短流量实时性优化方法、系统、网络传输终端.pdf

《短流量实时性优化方法、系统、网络传输终端.pdf》由会员分享，可在线阅读，更多相关《短流量实时性优化方法、系统、网络传输终端.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010202795.X (22)申请日 2020.03.20 (71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路2号西 安电子科技大学 (72)发明人 沈玉龙赵迪张志为何昶辉 王博祝幸辉崔志浩何怡 (74)专利代理机构 西安长和专利代理有限公司 61227 代理人 黄伟洪 (51)Int.Cl. H04L 12/24(2006.01) H04L 12/805(2013.01) H04L 12/825(2013.01) H04L 12/865(2013。

2、.01) (54)发明名称 一种短流量实时性优化方法、 系统、 网络传 输终端 (57)摘要 本发明属于云数据中心网络传输流量调度 技术领域， 公开了一种短流量实时性优化方法、 系统、 网络传输终端， 构建数据中心短流量实时 性优化方法的强化学习架构； 数据中心网络流量 特征获取， 用于监测数据中心内流量特征， 并生 成流量大小分布； 多级队列降级阈值初始化， 根 据数据中心内部流量大小分布特征计算多级队 列降级阈值； 阈值动态调整， 用于细粒度动态调 节阈值大小以适应数据中心流量大小变化， 实现 数据包划分优先级传输。 本发明实现了基于强化 学习的阈值自适应匹配流量大小并进行传输， 降 低交。

3、互实时型短流量传输延迟， 改善高带宽需求 的长流量在队列中的滞后传输， 提高网络传输实 时性。 权利要求书2页 说明书6页 附图5页 CN 111526036 A 2020.08.11 CN 111526036 A 1.一种短流量实时性优化方法， 其特征在于， 所述短流量实时性优化方法包括： 步骤一， 构建数据中心短流量实时性优化方法的强化学习架构； 步骤二， 数据中心网络流量特征获取， 用于监测数据中心内流量特征， 并生成流量大小 分布； 步骤三， 多级队列降级阈值初始化， 根据数据中心内部流量大小分布特征计算多级队 列降级阈值； 步骤四， 阈值动态调整， 用于细粒度动态调节阈值大小以适应数。

4、据中心流量大小变化， 实现数据包划分优先级传输。 2.如权利要求1所述的短流量实时性优化方法， 其特征在于， 所述架构包括： (1)状态： 建立状态空间S， 每个状态代表时间步t时第i队列的阈值， 基于多级优先 队列的流量调度方法中的初始阈值定义为初始状态， 利用动作将阈值进行简单调整， 状态 空间表示为： S(thres1,thres2,thresM)； 其中qj为第j个队列， j1,2,M； (2)动作空间： 表示根据链路需求选择相应阈值行为， 动作表示如下： A(inc_thres1,dec_thres1,inc_thres2,dec_thres2,inc_thresn,dec_thre。

5、sn)； (3)奖励： 用于评估阈值训练过程中机器执行动作的好坏， 此处将两轮迭代的短流量平 均完成时间的比值作为强化学习模型奖励， 奖励函数表示为： 3.如权利要求2所述的短流量实时性优化方法， 其特征在于， 当短流量大小大于阈值 时， 适当增加阈值， 让短流量在较高优先级队列中优先传输； 当短流量大小远小于阈值时， 适当减小阈值， 让长流量在较低优先级队列中传输。 4.如权利要求1所述的短流量实时性优化方法， 其特征在于， 所述流量特征获取包括： 根据流量大小分布产生带宽需求， 指定数据包的源IP地址与目的IP地址， 将不同流量发送 至服务端， 在服务端收集所有流量传输完成时间、 发送速率。

6、流量特征信息， 并反馈回客户端 程序显示。 5.如权利要求1所述的短流量实时性优化方法， 其特征在于， 所述多级队列降级阈值初 始化模块包含： 利用网络负载与流量大小分布计算多级队列降级初始阈值， 计算公式为： 其中M个优先级队列Qi(1iM)， 其中最高级队列为Q1， 从j-1到j的降级阈值为 j-1(2 jM)， 由00， M， 可知最大的流量在第M个队列中， 每个从i1到N的流量大小为 xi， 定义流量大小分布的累积密度函数为F(x)(F(x)x)， 定义 j为阈值区间 j-1, j)流量 大小概率， 即 jF( j)-F( j-1)， 在两级队列中， 流量完成时间与阈值关系式为： 权利。

7、要求书 1/2 页 2 CN 111526036 A 2 6.如权利要求1所述的短流量实时性优化方法， 其特征在于， 所述阈值动态调整包括以 下步骤： 第一步， 初始化状态-动作Q函数值表中的所有函数值， 给定初始状态阈值大小， 将状 态-动作Q函数值的全部初始值定义为0； 第二步， 针对多个队列阈值优化模型的初始状态s(thres)， 在Q函数值表中进行查询； 第三步， 智能体执行动作阈值变化量thres， 调节阈值状态为s (thres )， 并将最 新阈值发送给PIAS模块， 根据新的阈值得到流量完成时间， 并计算状态-动作值(s, thres)的奖励r； 第四步， 检查算法执行迭代的步。

8、数是否全部完成； 第五步， 由于Q函数值表中不存在此次迭代状态值， 根据动作选择策略 在动作空间A中 选择动作thres， 转至算法步骤三。 7.如权利要求6所述的短流量实时性优化方法， 其特征在于， 所述第二步， 针对多个队 列阈值优化模型的初始状态s(thres)， 在Q函数值表中进行查询， 若状态存在， 根据动作选 择策略， 选择动作thres作为当前模型状态s下的阈值变化量； 若状态不存在， 则跳到第五 步。 8.如权利要求1所述的短流量实时性优化方法， 其特征在于， 所述第四步检查算法执行 迭代的步数是否全部完成； 若没有完成， 算法将新的阈值状态s (thres )作为下一步的 初。

9、始状态， 返回步骤一执行直至步骤四； 若全部完成， 本轮学习结束。 9.一种实施权利要求18任意一项所述短流量实时性优化方法的短流量实时性优化 系统， 其特征在于， 所述短流量实时性优化系统包括： 架构构建模块， 用于构建短流量实时性优化方法架构； 流量大小分布生成模块， 用于监测数据中心内流量特征， 并生成流量大小分布； 多级队列降级阈值计算模块， 用于实现多级队列降级阈值初始化， 根据数据中心内部 流量大小分布特征计算多级队列降级阈值； 阈值动态调整模块， 用于细粒度动态调节阈值大小以适应数据中心流量大小变化， 实 现数据包划分优先级传输。 10.一种网络传输终端， 其特征在于， 所述网络。

10、传输终端搭载权利要求9所述短流量实 时性优化系统。 权利要求书 2/2 页 3 CN 111526036 A 3 一种短流量实时性优化方法、 系统、 网络传输终端 技术领域 0001 本发明属于云数据中心网络传输流量调度技术领域， 尤其涉及一种短流量 实时 性优化方法、 系统、 网络传输终端。 背景技术 0002 目前， 数据中心网络流量传输优化是云环境数据中心的核心研究问题之一， 是产 业界与学术界关注与研究的热点， 由于目前数据中心内部的网络流量的差 异化和动态变 化特性， 使数据中心网络流量传输性能优化成为极具挑战的问题。 网络流量传输的研究一 直以追求降低流量完成时间， 改善传输实时性。

11、为目标， 如网页搜索、 社交网络与服务推荐 等云应用均以短流量形式存在于数据中心中， 这些短类型流量对传输实时性具有较高的 要求， 是用户体验的保证。 为了降低 流量传输延迟， 改善用户体验， 国内外针对数据中心网 络流量传输控制进行了 大量的研究， 研究方向可分为网络传输协议优化、 流量优先级划分 传输方法等。 一方面， 网络传输协议优化方法一般采用流量控制方法， 降低流量传输速率， 但不针对流量差异化需求进行网络隔离操作， 因此， 网络传输协议优化方法不 能够改善交 互实时性应用的传输延迟。 0003 其中， 文章 “Datacentertcp(dctcp)” 使用交换机配合网络传输进行拥。

12、塞控 制， 能 够有效改善数据中心网络传输性能， 但并没有将延迟敏感型短流量与带 宽高需求长流量 进行区分传输， 不能够降低短流量延迟， 致使交换机队列中充 斥着非时延敏感的长流量数 据包， 不能有效改善云服务及应用的用户体验。 文 章 “Betterneverthanlate:Meetingdea dlinesindatacenternetworks” 利用交换机 根据流量大小和截止时间等先验知识实施流 量传输速度控制， 利用显示拥塞通 知动态的控制数据流的发包速率， 能够一定程度的降低 云数据中心交互实时性 短流量完成时间， 另一方面， 流量按照优先级传输方法将流量按照 不同类型进 行区分。

13、， 并划分优先级， 采用多队列流量调度方法， 这种流量调度机制满足流 量类型差异化需求， 并实现性能隔离， 文章 “pFabric:Minimalnear-optimal datacentertransport” 基于流量大小优先级调度的机制， 结合数据中心网络流量调 度与 速率控制方法， 利用交换机支持多队列调度的特点， 实现发送端与交换机 端细粒度流量调 度。 而文章 “Pias:Practicalinformation-agnosticflowschedulingfor commoditydatacenters” 中提出了基于多级反馈队列的流量调度方法PIAS， 根 据应用当前 流量发送。

14、的累计大小在各级队列设置传输流量降级阈值， 将长、 短 类型流量进行分类， 实 现短流量优先传输， 降低短流量传输延迟， 有效改善用 户体验， 提高短流传输实时性， 比较 容易进行部署实施。 以上的这些现有技术， 由于数据中心流量动态变化与突发性等特点， 各级队列的降级阈值与流量大小 存在不匹配问题， 以及优化周期较长， 不能够自动适应流 量变化， 当阈值大小 与流量大小不匹配时， 短流量优先传输效率低， 仍存在短流量被长流 量延迟问 题。 0004 通过上述分析， 现有技术存在的问题及缺陷为： 现有技术存在各级队列的 降级阈 值与流量大小存在不匹配问题， 以及优化周期较长， 不能够自动适应流。

15、 量变化， 当阈值大 说明书 1/6 页 4 CN 111526036 A 4 小与流量大小不匹配时， 短流量优先传输效率低， 仍存在短 流量被长流量延迟问题。 0005 解决以上问题及缺陷的难度为： 如何细粒度地调整多级队列降级阈值以适 应数 据中心流量大小动态变化， 提高短流量传输实时性有待解决。 0006 解决以上问题及缺陷的意义为： 在短流量的实时性优化方法中， 利用多级 队列降 级阈值自适应匹配数据中心动态变化的网络流量， 能够降低交互实时型 应用短流量传输 时延， 在针对大部分交互性应用的云环境中， 有效改善用户体 验。 发明内容 0007 针对现有技术存在的问题， 本发明提供了一。

16、种短流量实时性优化方法、 系 统、 网 络传输终端。 0008 本发明是这样实现的， 一种短流量实时性优化方法， 所述短流量实时性优 化方法 包括： 0009 步骤一， 构建数据中心短流量实时性优化方法的强化学习架构； 0010 步骤二， 数据中心网络流量特征获取， 用于监测数据中心内流量特征， 并 生成流 量大小分布； 0011 步骤三， 多级队列降级阈值初始化， 根据数据中心内部流量大小分布特征 计算多 级队列降级阈值； 0012 步骤四， 阈值动态调整， 用于细粒度动态调节阈值大小以适应数据中心流 量大小 变化， 实现数据包划分优先级传输。 0013 进一步， 所述架构包括： 0014(。

17、1)状态： 建立状态空间S， 每个状态代表时间步t时第i队列的阈值， 基于多级 优先队列的流量调度方法中的初始阈值定义为初始状态， 利用动作将 阈值进行简单调整， 状态空间表示为： 0015 S(thres1,thres2,thresM)； 0016 其中qj为第j个队列， j1,2,M； 0017 (2)动作空间： 表示根据链路需求选择相应阈值行为， 当短流量大小大于 阈值时， 适当增加阈值， 让短流量在较高优先级队列中优先传输； 当短流量大 小远小于阈值时， 适 当减小阈值， 让长流量在较低优先级队列中传输； 动作表 示如为： 0018 A(inc_thres1,dec_thres1,in。

18、c_thres2,dec_thres2,inc_thresn,dec_ thresn)； 0019 (3)奖励： 用于评估阈值训练过程中机器执行动作的好坏， 此处将两轮迭 代的短 流量平均完成时间的比值作为强化学习模型奖励， 奖励函数表示为： 0020 0021 进一步， 所述流量特征获取包括： 根据流量大小分布产生带宽需求， 指定 数据包 的源IP地址与目的IP地址， 将不同流量发送至服务端， 在服务端收集所 有流量传输完成时 间、 发送速率等流量特征信息， 并反馈回客户端程序显示。 0022 进一步， 所述多级队列降级阈值初始化模块包含： 利用网络负载与流量大 小分布 计算多级队列降级初始。

19、阈值， 计算公式为： 说明书 2/6 页 5 CN 111526036 A 5 0023 0024 其中M个优先级队列Qi(1iM)， 其中最高级队列为Q1， 从j-1到j的降级 阈值为 j-1(2jM)， 由 00， M， 可知最大的流量在第M个队列中。 每 个从i1到N的流量大 小为xi， 定义流量大小分布的累积密度函数为 F(x)(F(x)x)。 定义 j为阈值区间 j-1, j) 流量大小概率， 即 jF( j)-F( j-1)， 在两级队列中， 流量完成时间与阈值关系式为： 0025 0026 进一步， 所述阈值动态调整包括以下步骤： 0027 第一步， 初始化状态-动作Q函数值表中。

20、的所有函数值， 给定初始状态阈值 大小， 将状态-动作Q函数值的全部初始值定义为0； 0028 第二步， 针对多个队列阈值优化模型的初始状态s(thres)， 在Q函数值表中 进行 查询； 0029 第三步， 智能体执行动作阈值变化量thres， 调节阈值状态为s (thres )， 并 将最新阈值发送给PIAS模块， 根据新的阈值得到流量完成时间， 并计算状态- 动作值(s, thres)的奖励r； 0030 第四步， 检查算法执行迭代的步数是否全部完成； 0031 第五步， 由于Q函数值表中不存在此次迭代状态值， 根据动作选择策略 在 动作空 间A中选择动作thres， 转至算法步骤三。 。

21、0032 进一步， 所述第二步， 针对多个队列阈值优化模型的初始状态s(thres)， 在Q 函数 值表中进行查询， 若状态存在， 根据动作选择策略， 选择动作thres作为当 前模型状态s 下的阈值变化量； 若状态不存在， 则跳到第五步。 0033 进一步， 所述第四步检查算法执行迭代的步数是否全部完成； 若没有完成， 算法 将新的阈值状态s (thres )作为下一步的初始状态， 返回步骤一执行直至步骤 四； 若全 部完成， 本轮学习结束。 0034 本发明的另一目的在于提供一种接收用户输入程序存储介质， 所存储的计 算机 程序使电子设备执行权利要求任意一项所述包括下列步骤： 0035 步。

22、骤一， 构建数据中心短流量实时性优化方法的强化学习架构； 0036 步骤二， 数据中心网络流量特征获取， 用于监测数据中心内流量特征， 并 生成流 量大小分布； 0037 步骤三， 多级队列降级阈值初始化， 根据数据中心内部流量大小分布特征 计算多 级队列降级阈值； 0038 步骤四， 阈值动态调整， 用于细粒度动态调节阈值大小以适应数据中心流 量大小 变化， 实现数据包划分优先级传输。 0039 本发明的另一目的在于提供一种实施所述短流量实时性优化方法的短流量 实时 性优化系统， 所述短流量实时性优化系统包括： 说明书 3/6 页 6 CN 111526036 A 6 0040 架构构建模块。

23、， 用于构建短流量实时性优化方法架构； 0041 流量大小分布生成模块， 用于监测数据中心内流量特征， 并生成流量大小 分布； 0042 多级队列降级阈值计算模块， 用于实现多级队列降级阈值初始化， 根据数 据中心 内部流量大小分布特征计算多级队列降级阈值； 0043 数据包划分模块， 用于实现阈值动态调整， 用于细粒度动态调节阈值大小 以适应 数据中心流量大小变化， 实现数据包划分优先级传输。 0044 本发明的另一目的在于提供一种网络传输终端， 所述网络传输终端搭载所 述短 流量实时性优化系统。 0045 结合上述的所有技术方案， 本发明所具备的优点及积极效果为： 本发明为 了解决 多级队。

24、列阈值与流量大小不匹配问题， 针对数据中心流量大小与传输截 止时间等先验知 识未知的特点， 提出并设计了基于强化学习的阈值优化方法与 网络传输决策模型， 研究网 络多级反馈队列流量调度方法与技术， 实现了基于 强化学习的阈值自适应匹配流量大小 并进行传输， 降低交互实时型短流量传输 延迟， 改善高带宽需求的长流量在队列中的滞后 传输， 提高网络传输实时性。 附图说明 0046 为了更清楚地说明本申请实施例的技术方案， 下面将对本申请实施例中所 需要 使用的附图做简单的介绍， 显而易见地， 下面所描述的附图仅仅是本申请 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。

25、可以根据这些附图获得 其他的附图。 0047 图1是本发明实施例提供的短流量实时性优化方法流程图。 0048 图2是本发明实施例提供的短流量实时性优化系统的结构示意图； 0049 图中： 1、 架构构建模块； 2、 流量大小分布生成模块； 3、 多级队列降级阈 值计算模 块； 4、 数据包划分模块。 0050 图3是本发明实施例提供的短流量实时性优化方法的架构图。 0051 图4是本发明实施例提供的多级队列阈值动态调整算法流程图。 0052 图5是本发明实施例提供的实验结果折线图。 具体实施方式 0053 为了使本发明的目的、 技术方案及优点更加清楚明白， 以下结合实施例， 对本发 明进行进一。

26、步详细说明。 应当理解， 此处所描述的具体实施例仅仅用以 解释本发明， 并不 用于限定本发明。 0054 针对现有技术存在的问题， 本发明提供了一种短流量实时性优化方法、 系 统、 网 络传输终端， 下面结合附图对本发明作详细的描述。 0055 如图1所示， 本发明提供的短流量实时性优化方法包括以下步骤： 0056 S101： 构建短流量实时性优化方法架构； 0057 S102： 监测数据中心内流量特征， 并生成流量大小分布； 0058 S103： 多级队列降级阈值初始化， 根据数据中心内部流量大小分布特征计 算多级 队列降级阈值； 说明书 4/6 页 7 CN 111526036 A 7 0。

27、059 S104： 阈值动态调整， 用于细粒度动态调节阈值大小以适应数据中心流量 大小变 化， 实现数据包划分优先级传输。 0060 如图2所示， 本发明提供的短流量实时性优化系统包括： 0061 架构构建模块1， 用于构建短流量实时性优化方法架构。 0062 流量大小分布生成模块2， 用于监测数据中心内流量特征， 并生成流量大小 分布。 0063 多级队列降级阈值计算模块3， 用于实现多级队列降级阈值初始化， 根据数 据中 心内部流量大小分布特征计算多级队列降级阈值。 0064 数据包划分模块4， 用于实现阈值动态调整， 用于细粒度动态调节阈值大小 以适 应数据中心流量大小变化， 实现数据包。

28、划分优先级传输。 0065 下面结合附图对本发明的技术方案作进一步的描述。 0066 如图3和图4所示， 本发明提供的短流量实时性优化包括以下步骤： 0067 1、 构建短流量实时性优化方法架构。 0068状态： 建立状态空间S， 每个状态代表时间步t时第i队列的阈值。 由于 队列降 级阈值取值为连续的， 为了加快方法收敛， 将阈值取值离散化， 把基于 多级优先队列的流 量调度方法中的初始阈值定义为初始状态， 利用动作将阈值 进行简单调整。 状态空间表示 为： 0069 S(thres1,thres2,thresM)； 0070 其中qj为第j个队列， j1,2,M。 0071 动作空间： 表。

29、示根据链路需求选择相应阈值行为。 当短流量大小大于阈值 时， 适 当增加阈值， 让短流量在较高优先级队列中优先传输； 当短流量大小远 小于阈值时， 适当 减小阈值， 让长流量在较低优先级队列中传输。 动作表示如 为： 0072 A(inc_thres1,dec_thres1,inc_thres2,dec_thres2,inc_thresn,dec_ thresn)； 0073 奖励： 用于评估阈值训练过程中机器执行动作的好坏。 此处将两轮迭代的 短流量 平均完成时间的比值作为强化学习模型奖励。 奖励函数表示为： 0074 0075 2、 数据中心内流量特征获取， 根据流量大小分布产生带宽需求，。

30、 指定数据 包的源 IP地址与目的IP地址， 将不同流量发送至服务端， 在服务端收集所有流 量传输完成时间、 发送速率等流量特征信息， 并反馈回客户端程序显示； 0076 3、 阈值初始化， 利用网络负载与流量大小分布计算多级队列降级初始阈值， 计算 公式为： 0077 0078 其中M个优先级队列Qi(1iM)， 其中最高级队列为Q1， 从j-1到j的降级 阈值为 j-1(2jM)， 由 00， M， 可知最大的流量在第M个队列中。 每 个从i1到N的流量大 小为xi， 定义流量大小分布的累积密度函数为 F(x)(F(x)x)。 定义 j为阈值区间 j-1, j) 流量大小概率， 即 jF(。

31、 j)-F( j-1)。 例如在两级队列中， 流量完成时间与阈值关系式为： 说明书 5/6 页 8 CN 111526036 A 8 0079 0080 5、 阈值动态调整； 0081 步骤一： 初始化状态-动作Q函数值表中的所有函数值， 给定初始状态阈值 大小。 Q 值初始值可以任意选取， 为了加快算法的收敛速度， 通常根据与方法 相关的先验知识进行 赋值操作， 使其更符合多个队列阈值变化规律， 改善流量 传输实时性。 由于本发明的方法 在流量大小与截止时间等先验知识未知的条件 下执行， 这里将状态-动作Q函数值的全部 初始值定义为0。 0082 步骤二： 针对多个队列阈值优化模型的初始状态。

32、s(thres)， 在Q函数值表中 进行 查询， 若状态存在， 根据动作选择策略， 选择动作thres作为当前模型状态 s下的阈值变 化量； 若状态不存在， 则跳到步骤五。 0083 步骤三： 智能体执行动作阈值变化量thres， 调节阈值状态为s (thres )， 并 将最新阈值发送给PIAS模块， 根据新的阈值得到流量完成时间， 并计算状态- 动作值(s, thres)的奖励r。 0084 步骤四： 检查算法执行迭代的步数是否全部完成。 若没有完成， 算法将新 的阈值 状态s (thres )作为下一步的初始状态， 返回第二步执行直至第四步； 若全 部完成， 本 轮学习结束。 0085 。

33、步骤五： 由于Q函数值表中不存在此次迭代状态值， 根据动作选择策略 在 动作空 间A中选择动作thres， 转至算法第三步。 0086 下面结合实验对本发明的技术效果作详细的描述。 0087 图5为本发明实验数据， 结果表明， 本实施例的短流量实时性优化方法(RL- QTO) 能够有效降低短流量传输延迟， 改善短流量传输实时性， RL-QTO的短流 量平均完成时间比 传统的TCP传输过程和PIAS相比分别降低了60.2、 32.9。 0088 应当注意， 本发明的实施方式可以通过硬件、 软件或者软件和硬件的结合 来实 现。 硬件部分可以利用专用逻辑来实现； 软件部分可以存储在存储器中， 由适当。

34、的指令执 行系统， 例如微处理器或者专用设计硬件来执行。 本领域的普 通技术人员可以理解上述的 设备和方法可以使用计算机可执行指令和/或包含在 处理器控制代码中来实现， 也可以用 由各种类型的处理器执行的软件实现， 也 可以由上述硬件电路和软件的结合例如固件来 实现。 0089 以上所述， 仅为本发明的具体实施方式， 但本发明的保护范围并不局限于 此， 任 何熟悉本技术领域的技术人员在本发明揭露的技术范围内， 凡在本发明 的精神和原则之 内所作的任何修改、 等同替换和改进等， 都应涵盖在本发明的 保护范围之内。 说明书 6/6 页 9 CN 111526036 A 9 图1 说明书附图 1/5 页 10 CN 111526036 A 10 图2 说明书附图 2/5 页 11 CN 111526036 A 11 图3 说明书附图 3/5 页 12 CN 111526036 A 12 图4 说明书附图 4/5 页 13 CN 111526036 A 13 图5 说明书附图 5/5 页 14 CN 111526036 A 14 。