qk对 任务计算效率的影响，仿真结果如图6所示；[0216]仿真4：多次用户多主用户场景下时隙长度t与信道衰减指数α对任务计算效率 的影响，仿真结果如图7所示；[0217]c.仿真结果[0218]由图4可见，本发明采用的dinkelbach算法具备优良的收敛性能，能在较少的迭 代次数之内达到收敛，使得算法复杂度较低。且由图3还可看出主用户数与算法收敛 速度之间并无直接关系。[0219]由图5可见，信道衰减指数α越大，次用户与认知小基站之间的链路质量越差， 为了满足最低的计算任务量需求，次用户需要花费更多的能量，从而导致任务计算效 率的降低。同样，最小计算比特数qk越大，次用户需要耗费更多的能量以提升计算 任务量，使得任务计算效率降低。[0220]由图6可见，主用户数m越大，主用户对各次用户的干扰越大，同时，主用户 数量越多，次用户需要满足的主用户干扰功率约束个数越多，对次用户的ee的影响 越大。与单主用户场景相似，最小计算比特数qk增大，各次用户需要消耗更多的能 量，从而导致任务计算效率下降。[0221]由图7可见，时隙长度t越长，各次用户可使用的计算与任务卸载的时间长度越 长。次用户能耗与计算任务量之间为非线性关系，其cpu频率与卸载功率降低最终 可使任务计算效率降低。在多主用户场景中信道衰减指数α的增加导致各次用户与认 知小基站之间信道质量下降，导致任务计算效率降低。[0222]上述仿真分析证明了本发明所提方法的正确性与有效性。[0223]本发明未详细说明部分属于本领域技术人员公知常识。[0224]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，显然对于本领域 的专业人员来说，在了解了本技术实现要素：和原理后，都可能在不背离本发明原理、结构 的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和 改变仍在本发明的权利要求保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!