CN106650828A - 基于支持向量机的智能终端安全等级分类方法 - Google Patents
基于支持向量机的智能终端安全等级分类方法 Download PDFInfo
- Publication number
- CN106650828A CN106650828A CN201710001798.5A CN201710001798A CN106650828A CN 106650828 A CN106650828 A CN 106650828A CN 201710001798 A CN201710001798 A CN 201710001798A CN 106650828 A CN106650828 A CN 106650828A
- Authority
- CN
- China
- Prior art keywords
- terminal
- safe class
- security
- levels
- intelligent terminal
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Devices For Executing Special Programs (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于支持向量机的智能终端安全等级分类方法,包括以下步骤:S1:对1台智能终端测试S次或者对S台终端测试1次,得到测试结果M1,M2,…,MS;S2:对每次测试结果乘以单例的权重函数H(n)得到每台终端的总分Y;S3:通过对每台终端的计算总分Mi和安全等级少,得到训练集T,其中T={(M1,y1),(M2,y2),…,(MN,yN)},yi∈{1,2,3,4},i=1,2,…,N;S4:根据安全等级的级数K,采用K‑1层支持向量机模型,计算安全等级。本发明根据智能终端各单项安全性能的测试,采用SVM算法实现对智能终端等级的客观准确划分,使得用户实现对智能终端不同安全需求的使用要求。
Description
技术领域
本发明涉及一种基于支持向量机的智能终端安全等级分类方法。
背景技术
随着网络的普及技术的进步,智能终端设备已经成为人们生活中不可或缺的一部分,人们对智能终端的依赖越来越严重。尤其是智能终端与互联网的结合越来越紧密,移动网购平台、手机银行、聊天软件等多种与我们财产隐私关系密切的第三方软件越来越多,这也使得我们在不经意间就把财产信息、个人隐私、商业机密文件等存储在智能终端中。相对于PC机,移动智能终端的使用环境多变计算能力有限,使得它更容易受到攻击,事实也证明,近几年针对移动智能终端的攻击层出不穷。在这种背景下,对于智能终端的安全测评是非常有必要的。
移动智能终端安全测评成为保证终端安全使用的最有效手段之一,在移动智能终端安全测评中根据各项的测试结果科学进行终端安全等级的定级,是涉及不同团体、个人对移动智能终端安全需求的重要判据,准确的评价可以实现不同安全级别需求的安全使用。
支持向量机(SVM)是由Cortes和Vapnik在1995年首先提出,它是建立在统计学理论的VC理论和结构风险最小原理的基础上,根据有限的样本信息在模型的复杂性(即:对特定训练样本的学习精度)和学习能力(即:无错误地识别样本的能力)之间寻求最佳折中,以获得最好的推广能力。通过学习算法,支持向量机的主要原理是针对两类分类问题,在高维空间寻找一个超平面,以最小错误率将样本分割成两类。与其他分类算法相比,支持向量机具有全局最优、结构简单、推广能力强等优点,其中有一个比较重要的是可以处理线性不可分的情况。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于支持向量机的智能终端安全等级分类方法,根据智能终端各单项安全性能的测试,采用SVM算法实现对智能终端等级的客观准确划分,使得用户实现对智能终端不同安全需求的使用要求。
本发明的目的是通过以下技术方案来实现的:基于支持向量机的智能终端安全等级分类方法,包括以下步骤:
S1:对1台智能终端测试S次或者对S台终端测试1次,得到测试结果M1,M2,…,MS,每次测试结果由N个测试单项的得分组成,即由向量Mi=[m1,m2,…,mN]T表示,其中mi为第i个测试单例的得分,分越高安全性能越好;
S2:对每次测试结果乘以单例的权重函数H(n)得到每台终端的总分Y,其中权重函数H(n)为一个均匀概率密度函数,表示为H=[h1,h2,…,hN]T,即同时,将终端安全等级y划分为K级,设定K-1个门限值为正数η1,η2,…,ηK-1,当满足0<Y≤η1,则定义终端安全级别为1级,当满足η1<Y≤η2,则定义安全等级为2级,依此类推,当满足ηK-2<Y≤ηK-1,则定义终端安全等级为K-1级,当满足Y>ηK-1,则定义安全等级为K级,安全等级越高终端越安全;
S3:通过对每台终端的计算总分Mi和安全等级y,得到训练集T,其中,T={(M1,y1),(M2,y2),…,(MN,yN)},yi∈{1,2,3,4},i=1,2,…,N;
S4:根据安全等级的级数K,采用K-1层支持向量机模型,计算安全等级,包括以下子步骤:
S41:初始化,令初始变量m=1;
S42:将训练集分成两类,其中y=m的为一类,y=m+1~K级为另一类,即得到训练集其中
S43:构造并求解约束最优化问题,公式如下:
求出最优解式中,α=(α1,α2,…,αN)T为拉格朗日乘子向量,xi∈x=Rn,yi∈γ={+1,-1},i=1,2,3,…,N;
S44:计算:
式中,w表示高维空间中分类超平面的法向量值;同时,选择α(m)的一个正分量计算
式中,b表示高维空间中分类超平面的截距值;
S45:计算得到超平面:
w(m)·x+b(m)=0
通过分类决策函数
f(m)(x)=sign(w(m)·x+b(m))
将安全级别为m级的终端分别出来:当f(1)(Mi)=1时为终端安全级别为m级,当f(1)(Mi)=-1时终端安全级别为m+1~N级;
S46:判断m的值是否等于K-1:如果是,则完成所有安全等级分级;如果不是,则将m进行+1操作,并返回步骤S42。
所述的测试单项包括短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。
所述的安全等级为4级,需设定3个门限值η1,η2,η3,采用3层支持向量机模型。
步骤S1和步骤S2之间还包括一个步骤:判断得分M是否为0,如果是,则返回步骤S1;否则进入步骤S2。
本发明的有益效果是:
(1)根据智能终端各单项安全性能的测试,采用SVM算法实现对智能终端等级的客观准确划分,使得用户实现对智能终端不同安全需求的使用要求。
(2)本发明是基于支持向量机分类,因此从全局来看分类结果是最优的。
(3)这种安全等级分类模式,可适用于多种不同的智能终端设备,可移植性强,应用广泛。
附图说明
图1为本发明实施例的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案:
一台智能终端的安全性能由N个测试单项决定,例如,短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告等。每个测试单项总分为100分,第i个测试单项得分为mi,智能终端测试结果由向量M表示,则M=[m1,m2,m3,…,mN]T,智能终端总分 Y由测试结果M和测试单项的权重函数H(n)决定的,H(n)可定义成均匀离散概率密度函数,即可表达成H=[h1,h2,h3,…,hN]T,每个终端的总得分用Y表示,则Y=MT·H。
将终端安全等级划分为K级,设定K-1个门限值为正数η1,η2,…,ηK-1,当满足0<Y≤η1,则定义终端安全级别为1级,当满足η1<Y≤η2,则定义安全等级为2级,依此类推,当满足ηK-2<Y≤ηK-1,则定义终端安全等级为K-1级,当满足Y>ηK-1,则定义安全等级为K级。
例如,设定将终端安全等级划分为4级,设定3个门限值为正数η1,η2,η3,当满足0<Y≤η1,则定义终端安全级别为1级,当满足η1<Y≤η2,则定义终端安全级别为2级,当满足η2<Y≤η3,则定义终端安全等级为3级,当满足Y>η3,则定义终端安全等级为4级。然后定义3个门限η1=25,η2=50,η3=75,根据这三个门限和总得分可将只能终端分成四个等级,得到新表达形式y
其中1,2,3,4分表示一级,二级,三级,四级。级别越高表示安全性能越强。
表格1智能终端安全级别定义
终端得分Y | 0≤Y≤25 | 25<Y≤50 | 50<Y≤75 | 75<Y≤100 |
安全程度 | 很低 | 低 | 中等 | 高 |
安全级别 | 1 | 2 | 3 | 4 |
当有1个智能终端测评S次或者S个智能终端的1次测评结果可表示成如下形式:T={(M1,y1),(M2,y2),…,(MS,yS)},其中Mi∈Rn为1台智能终端的第i次测试得分或第i台智能终端的得分,yi为第i个智能终端的级别。
由于支持向量机是二分类模型,在本实施例中以4级安全分类为例,故要采用分层的模式来分类。采用三层支持向量机模型,每层分出一级。
支持向量机是一种二类分类模型。其原理先给定一个特征空间上的训练数据集
T={(x1,y1),(x2,y2),…,(xN,yN)}
其中,xi∈x=Rn,yi∈γ={+1,-1},i=1,2,3,…,N。这些训练数据中可能不是线性可分 的。因此,可以通过使得它几何间隔最大,来求出一个最优超平面ω*·x+b*=0作为决策面。什么是几何间隔呢,几何间隔的表达为
定义超平面(w,b)关于训练集T的几何间隔为超平面(w,b)关于T中所有样本点(xi,yi)的几何间隔之最小值,即
通过几何间隔定义知当几何间隔最大是的超平面为最优的超平面。具体地,这个问题可以表达为下面的约束优化问题:
由几何间隔表达式(2)可以知道当w和b按照比例改变为λw和λb时,几何间隔也变成了λγ。因此,几何间隔跟w成反比,故优化问题可变成如下形式:
s.t.yi(w·xi+b)-1≥0,i=1,2,…,N (7)
针对上面形式,我们可以将他作为原始最优化问题,应用拉格朗日对偶性,通过对偶问题的到原始问题的最优解。
首先构造拉格朗日函数。为此,对每一个不等式约束(7)引进拉格朗日乘子αi≥0,i=1,2,…,N,定义拉格朗日函数:
其中,α=(α1,α2,…,αN)T为拉格朗日乘子向量。
根据拉格朗日对偶性,原始问题的对偶问题是极大极小问题:
首先求将L(w,b,α)分别对w,b求偏导数并令其等于0。
得到:
将式(9)带入拉格朗日函数(8),并利用式(10),得到
即
然后求对α的极大,即是对偶问题
αi≥0,i=1,2,…,N
将式(11)的目标函数由求极大转换成求极小,得到下面等价的对偶最化问题:
αi≥0,i=1,2,…,N
根据上述最优α*=(α1,α2,…,αN)可由定理计算出
即超平面为
w*·x+b*=0
因此,基于上述说明,如图1所示,本实施例的方法的具体步骤如下:
S1:对1台智能终端测试S次或者对S台终端测试1次,得到测试结果M1,M2,…,MS,每次测试结果由N个测试单例的得分组成,即由向量Mi=[m1,m2,…,mN]T表示,其中mi为第i个测试单例的得分,得分采用百分制,满分为100分,分越高安全性能越好。
S2:对每次测试结果乘以单例的权重函数H(n)即可得到每台终端的总分Y,其中权重函数H(n)为一个均匀概率密度函数,表示为H=[h1,h2,…,hN]T,即由于0≤mi≤100,所以0≤Y≤100。设置三个门限η1=25,η2=50,η3=75,通过总分将每台终端的安全级别分为四个安全等级,其中安全等级用y表示:
终端总分Y | 0≤Y≤η1 | η1<Y≤η2 | η2<Y≤η3 | η3<Y≤100 |
安全程度 | 很差 | 差 | 一般 | 安全 |
安全等级y | 1 | 2 | 3 | 4 |
其中,安全等级越高说明终端越安全。
S3:通过对每台终端计算总分和评等级,即可得到训练集T,T={(M1,y1),(M2,y2),…,(MN,yN)},yi∈{1,2,3,4},i=1,2,…,N。
S4:将训练集分成两类其中y=1的一类,y=2,y=3,y=4的分成一类,即的到训练集 其中
S5:构造并求解约束最优化问题
αi≥0,i=1,2,…,N
求出最优解
S6:计算
选择α(1)的一个正分量计算
S7:求得超平面
w(1)·x+b(1)=0
分类决策函数
f(1)(x)=sign(w(1)·x+b(1))
将安全级别为一级的终端分别出来,当f(1)(Mi)=1时为终端安全级别为1级,当f(1)(Mi)=-1时终端安全级别为2,3,4级。
S8:将2,3,4级在分成两类,其中2级为一类,3,4级为一类,得到新的训练集其中N1为2,3,4级终端的台数或得分次数。
S9:重复S5~S7得到决策函数f(2)(x)=sign(w(2)·x+b(2))通过这个函数可将安全级别为2的终端判别出来,当f(2)(Mi)=1时为2级,当f(2)(Mi)=-1时安全级别为3,4级。
S10:将3,4级在分成两类3级为一类,4级为一类,得到新的训练集其中N2为3,4级终端的台数或得分次数。
S11:重复S5~S7得到决策函数f(3)(x)=sign(w(3)·x+b(3))通过这个函数可将安全级别为2的终端判别出来,当f(3)(Mi)=1时为3级,当f(3)(Mi)=-1时安全级别为4级。
自此,可通过f(1)(x),f(2)(x),f(3)(x)三个决策函数将智能终端的安全级别分成四个等级。
Claims (4)
1.基于支持向量机的智能终端安全等级分类方法,其特征在于:包括以下步骤:
S1:对1台智能终端测试S次或者对S台终端测试1次,得到测试结果M1,M2,…,MS,每次测试结果由N个测试单项的得分组成,即由向量Mi=[m1,m2,…,mN]T表示,其中mi为第i个测试单例的得分,分越高安全性能越好;
S2:对每次测试结果乘以单例的权重函数H(n)得到每台终端的总分Y,其中权重函数H(n)为一个均匀概率密度函数,表示为H=[h1,h2,…,hN]T,即同时,将终端安全等级y划分为K级,设定K-1个门限值为正数η1,η2,…,ηK-1,当满足0<Y≤η1,则定义终端安全级别为1级,当满足η1<Y≤η2,则定义安全等级为2级,依此类推,当满足ηK-2<Y≤ηK-1,则定义终端安全等级为K-1级,当满足Y>ηK-1,则定义安全等级为K级,安全等级越高终端越安全;
S3:通过对每台终端的计算总分Mi和安全等级y,得到训练集T,其中,T={(M1,y1),(M2,y2),…,(MN,yN)},yi∈{1,2,3,4},i=1,2,…,N;
S4:根据安全等级的级数K,采用K-1层支持向量机模型,计算安全等级,包括以下子步骤:
S41:初始化,令初始变量m=1;
S42:将训练集分成两类,其中y=m的为一类,y=m+1~K级为另一类,即得到训练集其中i=1,2,…,N;
S43:构造并求解约束最优化问题,公式如下:
求出最优解式中,α=(α1,α2,…,αN)T为拉格朗日乘子向量,xi∈χ=Rn,yi∈γ={+1,-1},i=1,2,3,…,N;
S44:计算:
式中,w表示高维空间中分类超平面的法向量值;同时,选择α(m)的一个正分量计算
式中,b表示高维空间中分类超平面的截距值;
S45:计算得到超平面:
w(m)·x+b(m)=0
通过分类决策函数
f(m)(x)=sign(w(m)·x+b(m))
将安全级别为m级的终端分别出来:当f(1)(Mi)=1时为终端安全级别为m级,当f(1)(Mi)=-1时终端安全级别为m+1~N级;
S46:判断m的值是否等于K-1:如果是,则完成所有安全等级分级;如果不是,则将m进行+1操作,并返回步骤S42。
2.根据权利要求1所述的基于支持向量机的智能终端安全等级分类方法,其特征在于:所述的测试单项包括短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。
3.根据权利要求1所述的基于支持向量机的智能终端安全等级分类方法,其特征在于:所述的安全等级为4级,需设定3个门限值η1,η2,η3,采用3层支持向量机模型。
4.根据权利要求1所述的基于支持向量机的智能终端安全等级分类方法,其特征在于:步骤S1和步骤S2之间还包括一个步骤:判断得分M是否为0,如果是,则返回步骤S1;否则进入步骤S2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710001798.5A CN106650828B (zh) | 2017-01-03 | 2017-01-03 | 基于支持向量机的智能终端安全等级分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710001798.5A CN106650828B (zh) | 2017-01-03 | 2017-01-03 | 基于支持向量机的智能终端安全等级分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650828A true CN106650828A (zh) | 2017-05-10 |
CN106650828B CN106650828B (zh) | 2020-03-24 |
Family
ID=58838670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710001798.5A Active CN106650828B (zh) | 2017-01-03 | 2017-01-03 | 基于支持向量机的智能终端安全等级分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650828B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108244874A (zh) * | 2018-02-14 | 2018-07-06 | 深圳市三分之睡眠科技有限公司 | 自动调节床及其调节方法 |
CN108846476A (zh) * | 2018-07-13 | 2018-11-20 | 电子科技大学 | 一种基于卷积神经网络的智能终端安全等级分类方法 |
CN109033288A (zh) * | 2018-07-13 | 2018-12-18 | 电子科技大学 | 一种基于bp神经网络的智能终端安全等级分类方法 |
CN109344848A (zh) * | 2018-07-13 | 2019-02-15 | 电子科技大学 | 基于Adaboost的移动智能终端安全等级分类方法 |
CN111027623A (zh) * | 2019-12-10 | 2020-04-17 | 深圳供电局有限公司 | 数据增强的智能终端安全等级分类方法及系统 |
CN115828163A (zh) * | 2022-12-03 | 2023-03-21 | 长春工业大学 | 一种输电铁塔健康状态数据分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364408A (zh) * | 2008-10-07 | 2009-02-11 | 西安成峰科技有限公司 | 一种声像联合的监控方法及系统 |
CN102637143A (zh) * | 2012-03-07 | 2012-08-15 | 南京邮电大学 | 基于改进的支持向量机的软件缺陷优先级预测方法 |
CN103810101A (zh) * | 2014-02-19 | 2014-05-21 | 北京理工大学 | 一种软件缺陷预测方法和软件缺陷预测系统 |
CN104966076A (zh) * | 2015-07-21 | 2015-10-07 | 北方工业大学 | 基于支持向量机的光纤入侵信号分类识别方法 |
-
2017
- 2017-01-03 CN CN201710001798.5A patent/CN106650828B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364408A (zh) * | 2008-10-07 | 2009-02-11 | 西安成峰科技有限公司 | 一种声像联合的监控方法及系统 |
CN102637143A (zh) * | 2012-03-07 | 2012-08-15 | 南京邮电大学 | 基于改进的支持向量机的软件缺陷优先级预测方法 |
CN103810101A (zh) * | 2014-02-19 | 2014-05-21 | 北京理工大学 | 一种软件缺陷预测方法和软件缺陷预测系统 |
CN104966076A (zh) * | 2015-07-21 | 2015-10-07 | 北方工业大学 | 基于支持向量机的光纤入侵信号分类识别方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108244874A (zh) * | 2018-02-14 | 2018-07-06 | 深圳市三分之睡眠科技有限公司 | 自动调节床及其调节方法 |
CN108244874B (zh) * | 2018-02-14 | 2024-04-19 | 深圳市三分之一睡眠科技有限公司 | 自动调节床 |
CN108846476A (zh) * | 2018-07-13 | 2018-11-20 | 电子科技大学 | 一种基于卷积神经网络的智能终端安全等级分类方法 |
CN109033288A (zh) * | 2018-07-13 | 2018-12-18 | 电子科技大学 | 一种基于bp神经网络的智能终端安全等级分类方法 |
CN109344848A (zh) * | 2018-07-13 | 2019-02-15 | 电子科技大学 | 基于Adaboost的移动智能终端安全等级分类方法 |
CN111027623A (zh) * | 2019-12-10 | 2020-04-17 | 深圳供电局有限公司 | 数据增强的智能终端安全等级分类方法及系统 |
CN115828163A (zh) * | 2022-12-03 | 2023-03-21 | 长春工业大学 | 一种输电铁塔健康状态数据分类方法 |
CN115828163B (zh) * | 2022-12-03 | 2023-08-18 | 长春工业大学 | 一种输电铁塔健康状态数据分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106650828B (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650828A (zh) | 基于支持向量机的智能终端安全等级分类方法 | |
Chen et al. | Ikm at semeval-2017 task 8: Convolutional neural networks for stance detection and rumor verification | |
Qiu et al. | SIGMM: A novel machine learning algorithm for spammer identification in industrial mobile cloud computing | |
CN110135167B (zh) | 一种随机森林的边缘计算终端安全等级评估方法 | |
CN109816092A (zh) | 深度神经网络训练方法、装置、电子设备及存储介质 | |
CN108090510A (zh) | 一种基于间隔优化的集成学习方法及装置 | |
Wager et al. | Altitude training: Strong bounds for single-layer dropout | |
CN104299047B (zh) | 一种基于模糊综合评价法的飞机航路评价指标体系的建立方法 | |
CN107846392A (zh) | 一种基于改进协同训练‑adbn的入侵检测算法 | |
Sundar | A comparative study for predicting students academic performance using Bayesian network classifiers | |
CN106446931A (zh) | 基于支持向量数据描述的特征提取及分类方法及其系统 | |
CN106960387A (zh) | 个人信用风险评估方法及系统 | |
Santos et al. | Optimizing the parameters of drift detection methods using a genetic algorithm | |
Imtiaz et al. | A better comparison summary of credit scoring classification | |
CN108363717A (zh) | 一种数据安全级别的识别检测方法及装置 | |
CN115577357A (zh) | 一种基于堆叠集成技术的Android恶意软件检测方法 | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN108846476A (zh) | 一种基于卷积神经网络的智能终端安全等级分类方法 | |
Yang | COVID-19 fake news detection via graph neural networks in social media | |
CN110399818A (zh) | 一种风险预测的方法和设备 | |
US7634140B2 (en) | Pattern feature selection method, classification method, judgment method, program, and device | |
CN109344848A (zh) | 基于Adaboost的移动智能终端安全等级分类方法 | |
CN107609570A (zh) | 基于属性分类和多视角特征融合的微视频流行度预测方法 | |
CN106161458B (zh) | 基于双加权在线极限学习机的网络入侵检测方法 | |
Suyal et al. | Performance evaluation of rough set based classification models to intrusion detection system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |