CN106526450A - 一种多目标NoC测试规划优化方法 - Google Patents

一种多目标NoC测试规划优化方法 Download PDF

Info

Publication number
CN106526450A
CN106526450A CN201610949113.5A CN201610949113A CN106526450A CN 106526450 A CN106526450 A CN 106526450A CN 201610949113 A CN201610949113 A CN 201610949113A CN 106526450 A CN106526450 A CN 106526450A
Authority
CN
China
Prior art keywords
population
noc
quantum
test
generation
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.)
Granted
Application number
CN201610949113.5A
Other languages
English (en)
Other versions
CN106526450B (zh
Inventor
胡聪
朱爱军
周甜
万春霆
许川佩
朱望纯
屈瑾瑾
贾梦怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201610949113.5A priority Critical patent/CN106526450B/zh
Publication of CN106526450A publication Critical patent/CN106526450A/zh
Application granted granted Critical
Publication of CN106526450B publication Critical patent/CN106526450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2851Testing of integrated circuits [IC]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种多目标NoC测试规划优化方法,采用重用NoC作为测试存取机制的并行测试方法,对NoC中的IP核进行测试,节省测试资源,提高测试效率。在量子多目标进化算法的基础上,采用多进制概率角编码替代二进制概率幅编码,更好的适应NoC测试规划问题;采用调和距离替代拥挤距离能更好的衡量拥挤程度;采用混沌策略动态更新旋转角,能很好地兼顾了算法的探索和发掘能力。

Description

一种多目标NoC测试规划优化方法
技术领域
本发明涉及片上网络(Network-on-Chip,NoC)技术领域,具体涉及一种多目标NoC测试规划优化方法。
背景技术
集成电路制造工艺的迅速发展使得单芯片上集成越来越多的IP(IntellectualProperty)IP核,传统的基于总线架构的SoC(System-on-Chip)面临通信带宽低、时钟同步难、可扩展性差等难以突破的瓶颈问题。因此,一些研究人员采用以通信为中心的设计替代以计算为中心的设计,移植计算机网络的思想到芯片设计中,提出全新的NoC(Network-on-Chip)集成电路体系结构,用分组和路由交换通信技术代替传统的总线通信技术,从体系结构上彻底解决了传统总线式SoC通信的障碍。但NoC结构也变得更加复杂,故障更多,对其进行测试也愈难、测试成本更高。因此,如何对NoC进行高效经济的测试是目前亟待解决的问题。
很多学者在NoC测试规划方面做了大量的工作。但目前对NoC测试的研究主要集中在功耗约束下,采用不同的算法和测试策略进行时间优化。但是,由于测试过程中芯片产生较大的热效应会破坏芯片的可靠性,因此不仅是测试时间,测试功耗的优化也是尤为重要。
发明内容
本发明所要解决的技术问题是提供一种多目标NoC测试规划优化方法,其能够达到测试时间和测试功耗的多目标优化的目标。
为解决上述问题,本发明是通过以下技术方案实现的:
一种多目标NoC测试规划优化方法,包括如下步骤:
步骤1)随机生成个体个数为n的初代量子种群Q(0),并通过观测初代量子种群Q(0)产生初代观测种群P(0);
步骤2)根据初代观测种群P(0),对NoC中IP核进行测试调度;
步骤3)计算步骤2)所进行的测试调度的测试时间和测试功耗,并据此评估初代观测种群P(0);
步骤4)判断当前代是否达到设定最大迭代次数;如果达到设定最大迭代次数,则转步骤15);如果未达到设定最大迭代次数,则当前代加1,并继续迭代;
步骤5)通过观测上一代量子种群Q(t-1)得到当前代观测种群P(t);
步骤6)根据当前代观测种群P(t),对NoC中IP核进行测试调度;
步骤7)计算步骤6)所进行的测试调度的测试时间和测试功耗,并据此评估当前代观测种群P(t);
步骤8)求取当前代观测种群P(t)与上一代观测种群P(t-1)的并集;
步骤9)对步骤8)所得并集进行快速非支配排序,将并集中的所有个体进行分组;
步骤10)计算步骤9)所得并集的所有个体的调和距离,并根据调和距离对并集中的每一组个体分别进行排序;
步骤11)将步骤10)所得并集的所有个体中选出前n个个体构成当前代观测种群P(t);
步骤12)对上一代量子种群Q(t-1)进行快速非支配排序,将上一代量子种群Q(t-1)的所有个体进行分组,并选择其中一组作为最佳组;
步骤13)采用混沌策略动态更新旋转角△θ;
步骤14)以最佳组作参考准则,利用更新操作更新上一代量子种群Q(t-1),得到当前代种群Q(t),转步骤4);
步骤15)将当前代观测种群P(t)所对应的NoC中IP核测试调度作为结果输出。
上述步骤10)中,个体j的调和距离dj
式中,dj,k是与个体j就最近邻的k个个体,k-1为并集中每一组个体的个数。
上述步骤12)中,将上一代量子种群Q(t-1)的所有个体进行分组后的第一组作为最佳组。
上述步骤13)中,旋转角△θ的更新公式为:
式中,t为代数,min为旋转角的最小值,max为旋转角的最大值,x(t)为混沌变量,a为大于0的常数。
上述步骤14)中,更新操作的具体过程为:
时,则
时,则
式中,为上一代量子种群Q(t-1)的非最佳组中的个体,为当前代量子种群Q(t)的非最佳组中的个体,为上一代量子种群Q(t-1)的最佳组中的个体,为当前代量子种群Q(t)的最佳组中的个体,△θ为旋转角。
与现有技术相比,本发明提出了一种基于调和距离量子多目标进化算法(Harmonic distance quantum-inspired multiobjective evolutionary algorithm,HQMEA)的NoC测试规划优化方法。采用重用NoC作为测试存取机制(Test accessmechanism,TAM)的并行测试方法,对NoC中的IP核进行测试,节省测试资源,提高测试效率。提出的算法在量子多目标进化算法(Quantum-inspired multiobjective evolutionaryalgorithm,QMEA)的基础上,采用多进制概率角编码替代二进制概率幅编码,更好的适应NoC测试规划问题;采用调和距离替代拥挤距离(Crowding distance)能更好的衡量拥挤程度;采用混沌策略动态更新旋转角,能很好地兼顾了算法的探索和发掘能力。在ITC’02testbenchmarks测试集上进行对比实验,结果表明相比量子多目标进化算法,提出的算法不仅提升了算法的收敛性,而且保证了Pareto解集良好的分布性。
附图说明
图1为在2D Mesh NoC结构中的测试d965系统的示意图。
图2为一种多目标NoC测试规划优化方法的流程图。
图3为观测操作的示意图。
图4为更新操作的示意图。
具体实施方式
本发明所涉及的NoC主要由路由器(router)、网络适配器(Network Interface)和连接相邻路由器之间的数据传输线(Link)构成。由拓扑结构、路由算法,交换机制等描述。图1给出了ITC’02SoC test benchmarks中d965系统在2D Mesh结构中的测试示例,路由算法采用XY路由算法,图1有3个测试端口,每个端口都和ATE(Automatic Test Equipment)的测试引脚相连。因此,在图1中,有三组I/O端口对产生测试矢量和接收测试响应。当测试一个IP核时,必须给这个IP核分配一个端口对。例如:(C5,C4)是一组I/O端口对,如果C10(core 10)被分配给(C5,C4)I/O端口对,测试矢量需要从ATE输入到C5(core 5),然后再路由到C10(core 10)。C10(core 10)的测试响应经过C4(core 4)输出到ATE。图1中的虚线箭头线代表一条测试路由路径。
假定NoC采用2D mesh结构,XY路由和虫洞交换。为了实现并行测试,搭建一个M*N的系统,重用NoC作为TAM,采用基于IP核调度模式。此外,测试还必须满足以下条件:(1)每个IP核在电路中仅测试一次,一个IP核在一旦开始测试就不许终止直至完成;(2)一旦测试路径分配给一个IP核,这条测试路径上的所有的资源都被占用直至完成。
把基本的量子位扩展到多进制,使用作为多进制编码。一个新的Q-bit表示如下:
是在第t代的量子个体种群,n表示种群大小。一个个体描述如下:
式中:m表示为量子位的数量,B表示为个体的进制数。
一种多目标NoC测试规划优化方法,即基于HQMEA的测试规划方法包含基本的HQMEA结构以及NoC规划问题的相应处理过程,其流程图如图2所示,方法具体步骤如下:
步骤1)当前代数t=0。根据IP核的数量,设定解空间的维数m,设定TAMs的个数B和旋转角△θ初值,设定NoC的拓扑结构和路由算法,设定IP核的坐标以及每对I/O对的坐标,设定是NoC通道和路由器的时延和功耗,设定种群大小n,设定最大迭代次数GenTimes。
i∈[1,m],j∈[1,B],初始种群中个体是所有状态的等概率线形叠加。即
步骤2)通过观测Q(0)产生多进制解P(0),表示t=0代。一个多进制解是一个长度为m的多进制串,通过观测形成。观测操作如下:
观测操作得到的是确定的B进制整数。其具体操作如下:产生一个随机数r∈[0,45×B],根据r所在的位置([0,45×B])确定观测值。以B=5为例,随机产生r=138,由于φ123<r<φ1234,r落在了φ3区域内,故此时观测值为3,如图4所示。
步骤3)进行NoC中IP核的测试调度。对于每个生成的IP核到TAM分配,在没有路径冲突的情况下,调度各个IP核进行测试。
假设有m个待测IP核,B条TAMs,第t代的种群为n是种群的大小,公式(2)表示的使用量子编码的一种测试数据分配方案,也就是个体编码,量子位是个体的基因。m个量子位表示一种m个IP核分配给B条TAMs的分配方案。每个量子位有B个量子态,和B条TAMs相对应。例如:待测IP的个数m=10,TAMs的条数B=3,通过观察量子编码的个体,得到长度为10的3进制数“1001221021”,表示2,3,8分配给TAM0,1,4,7,10分配给TAM1,5,6,9分配给TAM2。
步骤4)计算测试时间和测试功耗,评估多进制解P(0)。
步骤5)判断迭代次数是否达到设定的最大迭代次数GenTimes:如果满足结束条件则转步骤15),如果不满足,则继续迭代,当前代数t=t+1。
步骤6)通过观测种群Q(t-1)得到状态P(t)。
步骤7)进行NoC中IP核的测试调度。对于每个生成的IP核到TAM分配,在没有路径冲突的情况下,调度各个IP核进行测试。
步骤8)计算测试时间和测试功耗,评估多进制解P(t)。
步骤9)对P(t)∪P(t-1)的所有解进行快速非支配排序。快速非支配排序能够将P(t)∪P(t-1)分为几个层次。
步骤10)计算P(t)∪P(t-1)中所有解的调和距离,并根据调和距离进行排序。调和距离排序能够将P(t)∪P(t-1)分层后的每一层进行再次排序。
QMEA中的采用拥挤距离达到均匀分布的目的,然而这种拥挤距离反映个体间疏密程度有欠缺。研究表明,相比与QMEA算法中的拥挤距离,调和平均距离(简称调和距离)评价种群个体间的疏密程度效果更好;再者,由于原先方法不考虑淘汰个体对其领域个体的拥挤距离的影响,当拥挤距离较小的个体被删除后会导致周围个体的拥挤距离变大,如果按照原先的方法操作很可能会删除拥挤距离较小的个体,达不到均匀分布的目的,而调和距离策略考虑的淘汰个体对其领域个体的拥挤距离的影响。鉴于此,本发明提出调和距离评估目标空间解的疏密程度,采用一个解的所有最邻近的个体计算。
个体j的调和距离d定义为
式中dj,k是与个体就最近邻的k个个体,k为总的个体数减1。
步骤11)在已排完序的2n个个体中选出前n个个体构成P(t)。
步骤12)把Q(t-1)分成几个组。
步骤13)采用混沌策略动态更新旋转角△θ。旋转角是影响QMEA收敛性的关键参数,增大的旋转角更有利于搜索新的区域,增强了探索能力,减小的旋转角有利于细粒度搜索,增强了发掘能力。但在传统的QMEA中旋转角△θ是一个常数,这就很容易让算法陷入局部最优。由于混沌具有随机性,遍历性,规律性和对初始条件敏感性的特点,基于混沌的函数能帮助优化算法增加多样性和避免早熟收敛。混沌映射已经成功应用到多种智能优化算法中。因此本发明把混沌映射应用到旋转角的更新中,使算法在探索能力和发掘能力间取的平衡,跳出局部最优,增强全局收敛性。
与最常用混沌映射Logistic map相比,无限折叠迭代混沌映射(Iterativechaotic map with infinite collapses,ICMIC)的Lyapunov指数比Logistic map大,混沌性更明显。本发明采用ICMIC混沌映射,其函数式如下
由于旋转角△θ的建议取值范围为[0.15,1.5],那么旋转角△θ就由以下公式更新
△θ=0.15+(1.5-0.15)/2*(chaos(t)+1) (6)
这里chaos(t)就是采用的混沌映射xn,t表示迭代次数。
步骤14)以最佳组作参考准则,利用更新操作更新Q(t-1),得到子代种群Q(t),转步骤5)。更新操作具体如下:
当执行更新操作时,如果观测值对应的概率角减小△θ,最优解对应的概率角增加△θ,还需确保更新后角度非负。可表示如下:
如果
如果
式中:分别表示此前非支配解和当代非支配解的概率角。表示观测值的概率角。旋转角△θ由个体观测值和最优个体改变,大小由经验值确定。
例如某一概率角所在个体的观测个体被此个体当前非支配解的支配,并且此概率角观测值为2,中这一位为0,则将2对应的减小△θ,1对应的增大△θ,如图3所示。图4为更新操作的示意图。
步骤15)输出结果。
为了验证本发明的有效性,从国际标准ITC’02test benchmarks中选取了典型系统d695。为了比较本算法与经典的量子多目标算法的优劣,采用覆盖度量(CoverageMetric,CM)评估解的收敛性和前沿广度度量(Front Spread Metric,FSM)评估解分布多样性。对于d695,与普通的量子多目标进化算法相比,解的收敛性(CM度量)提高了约100%,解的分布多样性(FSM度量)提高了约8%。
本发明针对2D Mesh结构的NoC,重用NoC作为TAM,基于调和距离量子多目标进化算法完成IP核的测试数据分配优化,以最大限度地实施并行传输和测试,提高并行测试效率,达到测试时间和测试功耗的多目标优化的目标。

Claims (5)

1.一种多目标NoC测试规划优化方法,其特征是,包括如下步骤:
步骤1)随机生成个体个数为n的初代量子种群Q(0),并通过观测初代量子种群Q(0)产生初代观测种群P(0);
步骤2)根据初代观测种群P(0),对NoC中IP核进行测试调度;
步骤3)计算步骤2)所进行的测试调度的测试时间和测试功耗,并据此评估初代观测种群P(0);
步骤4)判断当前代是否达到设定最大迭代次数;如果达到设定最大迭代次数,则转步骤15);如果未达到设定最大迭代次数,则当前代加1,并继续迭代;
步骤5)通过观测上一代量子种群Q(t-1)得到当前代观测种群P(t);
步骤6)根据当前代观测种群P(t),对NoC中IP核进行测试调度;
步骤7)计算步骤6)所进行的测试调度的测试时间和测试功耗,并据此评估当前代观测种群P(t);
步骤8)求取当前代观测种群P(t)与上一代观测种群P(t-1)的并集;
步骤9)对步骤8)所得并集进行快速非支配排序,将并集中的所有个体进行分组;
步骤10)计算步骤9)所得并集的所有个体的调和距离,并根据调和距离对并集中的每一组个体分别进行排序;
步骤11)将步骤10)所得并集的所有个体中选出前n个个体构成当前代观测种群P(t);
步骤12)对上一代量子种群Q(t-1)进行快速非支配排序,将上一代量子种群Q(t-1)的所有个体进行分组,并选择其中一组作为最佳组;
步骤13)采用混沌策略动态更新旋转角△θ;
步骤14)以最佳组作参考准则,利用更新操作更新上一代量子种群Q(t-1),得到当前代种群Q(t),转步骤4);
步骤15)将当前代观测种群P(t)所对应的NoC中IP核测试调度作为结果输出。
2.根据权利要求1所述的一种多目标NoC测试规划优化方法,其特征是,步骤10)中,个体j的调和距离dj
d j = k 1 d j , 1 + 1 d j , 2 + ... + 1 d j , k
式中,dj,k是与个体j就最近邻的k个个体,k-1为并集中每一组个体的个数。
3.根据权利要求1所述的一种多目标NoC测试规划优化方法,其特征是,步骤12)中,将上一代量子种群Q(t-1)的所有个体进行分组后的第一组作为最佳组。
4.根据权利要求1所述的一种多目标NoC测试规划优化方法,其特征是,步骤13)中,旋转角△θ的更新公式为:
&Delta; &theta; ( t ) = m i n + ( m a x - m i n ) / 2 * ( x ( t ) + 1 ) x ( t ) = a s i n ( x ( t - 1 ) )
式中,t为代数,min为旋转角的最小值,max为旋转角的最大值,x(t)为混沌变量,a为大于0的常数。
5.根据权利要求1所述的一种多目标NoC测试规划优化方法,其特征是,步骤14)中,更新操作的具体过程为:
时,则
时,则
式中,为上一代量子种群Q(t-1)的非最佳组中的个体,为当前代量子种群Q(t)的非最佳组中的个体,为上一代量子种群Q(t-1)的最佳组中的个体,为当前代量子种群Q(t)的最佳组中的个体,△θ为旋转角。
CN201610949113.5A 2016-10-27 2016-10-27 一种多目标NoC测试规划优化方法 Active CN106526450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610949113.5A CN106526450B (zh) 2016-10-27 2016-10-27 一种多目标NoC测试规划优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610949113.5A CN106526450B (zh) 2016-10-27 2016-10-27 一种多目标NoC测试规划优化方法

Publications (2)

Publication Number Publication Date
CN106526450A true CN106526450A (zh) 2017-03-22
CN106526450B CN106526450B (zh) 2018-12-11

Family

ID=58292398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610949113.5A Active CN106526450B (zh) 2016-10-27 2016-10-27 一种多目标NoC测试规划优化方法

Country Status (1)

Country Link
CN (1) CN106526450B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314167A (zh) * 2020-01-15 2020-06-19 桂林电子科技大学 片上网络中基于超立方体拓扑结构的测试规划系统及方法
CN111598447A (zh) * 2020-05-15 2020-08-28 浙江大学 一种基于hmaqga的水库群联合优化调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100408818B1 (ko) * 2000-03-06 2003-12-11 학교법인 포항공과대학교 다중 표적 추적 필터의 파라메터 설정 방법
CN102426631A (zh) * 2011-11-01 2012-04-25 南京理工大学常熟研究院有限公司 一种基于高维空间映射的k调和均值聚类方法
CN104768161A (zh) * 2015-03-12 2015-07-08 燕山大学 一种基于混沌搜索量子遗传算法的无线频谱分配方法
CN105740953A (zh) * 2016-01-29 2016-07-06 温州大学 一种基于实数编码量子进化算法的不规则排样方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100408818B1 (ko) * 2000-03-06 2003-12-11 학교법인 포항공과대학교 다중 표적 추적 필터의 파라메터 설정 방법
CN102426631A (zh) * 2011-11-01 2012-04-25 南京理工大学常熟研究院有限公司 一种基于高维空间映射的k调和均值聚类方法
CN104768161A (zh) * 2015-03-12 2015-07-08 燕山大学 一种基于混沌搜索量子遗传算法的无线频谱分配方法
CN105740953A (zh) * 2016-01-29 2016-07-06 温州大学 一种基于实数编码量子进化算法的不规则排样方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王在: "基于演化优化的系统可靠性设计", 《中国博士学位论文全文数据库 基础科学辑》 *
第11期: "实数编码混沌量子遗传算法", 《控制与决策》 *
胡聪,等: "基于调和距离量子多目标进化算法的NoC测试规划优化", 《南京大学学报(自然科学)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314167A (zh) * 2020-01-15 2020-06-19 桂林电子科技大学 片上网络中基于超立方体拓扑结构的测试规划系统及方法
CN111598447A (zh) * 2020-05-15 2020-08-28 浙江大学 一种基于hmaqga的水库群联合优化调度方法

Also Published As

Publication number Publication date
CN106526450B (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN112181867B (zh) 基于多目标遗传算法的片上网络内存控制器布局方法
EP1345167A1 (en) Method of combinatorial multimodal optimisation
Guo et al. Research on SDN/NFV network traffic management and optimization based on big data and artificial intelligence
CN105323166B (zh) 一种面向云计算的基于网络能效优先的路由方法
CN106936645B (zh) 基于排队论的树形网络拓扑结构的优化方法
Nayeem et al. Solving transit network design problem using many-objective evolutionary approach
CN112187386B (zh) 一种用于天地一体化网络的网络性能评估方法及系统
CN111246320B (zh) 一种云-雾弹性光网络中的深度强化学习流量疏导方法
Talbi Hybrid metaheuristics for multi-objective optimization
Wang et al. Latency-aware mapping for 3D NoC using rank-based multi-objective genetic algorithm
CN106526450A (zh) 一种多目标NoC测试规划优化方法
Suzuki et al. Multi-agent deep reinforcement learning for cooperative offloading in cloud-edge computing
Ikeda et al. Performance evaluation of an intelligent CAC and routing framework for multimedia applications in broadband networks
Zhang et al. End-to-end service deployment using graph matching search for B5G/6G networks
Veryard et al. A fuzzy genetic system for resilient routing in uncertain & dynamic telecommunication networks
CN112001141B (zh) 脑网络启发的中大规模片上互连系统综合方法
CN111695316B (zh) 一种基于改进混合算法的片上网络测试规划方法
Premkumar et al. Telecommunications network design—Comparison of alternative approaches
Tajary et al. A routing-aware simulated annealing-based placement method in wireless network on chips
Tornero et al. Distance constrained mapping to support NoC platforms based on source routing
CN113572690B (zh) 面向可靠性的用电信息采集业务的数据传输方法
CN113778620B (zh) 基于多sdn控制器与软硬件协同的大规模集群存储系统架构
He et al. Improved mapping optimization algorithm based on Generative Adversarial Networks (IMOAG)
Jędrzejowicz et al. Parallel cooperating A-Teams solving instances of the Euclidean planar travelling salesman problem
Perepelkin et al. Planning and distribution algorithm of heterogeneous resources in industrial telecommunication networks with ordered sets of tasks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant