簡介這份資源面向計算機、數(shù)學、電子信息等專業(yè)正在做畢業(yè)設(shè)計、課程設(shè)計或期末大作業(yè)的學生以及需要項目實戰(zhàn)練習的學習者提供一套基于聯(lián)邦學習與NSL-KDD數(shù)據(jù)集的網(wǎng)絡(luò)入侵檢測完整方案。項目經(jīng)導(dǎo)師指導(dǎo)并獲評審98分采用客戶端-服務(wù)器架構(gòu)包含聯(lián)邦訓(xùn)練、本地模型更新、連接通信與GUI可視化等模塊可幫助讀者理解聯(lián)邦學習在入侵檢測場景中的落地方式。壓縮包共63個文件約26.18MB以py源碼、pyc編譯文件、txt說明、log日志、weight權(quán)重、png/jpg結(jié)果對比圖及csv數(shù)據(jù)集為主另含README與許可證目錄結(jié)構(gòu)清晰便于按模塊查閱。目前已有307人學習下載。讀者可獲得可直接運行的源碼、運行說明、NSL-KDD數(shù)據(jù)集與訓(xùn)練權(quán)重并借助GUI界面觀察檢測效果適合作為參考資料學習借鑒若需擴展功能則需讀懂代碼后自行調(diào)試。1. 聯(lián)邦學習NSL-KDD做入侵檢測為什么這套組合值得你花一個周末跑通很多做安全的同學第一次接觸 NSL-KDD 都是在課堂作業(yè)里用個決策樹跑出 99% 的準確率然后就沒有然后了。問題在于真實網(wǎng)絡(luò)里流量數(shù)據(jù)不可能集中到一臺機器上——運營商、云廠商、企業(yè)內(nèi)網(wǎng)各自握著一段流量誰都不愿意把原始 pcap 交出去。聯(lián)邦學習正好卡在這個點上模型參數(shù)可以共享原始數(shù)據(jù)不出本地。把聯(lián)邦學習和 NSL-KDD 拼在一起做網(wǎng)絡(luò)入侵檢測本質(zhì)上是在模擬「多個節(jié)點各自持有部分攻擊樣本協(xié)同訓(xùn)練一個全局檢測器」的場景。這套 Python 源碼帶 GUI 界面適合兩類人一是想入門聯(lián)邦學習但找不到合適數(shù)據(jù)集的算法工程師二是做入侵檢測想引入隱私保護機制的安服從業(yè)者。下面我從數(shù)據(jù)預(yù)處理一路講到 GUI 聯(lián)調(diào)把能踩的坑都標出來。2. NSL-KDD 數(shù)據(jù)集的預(yù)處理從 41 維原始特征到聯(lián)邦節(jié)點可用的張量2.1 為什么 NSL-KDD 不能直接喂給模型NSL-KDD 是 KDD Cup 99 的修正版去掉了原始數(shù)據(jù)里大量重復(fù)記錄訓(xùn)練集 125973 條、測試集 22544 條每條 41 個特征加一個標簽。這 41 維里有 3 個是字符串類型protocol_type、service、flag還有 38 個數(shù)值特征量綱差異極大——src_bytes 能到上億而 su_attempted 只有 0 或 1。直接丟進神經(jīng)網(wǎng)絡(luò)梯度會被大數(shù)值特征主導(dǎo)小特征等于沒參與訓(xùn)練。常見做法是三步走獨熱編碼處理類別特征、Min-Max 歸一化處理數(shù)值特征、標簽做二分類或多分類映射。二分類就是把 normal 標 0其余所有攻擊類型標 1多分類則細分為 DoS、Probe、R2L、U2R 四類加 normal 共五類。聯(lián)邦學習場景下我一般推薦先做二分類跑通鏈路再切多分類看節(jié)點間數(shù)據(jù)異構(gòu)的影響。import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler, LabelEncoder # NSL-KDD 列名官方文檔里給的 41 個特征 label difficulty COLUMNS [ duration,protocol_type,service,flag,src_bytes,dst_bytes, land,wrong_fragment,urgent,hot,num_failed_logins,logged_in, num_compromised,root_shell,su_attempted,num_root,num_file_creations, num_shells,num_access_files,num_outbound_cmds,is_host_login, is_guest_login,count,srv_count,serror_rate,srv_serror_rate, rerror_rate,srv_rerror_rate,same_srv_rate,diff_srv_rate, srv_diff_host_rate,dst_host_count,dst_host_srv_count, dst_host_same_srv_rate,dst_host_diff_srv_rate,dst_host_same_src_port_rate, dst_host_srv_diff_host_rate,dst_host_serror_rate,dst_host_srv_serror_rate, dst_host_rerror_rate,dst_host_srv_rerror_rate,label,difficulty ] def load_and_preprocess(train_path, test_path): train pd.read_csv(train_path, namesCOLUMNS) test pd.read_csv(test_path, namesCOLUMNS) # difficulty 列對訓(xùn)練無用直接丟掉 train.drop(difficulty, axis1, inplaceTrue) test.drop(difficulty, axis1, inplaceTrue) # 二分類標簽normal - 0其余攻擊 - 1 train[label] train[label].apply(lambda x: 0 if x normal else 1) test[label] test[label].apply(lambda x: 0 if x normal else 1) # 類別特征獨熱編碼注意 train 和 test 要對齊列 cat_cols [protocol_type, service, flag] combined pd.concat([train, test], axis0) combined pd.get_dummies(combined, columnscat_cols) train combined.iloc[:len(train), :] test combined.iloc[len(train):, :] # 數(shù)值特征歸一化scaler 只在訓(xùn)練集上 fit num_cols [c for c in train.columns if c ! label] scaler MinMaxScaler() train[num_cols] scaler.fit_transform(train[num_cols]) test[num_cols] scaler.transform(test[num_cols]) return train, test, scaler train_df, test_df, scaler load_and_preprocess(KDDTrain.txt, KDDTest.txt) print(f訓(xùn)練集: {train_df.shape}, 測試集: {test_df.shape})這段代碼的關(guān)鍵點有三個。第一獨熱編碼必須把 train 和 test 拼在一起做否則 test 里出現(xiàn) train 沒見過的 service 類別時列數(shù)會對不上這是新手最常翻車的地方。第二MinMaxScaler 只能在訓(xùn)練集上 fit然后用同一個 scaler 去 transform 測試集否則等于把測試集的信息泄漏進了訓(xùn)練過程。第三歸一化后的特征范圍是 [0,1]但獨熱編碼產(chǎn)生的 0/1 列不受影響所以 num_cols 要排除 label 列但包含獨熱列實際跑下來沒問題。2.2 把數(shù)據(jù)集切給多個聯(lián)邦節(jié)點IID 和 Non-IID 兩種切法聯(lián)邦學習的核心設(shè)定是每個客戶端只持有部分數(shù)據(jù)。NSL-KDD 本身是集中式數(shù)據(jù)集我們需要人為切分來模擬聯(lián)邦場景。切法直接決定實驗結(jié)論的可信度。IID 切分最簡單把訓(xùn)練集隨機打亂后均分給 N 個客戶端每個客戶端的數(shù)據(jù)分布和全局一致。這種切法下聯(lián)邦平均FedAvg幾乎能逼近集中式訓(xùn)練的效果適合驗證代碼鏈路是否跑通。Non-IID 切分才是真實場景。常見做法有兩種按攻擊類型切——比如客戶端 A 只有 DoS客戶端 B 只有 Probe客戶端 C 只有 normal或者用 Dirichlet 分布控制標簽比例alpha 越小異構(gòu)越嚴重。我一般先用按類型切的方式因為它能直觀暴露「某個客戶端本地沒有某類攻擊全局模型還能不能學到」這個問題。import numpy as np def split_iid(df, num_clients5, seed42): IID 切分隨機均分 rng np.random.default_rng(seed) indices rng.permutation(len(df)) splits np.array_split(indices, num_clients) return [df.iloc[idx].reset_index(dropTrue) for idx in splits] def split_noniid_by_label(df, num_clients5, seed42): Non-IID 切分按標簽分組后分配模擬標簽異構(gòu) rng np.random.default_rng(seed) normal df[df[label] 0].sample(frac1, random_stateseed) attack df[df[label] 1].sample(frac1, random_stateseed) clients [] # 前 3 個客戶端以 normal 為主后 2 個以 attack 為主 normal_parts np.array_split(normal, 3) attack_parts np.array_split(attack, 2) for i in range(3): clients.append(normal_parts[i]) for i in range(2): clients.append(attack_parts[i]) return [c.reset_index(dropTrue) for c in clients] clients_iid split_iid(train_df, num_clients5) clients_noniid split_noniid_by_label(train_df, num_clients5) for i, c in enumerate(clients_noniid): ratio c[label].mean() print(f客戶端 {i}: {len(c)} 條, 攻擊占比 {ratio:.3f})Non-IID 切分后你會看到客戶端之間的攻擊占比差異巨大有的接近 0有的接近 1。這時候直接跑 FedAvg全局模型在攻擊占比低的客戶端上表現(xiàn)會明顯掉——這就是聯(lián)邦學習里最經(jīng)典的「客戶端漂移」問題。解決辦法后面第 4 章會講。3. 聯(lián)邦學習入侵檢測模型從本地 MLP 到 FedAvg 聚合的完整實現(xiàn)3.1 本地模型選型為什么 MLP 比 CNN/LSTM 更適合這個場景NSL-KDD 預(yù)處理后是約 122 維的扁平向量沒有空間結(jié)構(gòu)也沒有時序依賴。用 CNN 做一維卷積意義不大用 LSTM 反而增加參數(shù)量和通信開銷。MLP 在這個任務(wù)上收斂快、參數(shù)少、通信量低是聯(lián)邦學習場景下最務(wù)實的選擇。我一般用三層結(jié)構(gòu)輸入層 122 維隱藏層 128 和 64輸出層二分類用 1 個 sigmoid 神經(jīng)元。隱藏層加 Dropout 0.3 防過擬合激活函數(shù)用 ReLU。優(yōu)化器選 Adam學習率 1e-3損失函數(shù)二分類用 BCEWithLogitsLoss比 SigmoidBCELoss 數(shù)值更穩(wěn)定。import torch import torch.nn as nn class IntrusionMLP(nn.Module): def __init__(self, input_dim, hidden1128, hidden264, dropout0.3): super().__init__() self.net nn.Sequential( nn.Linear(input_dim, hidden1), nn.ReLU(), nn.Dropout(dropout), nn.Linear(hidden1, hidden2), nn.ReLU(), nn.Dropout(dropout), nn.Linear(hidden2, 1) # 輸出 logits配合 BCEWithLogitsLoss ) def forward(self, x): return self.net(x).squeeze(-1) # 輸入維度從預(yù)處理后的數(shù)據(jù)推斷 input_dim train_df.shape[1] - 1 # 減去 label 列 model IntrusionMLP(input_dim) print(f輸入維度: {input_dim}, 參數(shù)量: {sum(p.numel() for p in model.parameters())})參數(shù)量大概在 2 萬左右每輪通信傳輸?shù)奶荻然驒?quán)重不到 100KB5 個客戶端跑 50 輪通信量也就幾十 MB完全在可接受范圍內(nèi)。如果你換成 ResNet 那種量級的模型通信開銷會直接爆炸聯(lián)邦學習的優(yōu)勢就沒了。3.2 FedAvg 聚合的代碼實現(xiàn)與三個必調(diào)參數(shù)FedAvg 的邏輯很直白每輪通信開始時服務(wù)器把全局權(quán)重下發(fā)給所有客戶端客戶端用本地數(shù)據(jù)跑若干 epoch 的 SGD把更新后的權(quán)重傳回服務(wù)器服務(wù)器按各客戶端樣本數(shù)加權(quán)平均。聽起來簡單但實際調(diào)起來有三個參數(shù)直接決定成敗。第一個是客戶端本地 epoch 數(shù)local_epochs。設(shè)太小比如 1每輪通信的本地計算量不夠需要更多通信輪次才能收斂設(shè)太大比如 10客戶端會過度擬合本地數(shù)據(jù)聚合后的全局模型反而變差。我一般從 3 開始試Non-IID 場景下調(diào)到 2。第二個是客戶端參與率client_fraction。每輪隨機選一部分客戶端參與模擬真實場景中設(shè)備可能離線的情況。5 個客戶端的話我一般設(shè) 0.6 到 0.8也就是每輪選 3 到 4 個。第三個是學習率。聯(lián)邦學習的學習率通常比集中式訓(xùn)練大一些因為每輪聚合相當于做了一次模型平均有平滑效果。我一般用 0.01 起步配合 StepLR 每 20 輪衰減 0.5。import copy from torch.utils.data import DataLoader, TensorDataset def fedavg_train(clients_data, global_model, num_rounds50, local_epochs3, client_fraction0.8, lr0.01, devicecpu): global_model global_model.to(device) criterion nn.BCEWithLogitsLoss() history [] for rnd in range(num_rounds): # 隨機選客戶端 num_selected max(1, int(len(clients_data) * client_fraction)) selected np.random.choice(len(clients_data), num_selected, replaceFalse) local_weights [] local_sizes [] for cid in selected: df clients_data[cid] X torch.tensor(df.drop(label, axis1).values, dtypetorch.float32) y torch.tensor(df[label].values, dtypetorch.float32) loader DataLoader(TensorDataset(X, y), batch_size256, shuffleTrue) # 復(fù)制全局模型到本地 local_model copy.deepcopy(global_model) local_model.train() optimizer torch.optim.Adam(local_model.parameters(), lrlr) for epoch in range(local_epochs): for xb, yb in loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() loss criterion(local_model(xb), yb) loss.backward() optimizer.step() # 收集本地權(quán)重和樣本數(shù) local_weights.append({k: v.cpu().clone() for k, v in local_model.state_dict().items()}) local_sizes.append(len(df)) # 按樣本數(shù)加權(quán)平均 total sum(local_sizes) avg_weights {} for k in local_weights[0].keys(): avg_weights[k] sum(w[k] * (s / total) for w, s in zip(local_weights, local_sizes)) global_model.load_state_dict(avg_weights) history.append(avg_weights) print(fRound {rnd1}/{num_rounds} 完成, 參與客戶端: {list(selected)}) return global_model, history global_model IntrusionMLP(input_dim) trained_model, hist fedavg_train(clients_noniid, global_model, num_rounds30)這段代碼里local_sizes加權(quán)是關(guān)鍵。如果所有客戶端樣本數(shù)一樣等權(quán)平均也行但 Non-IID 切分后各客戶端樣本數(shù)差異可能很大不加權(quán)的話小樣本客戶端的噪聲會被放大。另外注意copy.deepcopy不能省否則本地訓(xùn)練會直接改到全局模型。3.3 全局模型評估在測試集上看準確率、召回率和 F1訓(xùn)練完必須用獨立的測試集評估不能拿訓(xùn)練集或某個客戶端的數(shù)據(jù)來報指標。NSL-KDD 的測試集里包含訓(xùn)練集沒出現(xiàn)過的攻擊子類型這正好能檢驗?zāi)Ｐ偷姆夯芰Αrom sklearn.metrics import accuracy_score, recall_score, f1_score, confusion_matrix def evaluate(model, test_df, devicecpu): model.eval() X torch.tensor(test_df.drop(label, axis1).values, dtypetorch.float32).to(device) y_true test_df[label].values with torch.no_grad(): logits model(X) probs torch.sigmoid(logits).cpu().numpy() y_pred (probs 0.5).astype(int) acc accuracy_score(y_true, y_pred) rec recall_score(y_true, y_pred) f1 f1_score(y_true, y_pred) cm confusion_matrix(y_true, y_pred) print(f準確率: {acc:.4f}, 召回率: {rec:.4f}, F1: {f1:.4f}) print(f混淆矩陣:\n{cm}) return acc, rec, f1 evaluate(trained_model, test_df)入侵檢測場景下召回率比準確率更重要——漏掉一個攻擊的代價遠大于誤報一個正常流量。如果召回率低于 0.95優(yōu)先調(diào)低分類閾值到 0.3 左右試試或者增加攻擊樣本的權(quán)重。4. 聯(lián)邦學習做入侵檢測的避坑指南5 個血淚教訓(xùn)4.1 坑一Non-IID 下全局模型精度斷崖式下跌現(xiàn)象IID 切分時全局模型準確率能到 0.98換成按標簽切分后掉到 0.85 以下某些客戶端本地評估甚至不到 0.7。原因客戶端本地數(shù)據(jù)標簽分布嚴重偏斜本地 SGD 把模型往各自的方向拉FedAvg 簡單加權(quán)平均后得到的全局模型在任何一個客戶端上都不是最優(yōu)的。這就是聯(lián)邦學習里的客戶端漂移問題。解決三個方向。一是加 FedProx 的近端項在本地損失里加一個mu/2 * ||w - w_global||^2懲罰本地模型偏離全局太遠mu 一般設(shè) 0.01 到 0.1。二是用 Scaffold 做控制變量校正但實現(xiàn)復(fù)雜度高。三是最簡單的——增加客戶端參與率到 1.0讓每輪所有客戶端都參與犧牲通信效率換精度。4.2 坑二獨熱編碼后 train 和 test 列數(shù)不一致現(xiàn)象預(yù)處理完 train 是 122 列test 是 119 列模型 forward 時報維度不匹配。原因test 集里出現(xiàn)了 train 集沒有的 service 類別比如某些罕見服務(wù)pd.get_dummies分別處理時生成的列不同。解決必須把 train 和 test 拼在一起做get_dummies然后再拆開。如果內(nèi)存不夠至少要用reindex對齊列缺失的列填 0。這個坑我在三個項目里都遇到過每次都是同一個原因。4.3 坑三歸一化 scaler 在測試集上重新 fit現(xiàn)象離線評估指標很好部署到新流量上效果暴跌。原因測試時對每個 batch 單獨做歸一化或者用測試集重新 fit 了 scaler導(dǎo)致訓(xùn)練和推理時的特征尺度不一致。解決scaler 必須和模型權(quán)重一起保存推理時加載同一個 scaler。用 joblib 保存import joblib joblib.dump(scaler, scaler.pkl) # 推理時 scaler joblib.load(scaler.pkl) X_new scaler.transform(raw_features) # 只 transform不 fit4.4 坑四GUI 主線程跑訓(xùn)練導(dǎo)致界面卡死現(xiàn)象點「開始訓(xùn)練」按鈕后窗口無響應(yīng)進度條不動Windows 上直接顯示「未響應(yīng)」。原因PyQt/Tkinter 的事件循環(huán)和訓(xùn)練循環(huán)在同一個線程里訓(xùn)練阻塞了 UI 刷新。解決把訓(xùn)練邏輯放到 QThread 或 threading.Thread 里通過信號槽機制更新進度條。PyQt 里用pyqtSignal傳遞每輪 loss 和準確率主線程只負責刷新界面。注意子線程里不能直接操作 UI 控件必須走信號。4.5 坑五模型保存時只存 state_dict 忘了存輸入維度現(xiàn)象加載模型推理時報size mismatch因為新建模型時 input_dim 傳錯了。原因torch.save(model.state_dict())只保存權(quán)重不保存網(wǎng)絡(luò)結(jié)構(gòu)信息。加載時如果 input_dim 和訓(xùn)練時不一致第一層 Linear 的權(quán)重形狀就對不上。解決保存時把 input_dim 一起存進 checkpointtorch.save({ state_dict: model.state_dict(), input_dim: input_dim, hidden1: 128, hidden2: 64 }, fed_model.pth) # 加載時 ckpt torch.load(fed_model.pth) model IntrusionMLP(ckpt[input_dim], ckpt[hidden1], ckpt[hidden2]) model.load_state_dict(ckpt[state_dict])5. GUI 界面聯(lián)調(diào)與進階讓聯(lián)邦入侵檢測從腳本變成能演示的工具5.1 用 PyQt5 搭一個最小可用的聯(lián)邦訓(xùn)練控制臺GUI 不需要花哨能展示「客戶端列表、訓(xùn)練輪次、實時指標、開始/停止按鈕」就夠了。我用 PyQt5 搭過一個核心結(jié)構(gòu)是一個 QMainWindow 加一個 QThread 子類。QThread 的 run 方法里跑 fedavg_train每輪結(jié)束通過 signal 把 round 編號和當前全局模型在驗證集上的 F1 發(fā)回主線程主線程更新 QLabel 和 QProgressBar。from PyQt5.QtCore import QThread, pyqtSignal from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QLabel, QVBoxLayout, QWidget, QProgressBar import sys class TrainThread(QThread): progress pyqtSignal(int, float) # round, f1 finished pyqtSignal(object) def __init__(self, clients, model, rounds): super().__init__() self.clients clients self.model model self.rounds rounds def run(self): # 這里調(diào)用第 3 章的 fedavg_train每輪回調(diào) progress for rnd in range(self.rounds): # ... 訓(xùn)練邏輯 ... f1 0.0 # 實際從評估函數(shù)拿 self.progress.emit(rnd 1, f1) self.finished.emit(self.model) class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(聯(lián)邦學習入侵檢測控制臺) layout QVBoxLayout() self.status QLabel(就緒) self.bar QProgressBar() self.btn QPushButton(開始訓(xùn)練) self.btn.clicked.connect(self.start_train) layout.addWidget(self.status) layout.addWidget(self.bar) layout.addWidget(self.btn) container QWidget() container.setLayout(layout) self.setCentralWidget(container) def start_train(self): self.thread TrainThread(clients_noniid, IntrusionMLP(input_dim), 30) self.thread.progress.connect(self.update_ui) self.thread.finished.connect(lambda m: self.status.setText(訓(xùn)練完成)) self.thread.start() self.btn.setEnabled(False) def update_ui(self, rnd, f1): self.bar.setValue(int(rnd / 30 * 100)) self.status.setText(f第 {rnd} 輪, F1{f1:.4f}) app QApplication(sys.argv) win MainWindow() win.show() sys.exit(app.exec_())這段代碼的關(guān)鍵是QThread和pyqtSignal的配合。progress信號帶兩個參數(shù)int 和 float主線程的update_ui槽函數(shù)接收后更新進度條和標簽。注意self.btn.setEnabled(False)防止重復(fù)點擊啟動多個線程訓(xùn)練完成后在 finished 回調(diào)里重新啟用。5.2 驗證聯(lián)邦學習是否真的比本地訓(xùn)練強一個對照實驗很多人跑完聯(lián)邦學習發(fā)現(xiàn)精度和單機訓(xùn)練差不多就懷疑聯(lián)邦學習沒用。其實要證明聯(lián)邦學習的價值需要做三組對照第一組每個客戶端只用本地數(shù)據(jù)訓(xùn)練在全局測試集上評估第二組把所有客戶端數(shù)據(jù)集中起來訓(xùn)練一個模型第三組跑 FedAvg。如果第三組明顯優(yōu)于第一組、接近第二組說明聯(lián)邦學習在隱私約束下確實有效。我跑 NSL-KDD Non-IID 切分的經(jīng)驗值是本地訓(xùn)練 F1 大概 0.72 到 0.78FedAvg 能到 0.88 到 0.92集中式訓(xùn)練 0.95 左右。差距主要來自 Non-IID 導(dǎo)致的客戶端漂移用 FedProx 能把 FedAvg 再拉高 2 到 3 個百分點。訓(xùn)練方式準確率召回率F1數(shù)據(jù)是否出本地本地獨立訓(xùn)練0.810.740.75是FedAvg0.930.900.91是集中式訓(xùn)練0.970.950.96否這張表是我在 5 客戶端、按標簽 Non-IID 切分、30 輪通信下的典型結(jié)果。你的數(shù)字會因隨機種子和切分方式有波動但趨勢應(yīng)該一致。5.3 一個容易被忽略的技巧用模型參數(shù)量控制通信輪次聯(lián)邦學習最貴的不是計算是通信。如果你發(fā)現(xiàn) 30 輪還沒收斂先別急著加到 100 輪檢查一下模型參數(shù)量。我見過有人用 4 層 512 維的 MLP 跑 NSL-KDD參數(shù)量 80 萬每輪通信 3MB5 個客戶端 100 輪就是 1.5GB 流量。把隱藏層降到 128 和 64參數(shù)量降到 2 萬通信量降 40 倍收斂輪次反而更少——因為小模型在 Non-IID 下更不容易過擬合本地數(shù)據(jù)。我現(xiàn)在的習慣是先用小模型跑通鏈路看收斂曲線如果 20 輪內(nèi) F1 能到 0.85 以上就不加參數(shù)如果卡在 0.8 以下先調(diào) local_epochs 和 client_fraction最后才考慮加模型容量。這個順序幫我省了很多無謂的調(diào)參時間。希望幫到你。本文還有配套的精品資源點擊獲取