CN109408632A - 一种信息安全识别方法 - Google Patents
一种信息安全识别方法 Download PDFInfo
- Publication number
- CN109408632A CN109408632A CN201811069854.XA CN201811069854A CN109408632A CN 109408632 A CN109408632 A CN 109408632A CN 201811069854 A CN201811069854 A CN 201811069854A CN 109408632 A CN109408632 A CN 109408632A
- Authority
- CN
- China
- Prior art keywords
- data
- identified
- feature
- model
- recognition methods
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
相比现有技术,本发明实施例提出的一种信息安全识别方法,通过区分待识别数据的类型,对待识别数据进行预处理,然后选择与待识别数据类型对应的安全识别模型,对待识别数据进行自动安全识别,无需人为操作即可自动完成信息的安全识别,降低了成本,方便快速,且模型识别的精准度比人工监测识别的精准度高。
Description
技术领域
本发明实施例涉及信息识别技术领域,具体涉及一种信息安全识别方法。
背景技术
随着科技的进步和网络的普及,无论是国家、机构、公司还是个人,时刻都在网络上制造着大量的信息。其中包含有网站、电子报纸、社交媒体等等。
在目前看来,对于网络中各种类型的数据,例如图片数据、视频数据和文本数据大多只能进行简单的文本情感判断、实体抽取、图片识别,而信息安全只能通过人工的方式来监测与识别,极其耗费人力成本。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本发明实施例提供了一种信息安全识别方法。
有鉴于此,第一方面,本发明实施例提供一种信息安全识别方法,包括:
获取待识别数据;
确定所述待识别数据的类型,所述类型包括文本数据、视频数据和图片数据;
根据所述待识别数据的类型,对所述待识别数据进行预处理;
选择与所述待识别数据的类型对应的预先构建的安全识别模型;
根据所述安全识别模型对预处理后的所述待识别数据进行安全识别。
可选的,根据所述待识别数据的类型,对所述待识别数据进行预处理包括:
若所述待识别数据为文本数据,则去除待识别数据表中的非法字符和标签;
若所述待识别数据为视频数据,则提取待识别数据中的视频帧,根据所述视频帧生成图片数据,并提取生成的图片数据的特征;
若所述待识别数据为图片数据,则提取待识别数据的特征。
可选的,选择与所述待识别数据的类型对应的预先构建的安全识别模型,包括:
若所述待识别数据为文本数据,则选择预先构建的敏感信息提取模型;
若所述待识别数据为图片数据或视频数据,则选择预先构建的特征比对模型。
可选的,所述敏感信息提取模型的构建,包括:
获取大量文本数据;
对所述大量文本数据进行预处理;
通过自然语言处理技术识别预处理后的大量文本数据中的敏感信息;
将所述敏感信息作为语料,采用深度学习算法对所述语料进行训练,得到敏感信息提取模型。
可选的,所述特征比对模型的构建,包括:
获取大量图片数据;
对所述大量图片数据进行预处理,提取所述大量图片数据中的不安全特征;
用所述不安全特征组成特征比对模型。
可选的,根据所述安全识别模型对预处理后的所述待识别数据进行安全识别,包括:
若所述待识别数据为文本数据,则将预处理后的所述待识别数据输入预先构建的敏感信息提取模型;
所述敏感信息提取模型对所述待识别数据进行识别,输出所述待识别数据中的敏感信息。
可选的,根据所述安全识别模型对预处理后的所述待识别数据进行安全识别,包括:
若所述待识别数据为视频数据或图片数据,则将所述待识别数据预处理后得到的特征与所述特征比对模型中的特征进行比对;
若所述待识别数据的特征与所述特征比对模型中的特征的比对结果满足预设条件是,则确定所述待识别数据不安全。
可选的,所述方法还包括:
采用聚类算法对所述待识别数据进行聚类,得到热点事件;
采用命名实体识别方法,将所述热点事件与预设的风险特征库进行对比,确定所述热点事件的风险。
第二方面,本发明实施例还提出一种终端,包括:
至少一个处理器、存储器和总线;
所述处理器和存储器通过所述总线进行通信连接;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如第一方面所述方法的步骤。
相比现有技术,本发明实施例提出的一种信息安全识别方法,通过区分待识别数据的类型,对待识别数据进行预处理,然后选择与待识别数据类型对应的安全识别模型,对待识别数据进行自动安全识别,无需人为操作即可自动完成信息的安全识别,降低了成本,方便快速,且模型识别的精准度比人工监测识别的精准度高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种信息安全识别方法流程图;
图2为本发明实施例提供的一种敏感信息提取模型构建方法流程图;
图3为本发明实施例提供的一种特征比对模型的构建方法流程图;
图4为本发明实施例二提供的一种信息安全识别方法流程图;
图5为本发明实施例提供的一种条件随机场模型示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
参照图1,图1为本发明实施例提供的一种信息安全识别方法流程图,如图所示,所述方法包括:
S101.获取待识别数据;
具体的,可以通过爬虫技术在网络中获取待识别数据;也可以获取用户输入的数据作为待识别数据;所述数据可以包括中文、英文、葡语、阿拉伯语等多个语种的文本数据,也可以包括图片数据和视频数据。
S102.确定所述待识别数据的类型,所述类型包括文本数据、视频数据和图片数据;
具体的,通过待识别数据的扩展名确定待识别数据的类型,例如扩展名为.bmp、.dib、.gif、.jpg、.tif、.tga或.pic的数据为图片数据,扩展名为.txt、.rtf或.lmt的数据为文本数据,扩展名为.avi、.dat、.mpg或.mov的数据为视频数据。
S103.根据所述待识别数据的类型,对所述待识别数据进行预处理;
具体的,若待识别数据为文本数据,则去除待识别数据中的非法字符和标签。
若所述待识别数据为视频数据,则提取待识别数据的视频帧,根据视频帧生成图片,并提取生成的图片的特征;
若所述待识别数据为图片数据,则提取待识别数据的特征。
所述特征为HOG特征。
S104.选择与所述待识别数据的类型对应的预先构建的安全识别模型;
具体的,不同类型的待识别数据对应不同的安全识别模型,例如:若待识别数据为文本数据,则对应的安全识别模型为预先构建的敏感信息提取模型;若待识别数据为视频数据或图片数据,则对应的安全识别模型为预先构建的特征比对模型。
S105.根据所述安全识别模型对预处理后的所述待识别数据进行安全识别。
具体的,若所述待识别数据为文本数据,则将预处理后的所述待识别数据输入预先构建的敏感信息提取模型;
所述敏感信息提取模型对所述待识别数据进行识别,输出所述待识别数据中的敏感信息。
若所述待识别数据为视频数据或图片数据,则将所述待识别数据预处理后得到的特征与所述特征比对模型中的特征进行比对;
若所述待识别数据的特征与所述特征比对模型中的特征的比对结果满足预设条件是,则确定所述待识别数据不安全。
具体的,所述特征比对模型中的特征为通过对大量图片数据进行训练得出的不安全特征,将待识别数据的特征与这些不安全特征进行比对,当待识别数据中的特征与特征对比模型中的至少一个不安全特征重合时,则确定所述待识别数据不安全。
具体的,参照图2,图2为本发明实施例提供的一种敏感信息提取模型构建方法流程图,如图所示,在某些实施例中,所述敏感信息提取模型的构建,包括:
S201.获取大量文本数据;
具体的,所述大量文本数据为用户输入的或通过爬虫技术在网络中爬取的。
S202.对所述大量文本数据进行预处理;
具体的,所述预处理包括:去除文本数据中的非法字符和标签,并将文本数据存入hdfs中,所述hdfs是Hadoop分布式文件系统。
S203.通过自然语言处理技术识别预处理后的大量文本数据中的敏感信息;
具体的,步骤S203之前还包括提取hdfs中存储的文本数据;
所述敏感信息包括:反动、恐怖、色情等信息。
S204.将所述敏感信息作为语料,采用深度学习算法对所述语料进行训练,得到敏感信息提取模型。
具体的,参照图3,图3为本发明实施例提供的一种特征比对模型的构建方法流程图,如图所示,所述模型构建方法包括:
S301.获取大量图片数据或视频数据;
具体的,所述图片数据或视频数据为用户输入的或通过爬虫技术在网络中爬取的。
S302.对所述大量图片数据或视频数据进行预处理,得到所述大量图片数据或视频数据对应的不安全特征;
具体的,对于视频数据,所述预处理包括:提取视频数据的视频帧,根据视频帧生成图片,将图片存入fastdfs中,所述Fastdfs是一个开源的轻量级分布式文件系统,从fastdfs提取图片并提取所述图片的不安全特征;
对于图片数据,所述预处理包括:提取图片数据的不安全特征;
具体的,所述不安全特征的种类为根据大量试验或专家经验得出的。
S303.用所述不安全特征组成特征比对模型。
具体的,所述特征比对模型为一个由不安全特征组成的特征库。
实施例二
参照图4,图4为本发明实施例提供的一种信息安全识别方法流程图,如图所示,所述方法包括:
S401.获取待识别数据;
S402.确定所述待识别数据的类型,所述类型包括文本数据、视频数据和图片数据;
S403.根据所述待识别数据的类型,对所述待识别数据进行预处理;
S404.选择与所述待识别数据的类型对应的预先构建的安全识别模型;
S405.根据所述安全识别模型对预处理后的所述待识别数据进行安全识别;
S406.采用聚类算法对所述待识别数据进行聚类,得到热点事件;
具体的,可以采用K-Means(K均值)、凝聚层级聚类(HAC)等算法进行聚类。
S407.采用命名实体识别方法,将所述热点事件与预设的风险特征库进行对比,确定所述热点事件的风险。
具体的,若所述热点事件与所述风险特征库中的至少一种特征重合则确定所述热点事件存在风险。
命名实体识别(Named Entity Recognition,简称NER),又称作“专名识别”,是指识别文本中具有特定意义的实体,主要包括人名、地名、机构名、专有名词等。
命名实体识别是信息提取、问答系统、句法分析、机器翻译、面向Semantic Web的元数据标注等应用领域的重要基础工具,在自然语言处理技术走向实用化的过程中占有重要地位。一般来说,命名实体识别的任务就是识别出待处理文本中三大类(实体类、时间类和数字类)、七小类(人名、机构名、地名、时间、日期、货币和百分比)命名实体。
命名实体识别通常包括两部分:(1)实体边界识别;(2)确定实体类别(人名、地名、机构名或其他)。
基于机器学习的命名实体识别方法划分为如下四种类型:有监督的学习方法、半监督的学习方法、无监督的学习方法和混合方法。每种类型对应的模型或方法如下表所示:
本申请实施例以基于条件随机场(CRF)的命名实体识别方法为例,条件随机场是一个无向图模型的框架,它能够被用来定义在给定一组需要标记的观察序列的条件下,一个标记序列的联结概率分布。假设X,Y分别表示需要标记的观察序列和它相应的标记序列的联合分布随机变量,那么CRFs(X,Y)就是一个以观察序列X为条件的无向图模型。
本申请定义G=(U,V)为一个无向图,U是一个非空有限集合,V是U中元素的无序对所组成的集合,Y={Yv|v∈V}即V中的每个节点对应于一个随机变量所表示的标记序列的成分Yv。如果每个随机变量Yv对于G遵循条件独立属性,那么(X,Y)就是一个条件随机场,随机变量Yv的概率如下式所示:
p(Yv|X,Yu,u≠v,{u,v}∈V}
即等于:
p(Yv|X,Yu,(u,v)∈E}
理论上,图G的结构可以是任意的,它描述标记序列中的条件独立性。然而,在建立模型时,最简单和最普遍的图结构是一个简单的一阶链结构。在该结构中的每个节点对应于Y的元素,如图5所示的条件随机场模型示意图,图中X1到Xn,Y1到Yn分别表示需要标记的观察序列和它相应的标记序列的联合分布随机变量。
CRFs作为一个概率自动机,该自动机的每个状态转移都对应一个非归一化权值,这些权值的非归一化的性质意味着在CRFs模型中的转移是区别对待的。因此,对任何给定的状态都可能会放大或缩小传递到后继状态的概率分配,而任意状态序列的权值则由全局归一化因子给出。从而CRFs也就避免了标一记偏置问题的发生。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种信息安全识别方法,其特征在于,包括:
获取待识别数据;
确定所述待识别数据的类型,所述类型包括文本数据、视频数据和图片数据;
根据所述待识别数据的类型,对所述待识别数据进行预处理;
选择与所述待识别数据的类型对应的预先构建的安全识别模型;
根据所述安全识别模型对预处理后的所述待识别数据进行安全识别。
2.根据权利要求1所述的信息安全识别方法,其特征在于,根据所述待识别数据的类型,对所述待识别数据进行预处理包括:
若所述待识别数据为文本数据,则去除待识别数据表中的非法字符和标签;
若所述待识别数据为视频数据,则提取待识别数据中的视频帧,根据所述视频帧生成图片数据,并提取生成的图片数据的特征;
若所述待识别数据为图片数据,则提取待识别数据的特征。
3.根据权利要求2所述的信息安全识别方法,其特征在于,选择与所述待识别数据的类型对应的预先构建的安全识别模型,包括:
若所述待识别数据为文本数据,则选择预先构建的敏感信息提取模型;
若所述待识别数据为图片数据或视频数据,则选择预先构建的特征比对模型。
4.根据权利要求3所述的信息安全识别方法,其特征在于,所述敏感信息提取模型的构建,包括:
获取大量文本数据;
对所述大量文本数据进行预处理;
通过自然语言处理技术识别预处理后的大量文本数据中的敏感信息;
将所述敏感信息作为语料,采用深度学习算法对所述语料进行训练,得到敏感信息提取模型。
5.根据权利要求3所述的信息安全识别方法,其特征在于,所述特征比对模型的构建,包括:
获取大量图片数据;
对所述大量图片数据进行预处理,提取所述大量图片数据中的不安全特征;
用所述不安全特征组成特征比对模型。
6.根据权利要求4所述的信息安全识别方法,其特征在于,根据所述安全识别模型对预处理后的所述待识别数据进行安全识别,包括:
若所述待识别数据为文本数据,则将预处理后的所述待识别数据输入预先构建的敏感信息提取模型;
所述敏感信息提取模型对所述待识别数据进行识别,输出所述待识别数据中的敏感信息。
7.根据权利要求5所述的信息安全识别方法,其特征在于,根据所述安全识别模型对预处理后的所述待识别数据进行安全识别,包括:
若所述待识别数据为视频数据或图片数据,则将所述待识别数据预处理后得到的特征与所述特征比对模型中的特征进行比对;
若所述待识别数据的特征与所述特征比对模型中的特征的比对结果满足预设条件是,则确定所述待识别数据不安全。
8.根据权利要求1所述的信息安全识别方法,其特征在于,所述方法还包括:
采用聚类算法对所述待识别数据进行聚类,得到热点事件;
采用命名实体识别方法,将所述热点事件与预设的风险特征库进行对比,确定所述热点事件的风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811069854.XA CN109408632A (zh) | 2018-09-13 | 2018-09-13 | 一种信息安全识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811069854.XA CN109408632A (zh) | 2018-09-13 | 2018-09-13 | 一种信息安全识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109408632A true CN109408632A (zh) | 2019-03-01 |
Family
ID=65464852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811069854.XA Pending CN109408632A (zh) | 2018-09-13 | 2018-09-13 | 一种信息安全识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408632A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781173A (zh) * | 2019-10-12 | 2020-02-11 | 杭州城市大数据运营有限公司 | 一种数据识别方法、装置、计算机设备及存储介质 |
CN112528638A (zh) * | 2019-08-29 | 2021-03-19 | 北京沃东天骏信息技术有限公司 | 异常对象识别方法及装置、电子设备、存储介质 |
CN114419525A (zh) * | 2022-03-30 | 2022-04-29 | 成都考拉悠然科技有限公司 | 一种有害视频的检测方法及其系统 |
CN115346306A (zh) * | 2022-08-26 | 2022-11-15 | 中国银行股份有限公司 | 一种污损纸币识别方法及装置 |
CN115909374A (zh) * | 2021-09-30 | 2023-04-04 | 腾讯科技(深圳)有限公司 | 一种信息识别方法、装置、设备及存储介质、程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040128661A1 (en) * | 2002-12-31 | 2004-07-01 | Somnath Ghosh | Automatic data locality optimization for non-type-safe languages |
CN103324665A (zh) * | 2013-05-14 | 2013-09-25 | 亿赞普(北京)科技有限公司 | 一种基于微博的热点信息提取的方法和装置 |
CN104636449A (zh) * | 2015-01-27 | 2015-05-20 | 厦门大学 | 基于lsa-gcc的分布式大数据系统风险识别方法 |
CN105022835A (zh) * | 2015-08-14 | 2015-11-04 | 武汉大学 | 一种群智感知大数据公共安全识别方法及系统 |
CN105740228A (zh) * | 2016-01-25 | 2016-07-06 | 云南大学 | 一种互联网舆情分析方法 |
CN106296195A (zh) * | 2015-05-29 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
-
2018
- 2018-09-13 CN CN201811069854.XA patent/CN109408632A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040128661A1 (en) * | 2002-12-31 | 2004-07-01 | Somnath Ghosh | Automatic data locality optimization for non-type-safe languages |
CN103324665A (zh) * | 2013-05-14 | 2013-09-25 | 亿赞普(北京)科技有限公司 | 一种基于微博的热点信息提取的方法和装置 |
CN104636449A (zh) * | 2015-01-27 | 2015-05-20 | 厦门大学 | 基于lsa-gcc的分布式大数据系统风险识别方法 |
CN106296195A (zh) * | 2015-05-29 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 一种风险识别方法及装置 |
CN105022835A (zh) * | 2015-08-14 | 2015-11-04 | 武汉大学 | 一种群智感知大数据公共安全识别方法及系统 |
CN105740228A (zh) * | 2016-01-25 | 2016-07-06 | 云南大学 | 一种互联网舆情分析方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528638A (zh) * | 2019-08-29 | 2021-03-19 | 北京沃东天骏信息技术有限公司 | 异常对象识别方法及装置、电子设备、存储介质 |
CN110781173A (zh) * | 2019-10-12 | 2020-02-11 | 杭州城市大数据运营有限公司 | 一种数据识别方法、装置、计算机设备及存储介质 |
CN115909374A (zh) * | 2021-09-30 | 2023-04-04 | 腾讯科技(深圳)有限公司 | 一种信息识别方法、装置、设备及存储介质、程序产品 |
CN115909374B (zh) * | 2021-09-30 | 2024-06-18 | 腾讯科技(深圳)有限公司 | 一种信息识别方法、装置、设备及存储介质、程序产品 |
CN114419525A (zh) * | 2022-03-30 | 2022-04-29 | 成都考拉悠然科技有限公司 | 一种有害视频的检测方法及其系统 |
CN115346306A (zh) * | 2022-08-26 | 2022-11-15 | 中国银行股份有限公司 | 一种污损纸币识别方法及装置 |
CN115346306B (zh) * | 2022-08-26 | 2024-06-11 | 中国银行股份有限公司 | 一种污损纸币识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anandarajan et al. | Text preprocessing | |
CN109408632A (zh) | 一种信息安全识别方法 | |
Saloot et al. | Hadith data mining and classification: a comparative analysis | |
CN110968684B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN111222305B (zh) | 一种信息结构化方法和装置 | |
Vedula et al. | Enriching taxonomies with functional domain knowledge | |
CN103605691B (zh) | 用于处理社交网络中发布内容的装置和方法 | |
CN110297988A (zh) | 基于加权LDA和改进Single-Pass聚类算法的热点话题检测方法 | |
Raj et al. | An application to detect cyberbullying using machine learning and deep learning techniques | |
Bharti et al. | Context-based sarcasm detection in Hindi tweets | |
CN112035675A (zh) | 医疗文本标注方法、装置、设备及存储介质 | |
CN113128227A (zh) | 实体抽取方法及装置 | |
US20210004602A1 (en) | Method and apparatus for determining (raw) video materials for news | |
US20180330202A1 (en) | Identifying augmented features based on a bayesian analysis of a text document | |
Nandi et al. | Bangla news recommendation using doc2vec | |
ALBayari et al. | Cyberbullying classification methods for Arabic: A systematic review | |
Ingólfsdóttir et al. | Named entity recognition for icelandic: Annotated corpus and models | |
Chandola et al. | Online resume parsing system using text analytics | |
Jiang et al. | Structurizing misinformation stories via rationalizing fact-checks | |
CN112445862B (zh) | 物联网设备数据集构建方法、装置、电子设备和存储介质 | |
CN112380848B (zh) | 文本生成方法、装置、设备及存储介质 | |
Gupta et al. | Tools of opinion mining | |
CN113051869B (zh) | 一种结合语义识别实现标识文本差异内容的方法及系统 | |
Bordino et al. | Garnlp: a natural language processing pipeline for garnishment documents | |
Litvinova et al. | Two views on the 2010 Moscow metro bombings: corpus-based contrastive keyword analysis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |
|
RJ01 | Rejection of invention patent application after publication |