CN109450978A - 一种基于storm的数据分类和负载均衡处理方法 - Google Patents
一种基于storm的数据分类和负载均衡处理方法 Download PDFInfo
- Publication number
- CN109450978A CN109450978A CN201811179687.4A CN201811179687A CN109450978A CN 109450978 A CN109450978 A CN 109450978A CN 201811179687 A CN201811179687 A CN 201811179687A CN 109450978 A CN109450978 A CN 109450978A
- Authority
- CN
- China
- Prior art keywords
- data
- storm
- classification
- business
- label
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于storm的数据分类和负载均衡处理方法,包括步骤:原始数据根据业务进行标签添加、根据大类标签新建不同的topic写入kafka分布式发布订阅消息系统中、根据需要storm选择消费topic message、根据具体业务对初步分类的数据进行标准化处理、根据topic进行业务需求丰富化处理、数据分析入口、分析结果存储。本发明的方法通过针对业务的数据分类,可根据不同数据来源处理数据,极大的贴合业务需求开发流程,可处理各种类型数据,具有极其广泛的通用性。
Description
技术领域
本发明涉及大数据处理技术领域,特别涉及一种基于storm的数据分类和负载均衡处理方法。
背景技术
数据分类调研分析的基础是数据,而数据的类型可以分为连续性的变量和分类变量。数据分类就是把具有某种共同属性或特征的数据归并在一起,通过其类别的属性或特征来对数据进行区别。换句话说,就是相同内容、相同性质的信息以及要求统一管理的信息集合在一起,而把相异的和需要分别管理的信息区分开来,然后确定各个集合之间的关系,形成一个有条理的分类系统。
现有的各种数据分类方法主要基于单纯的算法来实现,常用算法包括决策树分类、基于规则分类、最邻近分类、朴素贝叶斯分类器、人工神经网络、支持向量机等,这些算法可以根据某些特征进行分类,而这些分类往往具有不可用性,需要相应的方法和需要达到的数据进行训练分析,总体来说其业务性和实际适用性不强。
负载均衡建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性,现有的负载均衡处理包括http重定向、反向代理负载均衡、dns负载均衡、ip负载均衡、直接路由、ip隧道等处理方法,以上负载均衡基本上实现的是服务器的负载均衡,并没有对各类数据均衡的一个针对性处理。
发明内容
本发明的目的是克服上述背景技术中不足,提供一种基于storm的数据分类和负载均衡处理方法,可解决对大量数据分类处理问题,实现大量数据的负载均衡处理,更好的实现数据分析,本发明巧妙地利用storm的分组分发功能,对各种类型的数据进行分类处理,分类的同时考虑并发和负载问题,自动动态均衡数据处理,并可方便的实现扩容并具有较强的稳定性。
为了达到上述的技术效果,本发明采取以下技术方案:
一种基于storm的数据分类和负载均衡处理方法,包括以下步骤:
A.将原始数据根据业务进行标签添加,进行数据样本集的初步分类,此步骤中可引入一些分类算法校验标签的匹配程度和可用性,进行初步的业务需求匹配度分析;
B.根据大类标签新建不同的topic写入kafka中,进行初步的业务分类处理;
C.根据需要storm选择消费topic message,根据需要选择合适的storm tuple分组分发方法,使吞吐量达到数据处理量要求,具体可根据数据量进行kafkaspout并发度调整,使吞吐量达到数据处理量要求,并且达到较好处理性能;
D.根据具体业务对初步分类的数据进行标准化处理,规范信息格式,根据需要选择合适的storm tuple分组分发方法,使吞吐量达到数据处理量要求,具体可根据数据量进行standardizedbolt并发度调整,使吞吐量达到数据处理量要求,并且达到较好处理性能;
E.根据topic进行业务需求丰富化处理,添加我们所需要使用字段,根据需要选择合适的storm tuple分组分发方法,使吞吐量达到数据处理量要求,具体可根据数据量进行enrichbolt并发度调整,使吞吐量达到数据处理量要求,并且达到较好处理性能;
F.数据分析入口,根据业务处理规则进行合适的storm tuple分组分发以及并发度的调整;
G.分析结果存储。
进一步地,所述步骤A中对原始数据根据业务进行标签添加时还包括运用分类算法校验标签的匹配程度和可用性,从而进行初步的业务需求匹配度分析,其目的是为了对数据样本集进行初步分类。
进一步地,所述分类算法为决策树算法,考虑到多种数据结构问题,优选采用决策树算法。
进一步地,所述分类算法为随机森林算法,考虑到泛化能力的问题,优选采用决策树中的随机森林(Random Forest)算法。
进一步地,所述步骤B中使用中间件logstash来实现初步的业务分类处理,且包括在logstash配置文件中加入标签,分类处理的目的在于后续根据不同的数据进行不同类型的数据解析。
进一步地,所述标签包括标签A和标签B,所述标签A表示来源清楚的标签,标签B表示由分类算法得出的标签,即在logstash配置文件中加入标签时,标签的选择包含两方面,一方面是来源清楚的标签,记为标签A,一方面是算法得出的标签,记为标签B。
进一步地,所述步骤D中的标准化处理包括对已消费数据进行标准化解析,所述标准化解析包含标准xml解析、json解析、正则解析、统一数据时间格式。
进一步地,所述步骤E中的业务需求丰富化处理包括ip字段丰富化处理、ESmapping映射优化,所述ip字段丰富化处理包括检索ip库、判断ip所在地理位置。
进一步地,所述步骤G中包括存储原始数据及步骤F中分析出的数据结果,存储原始数据可便于后期查看,存储分析出的数据结果便于将分析出的数据结果作为图表展示。
本发明与现有技术相比,具有以下的有益效果:
本发明的基于storm的数据分类和负载均衡处理方法,通过针对业务的数据分类,可根据不同数据来源处理数据,极大的贴合业务需求开发流程,可处理各种类型数据,具有极其广泛的通用性,采用基于storm的分布式处理,当数据量的处理达到瓶颈的时候可方便的增加机器节点,使得可扩展性良好,同时storm的扩展在一定范围内也可保证数据处理的性能和稳定性。
具体实施方式
下面结合本发明的实施例对本发明作进一步的阐述和说明。
实施例:
实施例一:
一种基于storm的数据分类和负载均衡处理方法,具体包括以下步骤:
S1.原始数据根据业务进行标签添加:
此处可引入一些分类算法校验标签的匹配程度和可用性,进行初步的业务需求匹配度分析,目的是为了对数据样本集进行初步分类,考虑到多种数据结构问题,优选采用决策树算法,考虑到泛化能力的问题进一步优选采用决策树中的随机森林(Random Forest)算法;
S2.根据大类标签新建不同的topic写入kafka分布式发布订阅消息系统中;
此处可使用logstash此类中间件来实现初步的业务分类处理,分类处理的目的在于后续根据不同的数据进行不同类型的数据解析;
同时,在logstash配置文件中加入标签,标签的选择包含两方面,一方面是来源清楚的标签,记为标签a,一方面是算法得出的标签,记为标签b。
S3.根据需要storm选择消费topic message:
比如选择nginx来源的日志数据启动一个kafkasput进行消费,tomcat来源日志数据的又启动一个kafkaspout进行消费;
并根据需要选择合适的storm tuple分组分发方法,本发明中充分利用storm的分组分发处理如fieldsgroup,shuffergroup等较为常用的分组分发方法,包括可根据数据量进行kafkaspout并发度调整,使吞吐量达到数据处理量要求,并且达到较好处理性能,性能的好坏可参考storm的kafkasput部分处理时间,处理时间越小则性能越好,且最好使得处理时间小于500ms;
S4.根据具体业务对初步分类的数据进行标准化处理:
标准化处理包括,对已消费数据进行标准化解析,如标准xml解析、json解析、正则解析、数据时间格式统一,再根据需要选择合适的storm tuple分组分发方法,可根据数据量进行standardizedbolt并发度调整,使吞吐量达到数据处理量要求,并且达到较好处理性能,性能的好坏可参考storm的bolt部分负载指标capacity,负载指标capacity越小越好,且最好使得负载指标小于0.2;
S5.根据topic进行业务需求丰富化处理:
此处丰富化主要是ip字段丰富化处理,如检索ip库,判断ip所在地理位置,以及esmapping的一个映射关系,若存储到elasticsearch时,可根据数据量进行enrichbolt并发度调整,使吞吐量达到数据处理量要求,并且达到较好处理性能,性能的好坏可参考storm的bolt部分负载指标capacity,负载指标capacity越小越好,且最好使得负载指标capacity小于0.2;
S6.数据分析入口;
根据业务处理规则进行合适的storm tuple分组分发以及并发度的调整,使吞吐量达到数据处理量要求,并且达到较好处理性能;其中规则形如:
durationtime:30math:count value:request_time>0,
即在30s时间周期内对request_time字段满足request_time>0的字段进行统计,此处统计包括计数、求和、求平均值、排序等操作。
性能的好坏可参考storm的bolt部分负载指标capacity,负载指标capacity越小越好,且最好使得负载指标capacity小于0.2;
S7.分析结果存储,一方面是原始数据的存储以方便查看,另一方面是分析出的数据结果的存储以方便作为图表展示。
实施例二
一种基于storm的数据分类和负载均衡处理方法,包括以下步骤:
第一步:准备nginx,tomcat等数据来源的样本集,利用决策树随机森林模型进行训练分类,分别以样本集作为训练集,未知数据源作为测试集,根据输出值发现和nginx日志数据格式匹配度较高,则标签b为nginx,得出一条数据格式样例如下:
{"nginx":{"remote_addr":"192.168.123.101","request":"get","method":"get","body_bytes_sent":"40000","time_local":"2018-08-29T13:47:23+08:00","http_host":"www.baidu.com","uri":"/sss","http_user_agent":”windows,"source_ip":"120.18.9.7","upstream_status":"200","mac_addrs":"djsljfsdlfj","request_lenth":"2000","request_time":"0.05","http_referer":"get","http_x_forwarded_for":"120.18.3.19","upstream_response_time":"0.5","status":"200"}}
第二步:使用logstash读取nginx日志数据写入kafka,方便storm分类读取,编写logstash配置文件,启动logstash读取nginx日志文件写入到kafka。
第三步:storm消费topicname为nginx的数据,kafkaspout通过代码实现,此时,已经把kafka中的数据源消费输入到storm spout,将数据发送到下游standrizedBolt进行标准化处理,可按shufflegroping或fieldsgrouping方式分发
第四步:数据标准化处理
a.对上述spout中消费出的数据进行嵌套解析,取出kafka message中所需数据,即nginx内部数据:
{"remote_addr":"192.168.123.101","request":"get","method":"get","body_bytes_sent":"40000","time_local":"2018-08-29T13:47:23+08:00","http_host":"www.baidu.com","uri":"/sss","http_user_agent":”windows,"source_ip":"120.18.9.7","upstream_status":"200","mac_addrs":"djsljfsdlfj","request_lenth":"2000","request_time":"0.05","http_referer":"get","http_x_forwarded_for":"120.18.3.19”,"upstream_response_time":"0.5","status":"200"}
b.将数据源时间格式化为某种统一格式:
"time_local":"2018-08-29T13:47:23+08:00"转化为”timel_ocal”:”2018-08-2913:47:23”
c.将数据发送到下游enrichBolt进行丰富化处理,,可按shufflegroping或fieldsgrouping方式分发。
第五步:数据丰富化处理
a.ip丰富化,此处以remote_addr作为来源ip,根据ip库对比,确认其地理位置,将地址位置信息作为一字段写入数据源,添加字段如:”ip_message”:”中国北京朝阳区”
b.es_mapping映射,将某些字段处理为常见字段,属于易读性操作,映射字段如:
uri>>request_url,remote_addr>>client_ip,http_host>>domain
并添加es_index字段:”es_index”:nginx_2018.08.29
c.将数据发送到下游analyzeBolt进行规则分析,采用shufflegrouping的方式将数据分发
第六步:数据分析处理
如统计30s内status=404的所有数据,则有规则:durationtime:30math:countvalue:status=404,,此处取出数据中字段status,,将数据与规则进行匹配,如果命中规则就调用math:count计算。
在第五步中已进行了随机的分发,所以此时需要进行一个聚合统计,将各并行bolt的数据做聚合处理,得出这30s内所有匹配中规则的统计结果,将统计结果发送到下游数据库存储以待展示,可以根据统计情况分析出这样的数据是如何产生,定位系统问题,比如大量的status=404命中,说明大概率有服务挂掉,进一步分析问题可建立更多规则进行辅助分析。
第七步:负载均衡及性能调优
整个storm程序启动,通过storm ui界面监控storm的性能指标,storm负载情况参考capacity,capacity<0.3最优,最大不超过0.5,负载较高可增加bolt并行度进行调节,并查看服务器的资源使用情况,如cpu、内存、负载、网络以及磁盘IO等,根据这些指标进行优化代码处理逻辑。
由上可知,本发明的基于storm的数据分类和负载均衡处理方法,通过针对业务的数据分类,可根据不同数据来源处理数据,极大的贴合业务需求开发流程,可处理各种类型数据,具有极其广泛的通用性,采用基于storm的分布式处理,当数据量的处理达到瓶颈的时候可方便的增加机器节点,使得可扩展性良好,同时storm的扩展在一定范围内也可保证数据处理的性能和稳定性。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (9)
1.一种基于storm的数据分类和负载均衡处理方法,其特征在于,包括以下步骤:
A.将原始数据根据业务进行标签添加,进行数据样本集的初步分类;
B.根据大类标签新建不同的topic写入kafka中,进行初步的业务分类处理;
C.根据需要storm选择消费topic message,根据需要选择合适的storm tuple分组分发方法,使吞吐量达到数据处理量要求;
D.根据具体业务对初步分类的数据进行标准化处理,规范信息格式,根据需要选择合适的storm tuple分组分发方法,使吞吐量达到数据处理量要求;
E.根据topic进行业务需求丰富化处理,根据需要选择合适的storm tuple分组分发方法,使吞吐量达到数据处理量要求;
F.数据分析入口,根据业务处理规则进行合适的storm tuple分组分发以及并发度的调整;
G.分析结果存储。
2.根据权利要求1所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述步骤A中对原始数据根据业务进行标签添加时还包括运用分类算法校验标签的匹配程度和可用性。
3.根据权利要求2所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述分类算法为决策树算法。
4.根据权利要求3所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述分类算法为随机森林算法。
5.根据权利要求2所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述步骤B中使用中间件logstash来实现初步的业务分类处理,且包括在logstash配置文件中加入标签。
6.根据权利要求5所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述标签包括A类标签和B类标签,所述A类标签表示来源清楚的标签,B类标签表示由分类算法得出的标签。
7.根据权利要求1所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述步骤D中的标准化处理包括对已消费数据进行标准化解析,所述标准化解析包含标准xml解析、json解析、正则解析、统一数据时间格式。
8.根据权利要求1所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述步骤E中的业务需求丰富化处理包括ip字段丰富化处理、ES mapping映射优化,所述ip字段丰富化处理包括检索ip库、判断ip所在地理位置。
9.根据权利要求1所述的一种基于storm的数据分类和负载均衡处理方法,其特征在于,所述步骤G中包括存储原始数据及步骤F中分析出的数据结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811179687.4A CN109450978A (zh) | 2018-10-10 | 2018-10-10 | 一种基于storm的数据分类和负载均衡处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811179687.4A CN109450978A (zh) | 2018-10-10 | 2018-10-10 | 一种基于storm的数据分类和负载均衡处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109450978A true CN109450978A (zh) | 2019-03-08 |
Family
ID=65546238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811179687.4A Pending CN109450978A (zh) | 2018-10-10 | 2018-10-10 | 一种基于storm的数据分类和负载均衡处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109450978A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321368A (zh) * | 2019-07-10 | 2019-10-11 | 北京海致星图科技有限公司 | 一种基于图形分析平台的高效消息可视化查询系统 |
CN110505229A (zh) * | 2019-08-23 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于storm的账号安全性检测方法 |
CN111767085A (zh) * | 2019-03-27 | 2020-10-13 | 北京京东尚科信息技术有限公司 | Storm平台参数配置方法和装置 |
CN111770182A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 数据推送方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615778A (zh) * | 2015-02-27 | 2015-05-13 | 浪潮集团有限公司 | 一种避免数据重抽的方法和装置及系统 |
US20170075721A1 (en) * | 2015-09-16 | 2017-03-16 | Salesforce.Com, Inc. | Providing strong ordering in multi-stage streaming processing |
CN106547882A (zh) * | 2016-11-03 | 2017-03-29 | 国网重庆市电力公司电力科学研究院 | 一种智能电网中营销大数据的实时处理方法及系统 |
CN106920158A (zh) * | 2017-03-22 | 2017-07-04 | 北京再塑宝科技有限公司 | 基于Storm和Kafka技术的订单实时监控系统 |
CN107294801A (zh) * | 2016-12-30 | 2017-10-24 | 江苏号百信息服务有限公司 | 基于海量实时互联网dpi数据的流式处理方法及系统 |
-
2018
- 2018-10-10 CN CN201811179687.4A patent/CN109450978A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615778A (zh) * | 2015-02-27 | 2015-05-13 | 浪潮集团有限公司 | 一种避免数据重抽的方法和装置及系统 |
US20170075721A1 (en) * | 2015-09-16 | 2017-03-16 | Salesforce.Com, Inc. | Providing strong ordering in multi-stage streaming processing |
CN106547882A (zh) * | 2016-11-03 | 2017-03-29 | 国网重庆市电力公司电力科学研究院 | 一种智能电网中营销大数据的实时处理方法及系统 |
CN107294801A (zh) * | 2016-12-30 | 2017-10-24 | 江苏号百信息服务有限公司 | 基于海量实时互联网dpi数据的流式处理方法及系统 |
CN106920158A (zh) * | 2017-03-22 | 2017-07-04 | 北京再塑宝科技有限公司 | 基于Storm和Kafka技术的订单实时监控系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767085A (zh) * | 2019-03-27 | 2020-10-13 | 北京京东尚科信息技术有限公司 | Storm平台参数配置方法和装置 |
CN111767085B (zh) * | 2019-03-27 | 2024-05-17 | 北京京东尚科信息技术有限公司 | Storm平台参数配置方法和装置 |
CN110321368A (zh) * | 2019-07-10 | 2019-10-11 | 北京海致星图科技有限公司 | 一种基于图形分析平台的高效消息可视化查询系统 |
CN110505229A (zh) * | 2019-08-23 | 2019-11-26 | 四川长虹电器股份有限公司 | 一种基于storm的账号安全性检测方法 |
CN111770182A (zh) * | 2020-06-30 | 2020-10-13 | 北京百度网讯科技有限公司 | 数据推送方法和装置 |
CN111770182B (zh) * | 2020-06-30 | 2022-05-31 | 北京百度网讯科技有限公司 | 数据推送方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220147405A1 (en) | Automatically scalable system for serverless hyperparameter tuning | |
CN109450978A (zh) | 一种基于storm的数据分类和负载均衡处理方法 | |
Cormode et al. | Space efficient mining of multigraph streams | |
Aggarwal et al. | Event detection in social streams | |
US9922134B2 (en) | Assessing and scoring people, businesses, places, things, and brands | |
US8688708B2 (en) | Storing and retrieving objects on a computer network in a distributed database | |
Li et al. | A comparative study of the class imbalance problem in Twitter spam detection | |
BR112021002704A2 (pt) | método implementado por computador de localização e classificação de informações pessoais e uma fonte de dados, e sistema | |
US9842135B2 (en) | Methods, apparatuses and computer program products for performing index search optimization | |
US20130191523A1 (en) | Real-time analytics for large data sets | |
BR112012007316B1 (pt) | Método e sistemas para determinar a conectividade de rede | |
US20140229521A1 (en) | Storing and retrieving objects on a computer network in a distributed database | |
CN110990447B (zh) | 一种数据探查方法、装置、设备及存储介质 | |
Gionis et al. | Piggybacking on social networks | |
Corbellini et al. | An architecture and platform for developing distributed recommendation algorithms on large-scale social networks | |
CN112800095A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
Gao et al. | Handling data skew in MapReduce cluster by using partition tuning | |
CN109471874A (zh) | 数据分析方法、设备及存储介质 | |
CN104965846B (zh) | MapReduce平台上的虚拟人建立方法 | |
CN114781717A (zh) | 网点设备推荐方法、装置、设备和存储介质 | |
Dong | Application of Big Data Mining Technology in Blockchain Computing | |
Shi et al. | [Retracted] Research on Fast Recommendation Algorithm of Library Personalized Information Based on Density Clustering | |
WO2023077815A1 (zh) | 一种处理敏感数据的方法及装置 | |
Liu et al. | Parallelizing uncertain skyline computation against n‐of‐N data streaming model | |
Elsen et al. | goProbe: a scalable distributed network monitoring solution |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |