CN102289496B - 一种基于贝叶斯网络的无线认知网络知识库构建方法 - Google Patents
一种基于贝叶斯网络的无线认知网络知识库构建方法 Download PDFInfo
- Publication number
- CN102289496B CN102289496B CN 201110240839 CN201110240839A CN102289496B CN 102289496 B CN102289496 B CN 102289496B CN 201110240839 CN201110240839 CN 201110240839 CN 201110240839 A CN201110240839 A CN 201110240839A CN 102289496 B CN102289496 B CN 102289496B
- Authority
- CN
- China
- Prior art keywords
- network
- knowledge
- dependence
- parameter
- knowledge base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Abstract
一种基于贝叶斯网络的无线认知网络知识库构建方法,利用感知到的网络性能参数构建贝叶斯网络模型,从而得到参数之间的依赖关系,并将这种条件概率依赖关系转化为无线认知网络中的知识存储在知识库中指导智能决策过程。构建知识库的过程主要包括感知网络性能参数、参数离散化分析、构建贝叶斯网络模型、知识转化构建知识库。通过感知过程收集网络性能参数,并对数据进行离散化分析;通过结构学习和参数学习过程,利用历史数据构建贝叶斯网络模型;将贝叶斯网络中参数之间的条件依赖关系转化为知识,实现知识库的构建和更新。
Description
技术领域
本发明涉及无线认知网络领域,特别是基于贝叶斯网络的无线认知网络知识库构建方法。
背景技术
随着Internet技术的不断发展,传统的诸如电子邮件、文件传输以及远程登录等服务已经不能满足人们的需要。同时,随着移动智能终端设备的大量涌现,能够支持移动性应用的服务将会对网络本身产生不同的需求。这些新的需求促使网络能够根据用户的可变需求对网络结构进行重新设计,这时无线认知网络的概念被人们所提出。无线认知网络是指具有认知循环特性的网络,它能够觉察当前的网络环境,并根据这些环境进行计划、决策和执行,这样的网络能够从自适应过程中学习并利用这些知识以端到端效能为目标进行预先决策。无线认知网络是一种智能的认知系统,与非无线认知网络相比,能提供更好的端到端服务质量,能用于改善资源管理、服务质量、安全和接入控制等。
无线认知网络有两个基本特性。一是无线认知网络具有端到端的目标,这也是无线认知网络区别于其他认知技术或自适应技术最根本的特征。二是无线认知网络具有学习和自适应能力,能对“感知-规划-决策-行动”整个动态自适应过程进行学习,并将学习到的知识用于指导未来的决策。图1所示的认知环清楚地说明了无线认知网络如何通过学习来指导网络的决策和行动。无线认知网络通过不断地学习过程获得大量的实例经验并将其转化为知识存储在知识库中,由此可知,知识库是无线认知网络中非常重要的组成部分。构建无线认知网络过程的一个难点是确定感知输入和行动决策之间的关系。无线认知网络中的感知输入通常是网络性能参数,比如端到端时延、吞吐量等,这些网络性能参数可以作为感知输入反映当前网络环境状态。行动决策是无线认知网络中的决策输出具体表现为可调参数集合,这些参数一般是协议栈参数,比如数据包发送速率、竞争窗口大小等。行动决策通过调整这些参数实现网络性能的优化并满足网络端到端目标。如何确定感知输入和可调参数之间的关系成为研究无线认知网络的基本问题。贝叶斯网络是一种解决不确定关系的数学模型,可以通过不断地学习过程,利用贝叶斯网络的方法确定变量之间的概率依赖关系,并将其转化为知识存储在知识库中,为未来的智能决策提供指导。这样不但提供了知识的表现形式,同时还构建了知识库以及完成了知识库的更新。
贝叶斯网络起源于人工智能领域的研究,是一种将概率统计应用于复杂领域、进行不确定性推理和数据分析的工具,是概率论和图论相结合的产物。它通过网络结构来定性地刻画问题变量之间的相互独立关系;通过网络节点的节点参数来定量地描述各变量节点的独立关系。同时,根据链式规则,每个贝叶斯网络确定了一个联合概率分布,该联合分布即为问题模型的一个知识库。这样,贝叶斯网络利用图论的语言直观揭示问题的结构,同时按照概率论的原则对问题的结构加以利用,把复杂的联合概率分布分解为一系列相对简单的模块,从而大大降低了知识获取的难度和概率推理的复杂度,使概率论能够应用于大型问题的求解。贝叶斯网络作为一种因果知识和概率知识相结合的信息表达模型,可以用于解决无线认知网络中感知变量和可调参数的依赖关系,实现无线认知网络知识库的构建。由于贝叶斯网络直观易懂,且具有坚实的理论基础,使得其在很多领域都有广泛的应用。
无线认知网络通过感知过程可以不断地获得反映当前网络环境的历史数据,这些历史数据通过构建贝叶斯网络得到网络性能参数之间的条件依赖关系,然后把这些条件依赖关系转化为知识存储在知识库中。这些知识能够反映网络中各个不同参数目标以及可调参数之间的依赖关系,它可以结合具体网络场景为决策过程提供依据。基于知识库的无线认知网络的工作机理如图2所示,无线认知网络通过感知过程获得当前的网络性能参数,认知进程通过对当前性能参数进行分析,决定是否需要对网络进行重配置;若需要则进入智能决策过程,认知进行结合网络端到端目标,查询知识库相关策略,实现网络重构对网络性能进行优化。同时知识库需要进行管理和维护工作以保证知识的有效性和准确性。
发明内容
本发明以实现构建无线认知网络知识库为目标,即通过网络的学习过程,构建贝叶斯网络模型,确定感知参数与可调参数之间的依赖关系,将该依赖关系转化为知识构建知识库为未来决策提供依据,具体包括:
1.创建贝叶斯网络模型
在无线认知网络中,通过感知过程可以获得反映当前网络状态的性能参数,例如时延、吞吐量和抖动等,同时也可以通过读取协议栈获得可调节参数值。无线认知网络通过不断地学习过程可以获得这些参数的历史数据。通过对这些经验历史数据进行离散化处理之后,可以利用这些数据构建贝叶斯网络模型。贝叶斯网络模型中的节点是无线认知网络中的网络性能参数变量,模型中节点之间的箭头反映了网络性能参数之间的依赖关系。因此,基于网络性能参数历史数据构建的贝叶斯网络模型包含了无线认知网络输入和输出之间的依赖关系和概率值,这种依赖关系为无线认知网络的智能决策提供重要依据。
2.给出知识的表现形式构建知识库
知识的内容和表现形式决定了无线认知网络的智能决策过程。在贝叶斯网络结构模型中,得到了网络性能参数之间的条件概率依赖关系,那么可以将这种关系转化为知识用于未来的智能决策过程中。无线认知网络智能决策的难点就是难以确定感知输入和决策输出之间的关系,通过学习过程构建贝叶斯网络模型,将网络性能参数之间的依赖关系转化为知识,不但可以给出知识的表现形式,同时完成了知识库的构建。
与现有技术相比,本发明的创新之处在于:强调了学习过程在无线认知网络中的重要性,通过对网络性能参数进行感知和收集,采用贝叶斯网络模型确定了感知输入和决策输出之间的依赖关系,并将这种关系转化为知识,构建知识库。具体体现在:
1)本发明给出了无线认知网络中知识的表现形式,用知识来表示无线认知网络中感知参数和可调参数之间的依赖关系,可以为无线认知网络的智能决策过程提供重要的依据。知识库在无线认知网络智能决策过程发挥重要作用。
2)本发明采用构建贝叶斯网络模型的方式获得网络知识。无线认知网络通过不断地学习过程,收集了网络性能参数的历史数据,通过对这些历史数据进行处理,构建贝叶斯网络模型。贝叶斯网络模型可以确定节点之间的依赖关系和条件概率,从而得到无线认知网络中感知输入和可调参数之间的依赖关系,将这些依赖关系转化为无线认知网络的知识,利用这些知识可以构建知识库以及实现知识库的更新。
附图说明
图1认知环。
图2基于知识库的无线认知网络工作机理。
图3基于贝叶斯网络构建知识库过程示意图。
图4基于贝叶斯网络构建知识库流程图。
图5贝叶斯网络拓扑结构示意图。
具体实施方式
基于贝叶斯网络的无线认知网络知识库构建方法的实施过程,如图3所示,主要包括数据感知、数据离散化分析、创建贝叶斯网络模型以及知识转化四个部分。
数据感知是指无线认知网络中的感知过程。感知过程主要通过周期性读取无线认知网络协议栈参数来完成,这些参数都是能够反映当前网络性能的参数。无线认知网络中的网络性能参数主要分为两种,一种是可调参数,一种是感知参数。可调参数主要是指无线认知网络的重配置过程中,可以进行调节的参数,例如数据发包速率、MTU等;感知参数指能够反映当前网络状态的参数,通过对这些参数进行分析可以确定当前网络状态的好坏,通过这个判别过程决定是否需要对网络进行重配置,这些参数包括网络吞吐量、丢包率和端到端时延等。无线认知网络的环境感知过程以一定的时间间隔周期性读取网络性能参数值,对网络状况进行分析以决定是否需要进行决策过程。在构建知识库过程中,每次感知到的网络参数需要存储起来,在感知过程结束之后,对所存储的信息数量进行判断,若当前的感知信息达到要求数量,则可以通过这些网络性能参数构建知识库,若没有达到,则继续进行认知过程。感知信息数据量过大或者过小都会影响贝叶斯网络的构建,数据量过小可能会造成知识的不准确,数据量过大导致计算过程过于复杂,因此选择合适的感知信息数量对构建知识库非常重要,这里设定的感知信息数据量为6×105。
通过认知过程得到网络性能参数之后,需要利用这些感知信息数据构建贝叶斯网络模型,流程如图4所示,然后将贝叶斯网络中的知识提取出来构建无线认知网络的知识库。具体过程如下:
首先需要对感知数据进行离散化分析,数据离散化是指对感知到的网络性能参数进行离散化处理操作。贝叶斯网络中要求所有的变量必须是离散的,因此要对感知参数进行离散化处理。离散化分析过程主要是结合具体应用需求和变量取值范围,将变量划分为不同的等级。其中有的数据本身就是离散的,例如MTU和数据包发送速率等,这里主要对连续变量进行处理。以吞吐量为例,首先需要确定可能有几种取值,结合具体的吞吐量感知结果值,以固定的差额划分出不同的离散值大小,离散值可以为5~8个。具体需要结合实例进行分析,划分过程可以根据用户对该变量的需求程度进行划分,若变量为用户的主要感知变量,那么也可以划分成多个不同的等级。分析之后得到所有感知信息的离散化数据信息,通常设定的每个感知参数变量的取值为5~8个。
对感知数据处理完成之后,就可以利用网络性能参数构建贝叶斯网络模型。贝叶斯网络是一种表示变量之间依赖关系的有向无循环图模型。网络结构中的节点表示参数变量,节点之间的有向弧表示节点之间的依赖关系。有向弧连接的两个节点表示它们之间的父子关系,即弧线箭头的节点依赖于前面的节点。利用感知到的历史数据构建贝叶斯网络模型分为两个过程:结构学习和参数学习。结构学习用来确定基本的贝叶斯网络结构,通过该网络结构可以得到变量之间的依赖关系,而参数学习则是基于得到的网络结构进行计算得到其中的条件概率值。构建贝叶斯网络模型的主要过程如下:
1)无线认知网络中的感知性能参数作为贝叶斯网络中的节点;
2)贝叶斯网络中的有向箭头表示性能参数之间的依赖关系;
3)对历史数据进行结构学习,利用结构学习算法得到贝叶斯网络结构图;
4)对历史数据进行参数学习,在基于贝叶斯网络结构的基础上获得各个变量之间的条件概率。
贝叶斯网络中有两种不同的结构学习方法:基于约束测试的学习和基于搜索打分的学习;这里采用基于搜索评分的方法进行结构学习,基于搜索评分的方法就是对每种结构进行评分,最后选择得分最高的网络结构。采用K2算法用于结构学习,K2算法要求先确定网络中节点变量的次序,它的结构打分函数为
式中Bs表示网络结构,D表示实例数据,变量的数目为n,ri表示变量xi可能取值的数目;Nij表示变量xi对应父节点xj的总数目;Nijk则表示变量xi在对应父节点xj时取值为k的总数目;qi表示变量xi可能的父节点数目。由于在K2算法中,节点的顺序是确定的,因此一个节点的父节点只存在于排在这个节点前面的节点集合中,这样就确定了不同节点的父节点集合可独立地进行计算,同时降低了构建贝叶斯网络的复杂性。结构打分函数用来对所有可能的网络结构进行打分,最后分数最高的网络结构为得到的最优解。在K2算法中结构搜索过程采用局部搜索的爬山算法选择父节点。通过不断为每个节点增加父节点来增加局部结构的评分。直到为每一个节点找到分值最高的父节点集后搜索停止。但是始终要求在最大化每个节点父节点集的同时满足初始假定的节点顺序。
参数学习是在已经确定贝叶斯网络结构的基础上,通过对历史数据的计算获得变量之间依赖关系的条件概率值。在参数学习过程中采用极大似然概率的方法计算每个节点的概率依赖关系,对每个节点使用对数概率来表示与其他节点之间的依赖关系。求解过程中采用以下定义计算概率值:
式子中p表示条件概率值,pai为变量xi的父节点,Parent(xi)为变量xi的父节点集合,可以看出计算过程中采用对数概率的方式表示节点之间的依赖关系。
通过结构学习和参数学习过程,可以构建出一个基于网络性能参数变量的贝叶斯网络结构模型,参见图4。在贝叶斯网络结构中存储着参数之间的依赖关系以及彼此之间的条件概率,这些依赖关系可以作为知识为智能决策过程提供指导。在无线认知网络的知识库中,采用三元组的形式作为知识的表现形式,定义为<性能目标,调整策略,条件概率>。性能目标为希望达到的网络性能目标,例如吞吐量、时延等;调整策略则是根据贝叶斯网络中的条件依赖关系获得的可调参数集合以及它们的取值;条件概率指调整策略对性能目标可能的效果,它主要通过计算贝叶斯网络中的组合条件概率得到。从知识的表现形式可以看出,这里的性能目标就是贝叶斯网络中的节点xi,控制该性能目标的调整策略的可调参数就是该变量的父节点pai,而条件概率就是这两个节点之间的条件概率。可以看出,创建的贝叶斯网络模型中存储着无线认知网络的知识。无线认知网络通过不断地学习过程,结合不同的历史数据构造贝叶斯网络也可以实现知识库的更新。
Claims (5)
1.一种基于贝叶斯网络的无线认知网络知识库构建方法,包含网络环境感知、性能参数分析、创建贝叶斯网络模型和知识转化四个过程,其特征在于:
网络环境感知过程通过读取协议栈获取当前网络性能参数值,其中,这些参数值作为网络环境判断依据决定是否进行智能决策,同时,这些参数值被作为历史数据存储起来用于构建知识库;
性能参数分析过程是对收集到的网络性能参数值进行离散化分析,其中,网络性能参数值基本都是连续的,为构建贝叶斯网络模型需要进行离散化处理,参数离散化主要基于对参数的取值范围和知识表达的准确性考虑,通过离散化将网络性能参数划分成不同的等级,网络性能参数一般离散化为5~8个等级;
创建贝叶斯网络模型包含如下步骤:
1)感知的网络性能参数定义为贝叶斯网络节点,网络性能参数的数量为贝叶斯网络中节点的个数;
2)网络中的有向箭头表示节点之间的依赖关系即网络性能参数之间的条件依赖关系;
3)利用历史数据进行结构学习,结构学习采用基于搜索打分的K2算法,打分函数为:
其中Bs表示网络拓扑结构,D表示历史数据,n为贝叶斯网络中节点个数即网络性能参数数量,ri为变量xi的可能取值数目,Nij表示变量xi对应父节点xj可能取值的总数目,Nijk表示变量xi在对应父节点xj时取值为k的数目,qj表示变量xi可能的父节点数目;通过局部爬山搜索算法选择父节点,对所有可能的网络结构进行打分,最后分数最高的网络拓扑结构即为最优解;
4)参数学习过程是指基于贝叶斯网络的拓扑结构,通过对历史数据的计算获得变量之间的依赖关系值;参数学习过程采用极大似然概率的方法计算每个节点的依赖关系,得到其中的概率值;概率值的定义为:
其中p表示条件概率值,pai为变量xi的父节点,Parent(xi)为变量xi的父节点集合,
从定义中表明使用对数概率的方式表示节点之间的概率依赖关系;
知识转化过程是指将贝叶斯网络中网络性能参数之间的依赖关系和条件概率值转化为无线认知网络中的知识从而完成知识库的构建;在知识库已经存在的情况下,也可以通过这个过程实现知识库的更新操作。
2.如权利要求1所述的方法,其特征在于,用可调参数与感知参数之间的依赖关系作为无线认知网络的知识,知识的表现形式定义为<性能目标,调整策略,条件概率>,性能目标是希望达到的网络性能,可以具体到吞吐量和时延等,调整策略是可调参数取值集合,条件概率表明了策略对目标的效果,同时,也可以用来衡量知识的有效性。
3.如权利要求1所述的方法,其特征在于将网络性能参数作为贝叶斯网络节点,采用贝叶斯网络模型计算网络性能参数变量之间的依赖关系和条件概率。
4.如权利要求1或2所述的方法,其特征在于,给出了一种表示无线认知网络感知输入和策略输出之间依赖关系的知识和知识的表达形式。
5.如权利要求1所述的方法,其特征在于,整个过程完成了知识库的构建,同时随着认知网络的学习过程,可以重复构建贝叶斯网络模型,实现了知识库的更新,保证知识的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110240839 CN102289496B (zh) | 2011-08-22 | 2011-08-22 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110240839 CN102289496B (zh) | 2011-08-22 | 2011-08-22 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102289496A CN102289496A (zh) | 2011-12-21 |
CN102289496B true CN102289496B (zh) | 2013-03-06 |
Family
ID=45335922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110240839 Expired - Fee Related CN102289496B (zh) | 2011-08-22 | 2011-08-22 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102289496B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103079209B (zh) * | 2012-12-27 | 2015-10-28 | 北京邮电大学 | 认知无线网络拓扑重构方法及系统 |
CN103200041B (zh) * | 2013-03-04 | 2016-08-17 | 北京航空航天大学 | 基于历史数据的容迟容断网络节点相遇概率预测方法 |
CN104299036B (zh) * | 2013-07-19 | 2017-12-15 | 上海宽带技术及应用工程研究中心 | 一种基于增强学习算法的双层贝叶斯网络推理算法 |
CN104283717B (zh) * | 2014-10-24 | 2017-12-26 | 东软集团股份有限公司 | 一种预测虚拟网络资源状态的方法及装置 |
CN106708832B (zh) * | 2015-08-06 | 2020-10-02 | 北京波尔通信技术股份有限公司 | 一种无线电领域知识库的构建方法及装置 |
CN106550387B (zh) * | 2016-10-25 | 2017-10-20 | 华侨大学 | 一种无线传感器网络路由层服务质量评价方法 |
KR20210017985A (ko) | 2018-06-08 | 2021-02-17 | 상하이 캠브리콘 인포메이션 테크놀로지 컴퍼니 리미티드 | 범용 기계학습 모델, 모델 파일의 생성 및 분석방법 |
CN110647996B (zh) * | 2018-06-08 | 2021-01-26 | 上海寒武纪信息科技有限公司 | 通用机器学习模型的执行方法、装置和存储介质 |
CN109639774B (zh) * | 2018-11-26 | 2021-02-05 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 动态变化环境自适应服务交互系统 |
CN110084511B (zh) * | 2019-04-25 | 2021-07-13 | 广东工业大学 | 一种无人机配型方法、装置、设备及可读存储介质 |
CN113298830B (zh) * | 2021-06-22 | 2022-07-15 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5704017A (en) * | 1996-02-16 | 1997-12-30 | Microsoft Corporation | Collaborative filtering utilizing a belief network |
US6456622B1 (en) * | 1999-03-03 | 2002-09-24 | Hewlett-Packard Company | Method for knowledge acquisition for diagnostic bayesian networks |
CN101051363A (zh) * | 2006-04-03 | 2007-10-10 | 陈新康 | 一种基于知识网格的技术创新过程管理方法 |
CN101493820A (zh) * | 2008-01-25 | 2009-07-29 | 北京华深慧正系统工程技术有限公司 | 一种药监行业知识库的平台及其构建方法 |
CN101266628A (zh) * | 2008-04-02 | 2008-09-17 | 深圳先进技术研究院 | 一种基于仿真知识库的自动实时仿真及其并行方法 |
-
2011
- 2011-08-22 CN CN 201110240839 patent/CN102289496B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102289496A (zh) | 2011-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102289496B (zh) | 一种基于贝叶斯网络的无线认知网络知识库构建方法 | |
Wang et al. | Adaptive Traffic Signal Control for large-scale scenario with Cooperative Group-based Multi-agent reinforcement learning | |
Liang et al. | A deep reinforcement learning network for traffic light cycle control | |
US20220092418A1 (en) | Training method for air quality prediction model, prediction method and apparatus, device, program, and medium | |
CN103854072A (zh) | 用于路径选择的处理方法及系统 | |
CN102316496A (zh) | 无线传感器网络中基于卡尔曼滤波的数据融合方法 | |
Liang et al. | A deep q learning network for traffic lights’ cycle control in vehicular networks | |
CN104049533A (zh) | 基于隐半马尔可夫模型的网络控制系统控制器设计方法 | |
CN103596191A (zh) | 一种无线传感器网络智能配置系统及其方法 | |
CN110930705B (zh) | 一种路口交通决策系统、方法及设备 | |
CN103106535A (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
Zhao et al. | An edge streaming data processing framework for autonomous driving | |
CN101763087B (zh) | 一种基于非线性共轭梯度法的工业过程动态优化系统及方法 | |
CN107124158A (zh) | 基于对数量化的无线传感器网络滤波信息处理系统及方法 | |
CN103200041A (zh) | 基于历史数据的容迟容断网络节点相遇概率预测方法 | |
CN103760299A (zh) | 一种基于两级神经网络的综合空气质量预测方法 | |
CN117155845B (zh) | 物联网数据交互方法及系统 | |
CN103209417A (zh) | 基于神经网络的频谱占用状态的预测方法以及装置 | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
CN104778495A (zh) | 基于粒子群算法的贝叶斯网络优化方法 | |
Abdelgawad et al. | Assessment of self-learning adaptive traffic signal control on congested urban areas: independent versus coordinated perspectives | |
CN109451522A (zh) | 一种面向蓝牙网关的流量预测方法及装置 | |
Tang et al. | Consensus-based platoon control for non-lane-discipline connected autonomous vehicles considering time delays | |
Khokhar et al. | An online sampling approach for controlled experimentation and qoe modeling | |
CN105425590A (zh) | 一种基于改进免疫算法的pid主动队列管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130306 Termination date: 20140822 |
|
EXPY | Termination of patent right or utility model |