CN105426411B - 基于访问趋势预测的时间序列数据库缓存管理方法 - Google Patents
基于访问趋势预测的时间序列数据库缓存管理方法 Download PDFInfo
- Publication number
- CN105426411B CN105426411B CN201510733108.6A CN201510733108A CN105426411B CN 105426411 B CN105426411 B CN 105426411B CN 201510733108 A CN201510733108 A CN 201510733108A CN 105426411 B CN105426411 B CN 105426411B
- Authority
- CN
- China
- Prior art keywords
- data
- access
- formula
- time series
- trend
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
Abstract
本发明提供了基于访问趋势预测的时间序列数据库缓存管理方法,在常规数据库提供数据访问缓存的基础上,建立时间序列数据库双缓存机制;在常规缓存之外增加一块预测数据缓存,用于预测访问数据的预加载,以便在数据访问之前将其载入内存,加快查询速度。本发明用以实现对时间序列数据库数据缓存进行有效管理,提高数据缓存命中与系统数据查询效率。系统对于近期访问数据进行分析,并预测数据访问趋势,对预测数据进行加载,提高数据访问速度。此种方法适用于时间序列数据库数据缓存管理,用于提高时间序列数据库数据查询效率。
Description
技术领域
本发明涉及时间序列数据库领域,具体而言本发明涉及一种基于访问趋势预测的时间序列数据库数据缓存管理方法。
背景技术
时序数据库是广域测量系统(WAMS)的基础,同时还可用于变电站监控、调度、直流、稳控等多个系统中,满足其存储海量、高频数据的需求。在实际应用中,时间序列数据库存储毫秒级数据,数据访问的频度高,访问数据量大,为保证访问效率,数据库系统内会设置访问缓存,提高访问效率。
对于时间序列数据库的数据检索,具有以下特点:
1在短时间内突发访问大量数据,在某一段查询中查询某个测点的大量数据。
2数据访问往往具有连续趋势,如每次查询某个测点的一段时间内的数据,且连续访问。
3对访问时效要求高,数据查询的返回速度要求高于传统商用数据库。
为满足查询速度的需求,时间序列数据库会在内部设置内存缓存,用于对热点数据进行高速缓存,减少磁盘IO,提高查询效率。常规的缓存管理办法一般为先进先出,最近未被使用等方法,对缓存进行统一管理。
但此种方法基于当前已被使用过或被检索过的数据,但时间序列数据库的数据访问往往具有明显的趋势性,例如查询某个测点的历史曲线,会在短时间内连续检索一段时间内的数据,被检索过的数据往往不会被反复存取,而相邻时间段内的数据有可能被继续读取,常规的缓存方法往往不会取得很好的效果。
为解决上述问题,本发明致力于在常规缓存外增加预读缓存,通过对数据访问的趋势进行分析,预测下一阶段可能会被访问的数据,得到分析结果后,提前将相关数据载入预读缓存,以提高数据访问效率。
发明内容
针对现有技术的缺陷和不足,本发明旨在于提供基于访问趋势预测的时间序列数据库缓存管理方法,其适用于时间数列数据库的数据缓存管理,预测时序库客户端的数据访问序列,提前将数据载入内存,提高时间序列数据库的数据访问效率,降低系统突发IO负荷。
为了达成上述目的,本发明的解决方案是:基于访问趋势预测的时间序列数据库缓存管理方法,其特征在于:
在常规数据库提供数据访问缓存的基础上,建立时间序列数据库双缓存机制;
在常规缓存之外增加一块预测数据缓存,用于预测访问数据的预加载,以便在数据访问之前将其载入内存,加快查询速度。
进一步的,根据数据访问情况判定是否进行趋势分析,当趋势分析算法满足启动条件时,系统启动趋势分析算法,对后续访问趋势进行分析,预测后续可能被访问的数据。
进一步的,判定启动趋势分析的条件如下:
趋势分析启动条件
式(1)对t0-t时刻内的查询次数进行积分操作,当这段时间内的数据查询总次数达到N次,N为预设的阈值,可进行调整,则认为目前为系统密集查询时期,需要启动访问趋势预测算法。
进一步的,系统缓存由常规缓存与预读缓存两部分组成;系统在常规的数据缓存之外额外加入预读缓存,用于对于系统趋势分析的预测访问数据进行装载,常规缓存与预读缓存统一由缓存管理系统管理,供时间序列数据库使用。
进一步的,判断访问预趋势分析达到启动条件后,首先识别访问序列中的热点测点,然后对该测点的检索值相关的时间范围进行最小二乘法曲线拟合,得到拟合曲线后,根据曲线获取后续可能的访问时间范围;
对于客户端的每次查询可用表达式:
Query=[x,t] 式(2)
其中x表示测点集合,t代表查询的时间范围;
对于在T时间范围内进行S次查询可表示为:
Q={[x1,t1],[x2,t2],[x3,t3]...[xs,ts]} 式(3)
其中,计算窗口为S次,窗口时间阈值为T,
对于式(3)所表示的查询序列,对测点集合进行分拆,计算每个测点的被查询次数,对于查询次数较多的测点形成查询时间队列:
X(t)={t1,t2,t3,t4...,tn} 式(4)
对于式(4)中的测点X的访问时间序列,采用如下方法就行趋势拟合计算:
设拟合的公式为:
X(t)=An+B 式(5)
根据式(6),式(7)计算参数:
计算出参数后,根据式(5)计算n+1时刻的t时间值,
其中,式(4)、式(5)、式(6)、式(7)中n表示第n个时刻。
进一步的,确定装载的缓存数据后检测是否已经存在于常规缓存或预读缓存中,已存在则不载入。
进一步的,对于查询请求首先查询常规缓存再查询预读缓存,常规缓存与预读缓存全不命中直接查询数据文件。
本基于访问预测算法的时序数据库缓存预取方法,包含如下步骤:
系统缓存分为常规缓存与预读缓存两个部分,如图1所示,常规缓存采用常规缓存管理算法进行管理,预测缓存数据的装入不是按照访问过的数据载入缓存的模式进行装载,而是通过对客户端访问趋势的预测进行数据的装入。
服务器端对客户端的多次查询请求特征进行计算,通过设定的窗口时间对每个客户端的访问趋势进行计算,预测其访问趋势,即客户端可能下一阶段可能访问的数据。
服务器端根据计算结果利用闲时对趋势数据进行预装,提前将这部分数据载入预读缓存。若预读缓存满,采用LRU算法进行移出。
客户端后续访问服务端会同时从两个缓存中进行读取。
本发明采用常规缓存与预测缓存相结合的方式,对于数据查询请求,采用滑动窗口算法对进行判断是否满足趋势预测的启动条件,满足启动条件后,采用最小二乘法对访问序列进行拟合,判断后续访问数据,并将预测的可能会被访问的数据提前预装入预测缓存,以提高数据查询效率。
采用上述方案后,本发明具有以下特点:
(1)系统存在额外缓存,可提高数据检索效率。
(2)预测分析仅在数据访问趋势性明显的情况下进行,采用改良的滑动窗口算法进行访问趋势性判断。
(3)使用最小二乘法进行访问趋势分析,计算速度快。
(4)两块缓存统一管理,对应用透明,不增加应用复杂性。
附图说明
图1是本发明所应用的系统缓存结构图;
图2是本发明中数据趋势分析启动的条件示意图;
图3是本发明中数据趋势分析及缓存处理的流程图。
具体实施方式
参见图1、图2和图3,本基于访问趋势预测的时间序列数据库缓存管理方法,具体包括如下步骤:
(1)系统缓存分为常规缓存与预测缓存两个部分,常规缓存采用常规缓存管理算法进行管理,预测缓存数据的装入不是按照访问过的数据载入缓存的模式进行装载,而是通过对客户端数据访问趋势的预测进行数据的装入。
具体来说,在常规数据缓存之外,增加一块预测缓存,预测缓存的大小可设为常规缓存三分之一至二分之一,其结构与常规数据缓存保持一致,两块缓存的读写统一由缓存管理模块处理,对时间序列数据库的其它模块保持透明。预测缓存用于载入系统预测的未来可能的访问数据。
(2)服务器端对客户端的多次查询请求特征进行计算,通过设定的窗口时间对每个客户端的访问趋势进行计算,预测其访问趋势,即客户端可能下一阶段可能访问的数据。计算趋势算法如下所述:
首先设定查询趋势的窗口计算阈值设为S,即计算窗口为S次,窗口时间阈值为T,含义为若客户端在时间T内查询次数达到S次,触发趋势计算。
对于客户端的每次查询可用表达式Query=[x,t],其中x表示测点集合,t代表时间范围,对于在时间范围内T内S次查询可表示为对于客户端的每次查询可用表达式:
Query=[x,t] 式(1)
其中x表示测点集合,t代表查询的时间范围
对于在时间范围内T内S次查询可表示为:
Q={[x1,t1],[x2,t2],[x3,t3]...[xs,ts]} 式(2)
对于式(2)所表示的查询序列,对测点集合进行分拆,计算每个测点的被查询次数,对于查询次数较多的测点形成查询时间队列:
X(t)={t1,t2,t3,t4...,tn} 式(3)
对于式(3)中的测点X的访问时间序列,采用如下方法进行趋势拟合计算:
设拟合的公式为:
X(t)=An+B 式(4)
根据式(5)、式(6)计算参数:
其中,n表示第n个时刻。
(3)时序库根据计算出的tn+1的值,检查是否已存在于缓存中,若不存在,则将相关测点的Δt时间范围内的数据预读入预测缓存,若预测缓存已满,则采用LRU算法移除其它缓存。
(4)时间序列数据库对于查询请求,同时检索两块缓存。
以下将以时间序列数据库的查询过程为例,结合附图对本发明的技术方案进行详细说明。具体步骤如下:
(1)如图1所示,时间序列数据库的数据缓存分为两个部分,常规缓存与预读缓存两个部分,常规缓存采用常规管理算法进行管理,预读缓存用于装入预读数据,即目前暂未被访问到,但系统预测出可能下一个时间段可能被访问到的数据。
(2)如图2所示,预读缓存的目的在于在高频访问阶段判断访问趋势,因此预测分析的启动需具备一定的条件,目前采用改良的滑动窗口算法进行预测分析的启动判断,算法存在两个参数t,s,主要思想指在时间t内系统有连续s次数据检索,认为达到高频访问阶段,系统将启动访问趋势分析。
(3)如图3所示,趋势分析的主要算法流程如下所述,达到高频访问程度后,系统首先会分析多次查询中的热点数据,即被多数查询关注的测点;对热点数据被查询的时间段进行最小二乘曲线拟合,得出相关曲线后,分析下一次访问的可能查询的数据;接着在现有缓存中检索预测出的数据,如已经存在则算法结束,不存在则将数据载入缓存。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.基于访问趋势预测的时间序列数据库缓存管理方法,其特征在于包括以下步骤:
在常规数据库提供数据访问缓存的基础上,建立时间序列数据库双缓存机制;
在常规缓存之外增加一块预测数据缓存,用于预测访问数据的预加载,以便在数据访问之前将其载入内存,加快查询速度;
判断访问预趋势分析达到启动条件后,首先识别访问序列中的热点测点,然后对该测点的检索值相关的时间范围进行最小二乘法曲线拟合,得到拟合曲线后,根据曲线获取后续可能的访问时间范围;
对于客户端的每次查询用表达式:
Query=[x,t] 式(2)
其中x表示测点集合,t代表查询的时间范围;
对于在T时间范围内进行S次查询表示为:
Q={[x1,t1],[x2,t2],[x3,t3]...[xs,ts]} 式(3)
其中,计算窗口为S次,窗口时间阈值为T,
对于式(3)所表示的查询序列,对测点集合进行分拆,计算每个测点的被查询次数,对于查询次数较多的测点形成查询时间队列:
X(t)={t1,t2,t3,t4...,tn} 式(4)
对于式(4)中的测点X的访问时间序列,采用如下方法进行趋势拟合计算:
设拟合的公式为:
X(t)=An+B 式(5)
根据式(6),式(7)计算参数:
计算出参数后,根据式(5)计算n+1时刻的t时间值,
其中,式(4)、式(5)、式(6)、式(7)中n表示第n个时刻。
2.根据权利要求1所述的基于访问趋势预测的时间序列数据库缓存管理方法,其特征在于:根据数据访问情况判定是否进行趋势分析,当趋势分析算法满足启动条件时,系统启动趋势分析算法,对后续访问趋势进行分析,预测后续可能被访问的数据。
3.根据权利要求1所述的基于访问趋势预测的时间序列数据库缓存管理方法,其特征在于判定启动趋势分析的条件如下:
趋势分析启动条件
式(1)对t0-t时刻内的查询次数进行积分操作,当这段时间内的数据查询总次数达到N次,N为预设的阈值,可进行调整,则认为目前为系统密集查询时期,需要启动访问趋势预测算法。
4.根据权利要求1所述的基于访问趋势预测的时间序列数据库缓存管理方法,其特征在于:系统缓存由常规缓存与预读缓存两部分组成;系统在常规的数据缓存之外额外加入预读缓存,用于对于系统趋势分析的预测访问数据进行装载,常规缓存与预读缓存统一由缓存管理系统管理,供时间序列数据库使用。
5.根据权利要求1所述的基于访问趋势预测的时间序列数据库缓存管理方法,其特征在于:确定装载的缓存数据后检测是否已经存在于常规缓存或预读缓存中,已存在则不载入。
6.根据权利要求1所述的基于访问趋势预测的时间序列数据库缓存管理方法,其特征在于:对于查询请求首先查询常规缓存再查询预读缓存,常规缓存与预读缓存全不命中直接查询数据文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510733108.6A CN105426411B (zh) | 2015-10-31 | 2015-10-31 | 基于访问趋势预测的时间序列数据库缓存管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510733108.6A CN105426411B (zh) | 2015-10-31 | 2015-10-31 | 基于访问趋势预测的时间序列数据库缓存管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426411A CN105426411A (zh) | 2016-03-23 |
CN105426411B true CN105426411B (zh) | 2019-05-28 |
Family
ID=55504623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510733108.6A Active CN105426411B (zh) | 2015-10-31 | 2015-10-31 | 基于访问趋势预测的时间序列数据库缓存管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426411B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10331802B2 (en) | 2016-02-29 | 2019-06-25 | Oracle International Corporation | System for detecting and characterizing seasons |
US10885461B2 (en) | 2016-02-29 | 2021-01-05 | Oracle International Corporation | Unsupervised method for classifying seasonal patterns |
US11113852B2 (en) | 2016-02-29 | 2021-09-07 | Oracle International Corporation | Systems and methods for trending patterns within time-series data |
US10699211B2 (en) | 2016-02-29 | 2020-06-30 | Oracle International Corporation | Supervised method for classifying seasonal patterns |
US10198339B2 (en) | 2016-05-16 | 2019-02-05 | Oracle International Corporation | Correlation-based analytic for time-series data |
US11082439B2 (en) | 2016-08-04 | 2021-08-03 | Oracle International Corporation | Unsupervised method for baselining and anomaly detection in time-series data for enterprise systems |
US10635563B2 (en) | 2016-08-04 | 2020-04-28 | Oracle International Corporation | Unsupervised method for baselining and anomaly detection in time-series data for enterprise systems |
CN106503276A (zh) * | 2017-01-06 | 2017-03-15 | 山东浪潮云服务信息科技有限公司 | 一种用于实时监控系统的时间序列数据库的方法与装置 |
CN107092628B (zh) * | 2017-01-10 | 2020-12-04 | 口碑控股有限公司 | 时间序列数据的处理方法和装置 |
US10949436B2 (en) | 2017-02-24 | 2021-03-16 | Oracle International Corporation | Optimization for scalable analytics using time series models |
CN106874124B (zh) * | 2017-03-30 | 2023-04-14 | 光一科技股份有限公司 | 一种基于SQLite快速加载技术的面向对象用电信息采集终端 |
US10817803B2 (en) | 2017-06-02 | 2020-10-27 | Oracle International Corporation | Data driven methods and systems for what if analysis |
CN107609037B (zh) * | 2017-08-11 | 2020-12-29 | 中电科新型智慧城市研究院有限公司 | 一种基于块数据的智能共享方法和系统 |
US10621005B2 (en) | 2017-08-31 | 2020-04-14 | Oracle International Corporation | Systems and methods for providing zero down time and scalability in orchestration cloud services |
CN110019362B (zh) * | 2017-11-08 | 2021-08-13 | 中移(苏州)软件技术有限公司 | 一种访问数据库的方法及装置 |
CN110019394A (zh) * | 2017-11-28 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 数据查询方法及设备 |
CN108509501B (zh) * | 2018-02-28 | 2022-07-26 | 成都国恒空间技术工程股份有限公司 | 一种查询处理方法、服务器及计算机可读存储介质 |
US10997517B2 (en) | 2018-06-05 | 2021-05-04 | Oracle International Corporation | Methods and systems for aggregating distribution approximations |
US10963346B2 (en) | 2018-06-05 | 2021-03-30 | Oracle International Corporation | Scalable methods and systems for approximating statistical distributions |
CN109344092B (zh) * | 2018-09-11 | 2023-06-23 | 天津易华录信息技术有限公司 | 一种提高冷存储数据读取速度的方法和系统 |
US11138090B2 (en) | 2018-10-23 | 2021-10-05 | Oracle International Corporation | Systems and methods for forecasting time series with variable seasonality |
US10855548B2 (en) | 2019-02-15 | 2020-12-01 | Oracle International Corporation | Systems and methods for automatically detecting, summarizing, and responding to anomalies |
US11533326B2 (en) | 2019-05-01 | 2022-12-20 | Oracle International Corporation | Systems and methods for multivariate anomaly detection in software monitoring |
US11537940B2 (en) | 2019-05-13 | 2022-12-27 | Oracle International Corporation | Systems and methods for unsupervised anomaly detection using non-parametric tolerance intervals over a sliding window of t-digests |
CN110543349B (zh) * | 2019-09-09 | 2023-02-28 | Oppo(重庆)智能科技有限公司 | 一种应用启动加速方法、装置及计算机可读存储介质 |
US11887015B2 (en) | 2019-09-13 | 2024-01-30 | Oracle International Corporation | Automatically-generated labels for time series data and numerical lists to use in analytic and machine learning systems |
CN111563106A (zh) * | 2020-07-14 | 2020-08-21 | 成都市映潮科技股份有限公司 | 一种数据缓存方法、装置、系统及可读存储介质 |
CN113342822B (zh) * | 2021-06-29 | 2024-02-27 | 招商局金融科技有限公司 | 基于多类型数据库的数据查询方法、装置、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459599A (zh) * | 2008-10-30 | 2009-06-17 | 北京闪联互动网络科技有限责任公司 | 一种实现缓存数据访问与加载并发进行的方法及系统 |
CN103279530A (zh) * | 2013-05-31 | 2013-09-04 | 携程计算机技术(上海)有限公司 | 时间序列数据的组合查询缓存的建立方法、方法及系统 |
CN103942315A (zh) * | 2014-04-22 | 2014-07-23 | 杭州邦盛金融信息技术有限公司 | 一种基于装载因子的缓存数据预加载与替换方法 |
-
2015
- 2015-10-31 CN CN201510733108.6A patent/CN105426411B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459599A (zh) * | 2008-10-30 | 2009-06-17 | 北京闪联互动网络科技有限责任公司 | 一种实现缓存数据访问与加载并发进行的方法及系统 |
CN103279530A (zh) * | 2013-05-31 | 2013-09-04 | 携程计算机技术(上海)有限公司 | 时间序列数据的组合查询缓存的建立方法、方法及系统 |
CN103942315A (zh) * | 2014-04-22 | 2014-07-23 | 杭州邦盛金融信息技术有限公司 | 一种基于装载因子的缓存数据预加载与替换方法 |
Non-Patent Citations (1)
Title |
---|
客户端缓存模拟器的设计与实现;董慧颖,陆莹,王洪斌,杜春燕;《信息技术》;20080923(第7期);第78-84页、第1-2节及图1-2 |
Also Published As
Publication number | Publication date |
---|---|
CN105426411A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426411B (zh) | 基于访问趋势预测的时间序列数据库缓存管理方法 | |
Bakhshalipour et al. | Bingo spatial data prefetcher | |
CN104834675B (zh) | 一种基于用户行为分析的查询性能优化方法 | |
US9892146B2 (en) | Classification of data in main memory database systems | |
Levandoski et al. | Identifying hot and cold data in main-memory databases | |
Wenisch et al. | Practical off-chip meta-data for temporal memory streaming | |
EP2612250B1 (en) | Method and system for inserting cache blocks | |
CN110287010B (zh) | 一种面向Spark时间窗口数据分析的缓存数据预取方法 | |
US9122607B1 (en) | Hotspot detection and caching for storage devices | |
CN105955709B (zh) | 基于机器学习的预取能效优化自适应装置及方法 | |
CA2591206A1 (en) | System and method for adaptive query identification and acceleration | |
US20070150660A1 (en) | Inserting prefetch instructions based on hardware monitoring | |
CN113703688B (zh) | 一种基于大数据和文件热度的分布式存储节点负载调整方法 | |
JPWO2012169102A1 (ja) | データベース性能予測装置及びデータベース予測方法 | |
Zhu et al. | Massive Files Prefetching Model Based on LSTM Neural Network with Cache Transaction Strategy. | |
CN107844380B (zh) | 一种支持指令预取的多核缓存wcet分析方法 | |
Pan et al. | predis: Penalty and locality aware memory allocation in redis | |
Dickmans | Subject-object discrimination in 4D dynamic scene interpretation for machine vision | |
Dhyani et al. | Modelling and predicting a web page accesses using Markov processes | |
CN100573437C (zh) | 一种基于连续度聚类和时间序列的i/o区域预取方法 | |
CN107145453B (zh) | 一种缓存失效率的预测方法、装置、可读介质和设备 | |
US9087087B2 (en) | Performing index scans in a database | |
CN113157541B (zh) | 面向分布式数据库的多并发olap型查询性能预测方法及系统 | |
CN114461590A (zh) | 一种基于关联规则的数据库文件页预取方法及装置 | |
CN110019362A (zh) | 一种访问数据库的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190508 Address after: 211102 Suyuan Avenue, Jiangning District, Nanjing, Jiangsu Province, No. 69 Applicant after: Nanrui Relay Protection Electricity Co., Ltd., Nanjing Applicant after: Nanjing Nari-Relays Engineering Technology Co., Ltd. Address before: 211102 Suyuan Avenue, Jiangning District, Nanjing, Jiangsu Province, No. 69 Applicant before: Nanrui Relay Protection Electricity Co., Ltd., Nanjing |