CN109921950B - 一种网络带宽需求预测方法、装置及电子设备 - Google Patents
一种网络带宽需求预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109921950B CN109921950B CN201910243398.4A CN201910243398A CN109921950B CN 109921950 B CN109921950 B CN 109921950B CN 201910243398 A CN201910243398 A CN 201910243398A CN 109921950 B CN109921950 B CN 109921950B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- tested
- network
- network bandwidth
- area
- 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
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种网络带宽需求预测方法、装置及电子设备。针对连续多个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量;生成待测调度区域在该调度周期的网络流量向量,该网络流量向量由该调度周期的多个预设时间段的网络流量组成;计算多个调度周期中每相邻两个调度周期的网络流量向量的相似度;当第一数量大于或等于预设数量阈值时,确定每个调度周期的峰值网络流量,第一数量为:所计算的多个相似度中,大于预设相似度阈值的数量;基于多个调度周期的峰值网络流量,预测待测调度区域下一个调度周期的网络带宽需求。应用本发明实施例,能够综合考量影响用户对带宽需求的各种因素,预测出未来的带宽需求。
Description
技术领域
本发明涉及网络数据预测的技术领域,特别是涉及一种网络带宽需求预测的方法、装置及电子设备。
背景技术
随着线上服务业务的多样化,用户基数不断扩大,在线服务提供商,尤其大流量服务提供商,例如在线视频服务商,需要根据用户对服务端流量的需求,周期性地规划不同网络数据中心的带宽,保证用户服务质量。
发明人在实现本发明的过程中发现,现有技术至少存在如下问题:
用户对服务端流量的需求受多种因素影响,比如:节假日期间,用户有更多的时间访问服务;网络技术发展对大流量业务的支持;用户端流量资费的下降以及用户访问习惯的变化,例如从倾向观看标清内容变为倾向观看高清内容、从倾向离线下载观看变为倾向随时随地在线观看等。由于受到多种因素的影响,导致用户对带宽的需求更为复杂多变。通过简单的线性关系,难以度量以及提前预测用户对服务端带宽的需求,即对网络带宽需求预测的准确性较低。
发明内容
本发明实施例的目的在于提供一种网络带宽需求预测方法、装置及电子设备,以实现对网络带宽需求的预测更准确。具体技术方案如下:
为达到上述目的,本发明实施例提供了一种网络带宽需求预测方法,包括:
针对连续多个调度周期中的每个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量;
针对每个调度周期,生成所述待测调度区域在该调度周期的网络流量向量,所述网络流量向量由该调度周期的所述多个预设时间段的所述网络流量组成;
计算所述多个调度周期中每相邻两个调度周期的所述网络流量向量的相似度;
当第一数量大于或等于预设数量阈值时,针对每个调度周期,获取该调度周期中所述多个预设时间段的网络流量对应的最大值,并将所述最大值作为该调度周期的峰值网络流量,其中,所述第一数量为:所计算的多个相似度中,大于预设相似度阈值的数量;
基于所述多个调度周期中的每个调度周期的峰值网络流量,预测所述待测调度区域下一个调度周期的网络带宽需求。
进一步的,所述预设数量阈值是所述多个调度周期的数量减1。
进一步的,所述基于所述多个调度周期中的每个调度周期的所述峰值网络流量,预测所述待测调度区域下一个调度周期的网络带宽需求,包括:
将由所述多个调度周期中的每个调度周期的所述峰值网络流量组成的峰值网络流量序列,输入预先训练的ARIMA模型,得到所述待测调度区域下一个调度周期的网络带宽需求;
其中,所述ARIMA模型是利用所述待测调度区域的多个连续的历史调度周期的峰值网络流量训练得到的、用于预测所述待测调度区域在所述多个调度周期的下一个调度周期的网络带宽需求的模型。
进一步的,该方法还包括:
分别预测多个待测调度区域中,除所述待测调度区域之外的其他待测调度区域下一个调度周期的网络带宽需求;
针对每个待测调度区域,分别获取该待测调度区域的当前网络带宽,并分别计算该待测调度区域下一个调度周期的网络带宽需求与该待测调度区域的当前网络带宽的差值;
对每个待测调度区域的所述差值进行排序,根据所述差值及排序结果,确定需要对网络带宽进行扩容的待测调度区域,以及需要进行扩容的不同待测调度区域的优先级;
根据所述优先级和/或所述差值,确定出针对所述多个待测调度区域的网络带宽分配方案。
进一步的,所述网络流量为针对待测运营商网络的网络流量;
所述待测调度区域的所述网络带宽需求,为所述待测调度区域针对所述待测运营商网络的网络带宽需求;
该方法还包括:
分别预测所述待测调度区域针对多个待测运营商网络中,除所述待测运营商网络的其他待测运营商网络的下一个调度周期的网络带宽需求;
针对每个待测运营商网络,分别获取所述待测调度区域针对该运营商网络的当前网络带宽,并分别计算所述待测调度区域针对该待测运营商网络的下一个调度周期的网络带宽需求与当前网络带宽的差值;
对每个待测运营商网络的所述差值进行排序,根据所述差值及排序结果,确定需要进行扩容的待测运营商网络,以及需要进行扩容的不同待测运营商网络的优先级;
根据所述优先级和/或所述差值,确定出针对所述多个待测运营商网络的网络带宽分配方案。
本发明实施例还提供了一种网络带宽需求预测装置,包括:
网络流量获取模块,用于针对连续多个调度周期中的每个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量;
流量向量生成模块,用于针对每个调度周期,生成所述待测调度区域在该调度周期的网络流量向量,所述网络流量向量由该调度周期的所述多个预设时间段的所述网络流量组成;
向量相似度计算模块,用于计算所述多个调度周期中每相邻两个调度周期的所述网络流量向量的相似度;
峰值网络流量确定模块,用于当第一数量大于或等于预设数量阈值时,针对每个调度周期,获取该调度周期中所述多个预设时间段的网络流量对应的最大值,并将所述最大值作为该调度周期的峰值网络流量,其中,所述第一数量为:所计算的多个相似度中,大于预设相似度阈值的数量;
网络带宽需求预测模块,用于基于所述多个调度周期中的每个调度周期的所述峰值网络流量,预测所述待测调度区域下一个调度周期的网络带宽需求。
进一步的,所述预设数量阈值为所述多个调度周期的数量减1。
进一步的,所述网络带宽需求预测模块,具体用于将由所述多个调度周期中的每个调度周期的所述峰值网络流量组成的峰值网络流量序列,输入预先训练的ARIMA模型,得到所述待测调度区域下一个调度周期的网络带宽需求;
其中,所述ARIMA模型是利用所述待测调度区域的多个连续的历史调度周期的峰值网络流量训练得到的、用于预测所述待测调度区域在所述多个调度周期的下一个调度周期的网络带宽需求的模型。
进一步的,所述装置还包括:
第一预测模块,用于分别预测多个待测调度区域中,除所述待测调度区域之外的其他待测调度区域下一个调度周期的网络带宽需求;
第一计算模块,用于针对每个待测调度区域,分别获取该待测调度区域的当前网络带宽,并分别计算该待测调度区域下一个调度周期的网络带宽需求与该待测调度区域的当前网络带宽的差值;
第一确定模块,用于对每个待测调度区域的所述差值进行排序,根据所述差值及排序结果,确定需要对网络带宽进行扩容的待测调度区域,以及需要进行扩容的不同待测调度区域的优先级;
第一分配模块,用于根据所述优先级和/或所述差值,确定出针对所述多个待测调度区域的网络带宽分配方案。
进一步的,所述网络流量为针对待测运营商网络的网络流量;
所述待测调度区域的所述网络带宽需求,为所述待测调度区域针对所述待测运营商网络的网络带宽需求;
所述装置,还包括:
第二预测模块,用于分别预测所述待测调度区域针对多个待测运营商网络中,除所述待测运营商网络的其他待测运营商网络的下一个调度周期的网络带宽需求;
第二计算模块,用于针对每个待测运营商网络,分别获取所述待测调度区域针对该运营商网络的当前网络带宽,并分别计算所述待测调度区域针对该待测运营商网络的下一个调度周期的网络带宽需求与当前网络带宽的差值;
第二确定模块,用于对每个待测运营商网络的所述差值进行排序,根据所述差值及排序结果,确定需要进行扩容的待测运营商网络,以及需要进行扩容的不同待测运营商网络的优先级;
第二分配模块,用于根据所述优先级和/或所述差值,确定出针对所述多个待测运营商网络的网络带宽分配方案。
本发明实施例还提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一网络带宽需求预测方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一网络带宽需求预测方法的步骤。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一网络带宽需求预测方法。
本发明有益效果:
本发明实施例提供一种网络带宽需求预测方法、装置及电子设备,针对连续多个调度周期中的每个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量;针对每个调度周期,生成待测调度区域在该调度周期的网络流量向量,网络流量向量由该调度周期的多个预设时间段的网络流量组成;计算多个调度周期中每相邻两个调度周期的网络流量向量的相似度;当第一数量大于或等于预设数量阈值时,针对每个调度周期,获取该调度周期中所述多个预设时长的网络流量对应的最大值,并将该最大值作为该调度周期的峰值网络流量,其中,第一数量为:所计算的多个相似度中,大于预设相似度阈值的数量;基于多个调度周期中的每个调度周期的峰值网络流量,预测待测调度区域下一个调度周期的网络带宽需求。采用本发明实施例提供的上述方法,不再是通过简单的线性关系对带宽需求进行分析,而是通过收集待测调度区域的历史流量使用情况,预测待测调度区域下一个调度周期的网络带宽需求。由于综合考量影响用户对带宽需求的各种因素,提高了带宽需求预测的准确性。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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。
图1为本发明实施例提供的一种网络带宽需求预测方法的流程示意图;
图2为训练ARIMA模型的流程示意图;
图3为本发明实施例提供的针对多个区域的带宽分配方案的流程示意图;
图4为本发明实施例提供的针对多个运营商网络的带宽分配方案的流程示意图;
图5为本发明实施例提供的一种网络带宽需求预测装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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。
参见图1,图1为本发明实施例提供的一种网络带宽需求预测方法的流程示意图,包括如下步骤:
步骤101:针对连续多个调度周期中的每个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量。
本发明实施例中,上述调度周期可以根据实际需要进行灵活设置,例如,调度周期可以为一天,多个预设时间段可以为一天中的每个小时。
具体的,获取待测调度区域在每个小时内的网络流量的步骤,可以采用如下方式:
收集待测调度区域连续N天的用户访问日志,其中,用户访问日志中可以包括:用户IP、用户访问时间、用户所属区域、下载内容容量和下载时间;
根据每条用户访问日志,计算每个请求的流量;
将每个小时内的流量进行累加,计算得到待测调度区域在每个小时内的网络流量。
步骤102:针对每个调度周期,生成待测调度区域在该调度周期的网络流量向量,该网络流量向量由该调度周期的多个预设时间段的网络流量组成。
例如,可以将待测调度区域一天内每个小时的网络流量,生成一个24维的网络流量向量,如果是N个调度周期,则生成N个24维的网络流量向量。
步骤103:计算多个调度周期中每相邻两个调度周期的网络流量向量的相似度。
具体的,该相似度,可以是相邻两个调度周期的网络流量向量的余弦相似度。
步骤104:当第一数量大于或等于预设数量阈值时,针对每个调度周期,获取该调度周期中多个预设时间段的网络流量对应的最大值,并将该最大值作为该调度周期的峰值网络流量,其中,第一数量为所计算的多个相似度中,大于预设相似度阈值的数量。
本步骤中,上述预设数量阈值可以根据实际需要进行灵活设置,例如,可以为多个调度周期的数量减1,也就是说,每相邻两个调度周期的网络流量向量的相似性,均大于预设相似性阈值。那么说明,多个连续调度周期的网络流量的相似度较高,可以提高对待测调度区域下一个调度周期的网络带宽需求的预测准确性。
本步骤中,获取调度周期的峰值网络流量的步骤,例如,获取一天的峰值网络流量的步骤,可以为:
将一天内每个小时的网络流量进行排序,以最大网络流量作为这一天的峰值网络流量。
步骤105:基于多个调度周期中的每个调度周期的峰值网络流量,预测待测调度区域下一个调度周期的网络带宽需求。
具体的,可以将由多个调度周期中的每个调度周期的峰值网络流量组成的峰值网络流量序列,输入预先训练的ARIMA模型,得到待测调度区域下一个调度周期的网络带宽需求。
其中,ARIMA模型是利用待测调度区域的多个连续的历史调度周期的峰值网络流量训练得到的、用于预测待测调度区域在多个调度周期的下一个调度周期的网络带宽需求的模型。
例如,将由连续N天中每天的峰值网络流量组成的长度为N的序列,输入预先训练的ARIMA模型,得到该待测调度区域下一天的网络带宽需求。
参见图2,图2为训练ARIMA模型的流程示意图,包括如下步骤:
步骤201:将连续M天的网络峰值流量按照发生时间的先后顺序,排列成一个长度为M的序列。
其中,该连续M天可以是上述连续N天之前的连续M天。即,利用连续N天之前的连续M天的网络峰值流量来训练ARIMA模型。例如,连续M天为2018年1月1日至2018年12月31日,连续N天为2019年1月1日至2019年1月10日。
步骤202:对该长度为M的序列进行差分运算。
一般情况下,差分运算的阶数不超过2。
步骤203:绘制差分运算后序列的自相关图和偏相关图。
步骤204:根据自相关图和偏相关图,确定自回归阶数和移动平均阶数。
通过以上训练过程,可以确定满足预设收敛条件的ARIMA模型的模型参数,则ARIMA模型训练完成。从而,可以利用该训练好的ARIMA模型,对待测调度区域下一个调度周期的网络带宽需求进行预测。
当然,在实际应用中,ARIMA模型的模型参数还可以通过统计软件SPSS或者python库确定,本发明对此并不限定。
采用本发明实施例提供的上述网络带宽需求预测方法,不再是通过简单的线性关系对带宽需求进行分析,而是通过收集待测调度区域的历史流量使用情况,预测待测调度区域下一个调度周期的网络带宽需求。由于综合考量影响用户对带宽需求的各种因素,提高了带宽需求预测的准确性,从而便于在线服务提供商提前进行带宽资源分配,保证对用户的服务质量。
基于本发明实施例提供的上述网络带宽需求预测方法,本发明实施例还可以进一步的确定网络带宽的分配方案,下面对此进行详细描述。
本发明实施例中,还可以基于多个待测调度区域下一个调度周期的网络带宽需求,确定针对该多个待测调度区域的网络带宽分配方案,具体的,如图3所示,在图1所示实施例的基础上,还可以包括如下步骤:
步骤106:分别预测多个待测调度区域中,除待测调度区域之外的其他待测调度区域下一个调度周期的网络带宽需求。
本步骤中,可以采用上述网络带宽需求预测方法,分别预测多个待测调度区域中,除所述待测调度区域之外的其他待测调度区域下一个调度周期的网络带宽需求。
该多个待测调度区域可以是针对同一个待测运营商网络的。
步骤107:针对每个待测调度区域,分别获取该待测调度区域的当前网络带宽,并分别计算该待测调度区域下一个调度周期的网络带宽需求与该待测调度区域的当前网络带宽的差值。
例如,针对北京市、上海市和广州市,分别预测北京市、上海市和广州市下一天针对运营商网络X的网络带宽需求:
北京市未来一天的网络带宽需求为C1;
上海市未来一天的网络带宽需求为C2;
广州市未来一天的网络带宽需求为C3。
分别获取北京市、上海市和广州市针对该运营商网络X的当前网络带宽:
北京市针对该运营商网络X的当前网络带宽为D1;
上海市针对该运营商网络X的当前网络带宽为D2;
广州市针对该运营商网络X的当前网络带宽为D3。
分别计算:
C1与D1的差值;
C2与D2的差值;
C3与D3的差值。
步骤108:对每个待测调度区域的差值进行排序,根据上述差值及排序结果,确定需要对网络带宽进行扩容的待测调度区域,以及需要进行扩容的不同待测调度区域的优先级。
针对上述例子,可以将计算所得的差值按照数值大小进行排序,该运营商网络X可以根据差值以及排序结果,确定需要对该运营商网络X的网络带宽进行扩容的城市区域,以及需要进行扩容的不同城市区域的优先级。例如,C1与D1的差值为-10G,C2与D2的差值为-5G,C3与D3的差值为5G,那么,需要扩容的城市区域为北京市和上海市,进一步地,北京市的优先级为最高优先级,上海市的优先级为次高优先级。
步骤109,根据优先级和/或差值,确定出针对多个待测调度区域的网络带宽分配方案。
可以理解的,在本实施例中,是针对多个待测调度区域下一个调度周期的网络带宽需求之和大于多个待测调度区域下一个调度周期的总的可用带宽的情形,提出的确定针对多个待测调度区域的网络带宽分配方案。从另一角度来看,这一情形表示:多个待测调度区域下一个调度周期的总的可用带宽与多个待测调度区域的总的当前网络带宽的差,小于多个待测调度区域的上述差值的和。在实际应用中,多个待测调度区域的优先级和/或上述差值为不同情形时,可以为多个待测调度区域确定出不同的网络带宽分配方案。
针对上述例子,设定北京市、上海市和广州市未来一天的总的可用带宽为K1,以下给出几种示例:
第一种示例,在K1大于不需要进行扩容的广州市未来一天的网络带宽需求C3时,给广州市分配C3的网络带宽,然后,针对需要进行扩容的北京市和上海市,按照各自的优先级高低确定各自的权重,按照确定出的权重将剩余可用带宽K1-C3分配给北京市和上海市。
例如,北京市的优先级最高,北京市的权重为60%,上海市的优先级次高,上海市的权重为40%,当然,权重的具体数值可根据需要或经验确定。那么,为北京市分配(K1-C3)×60%的网络带宽,为上海市分配(K1-C3)×40%的网络带宽。
第二种示例,在K1大于不需要进行扩容的广州市未来一天的网络带宽需求C3时,给广州市分配C3的网络带宽,然后,针对需要进行扩容的北京市和上海市,按照各自的上述差值确定各自的权重,按照确定出的权重将剩余可用带宽K1-C3分配给北京市和上海市。
例如,北京市的上述差值为-10G,上海市的上述差值为-5G,北京市的权重为(-10G)/[(-10G)+(-5G)]=67%,上海市的权重为(-10G)/[(-10G)+(-5G)]=33%。那么,为北京市分配(K1-C3)×67%的网络带宽,为上海市分配(K1-C3)×33%的网络带宽。
第三种示例,在K1大于不需要进行扩容的广州市未来一天的网络带宽需求C3时,给广州市分配C3的网络带宽,然后,针对需要进行扩容的北京市和上海市,按照各自的优先级确定各自的第一权重,并按照各自的上述差值确定各自的第二权重,将各自的第一权重和第二权重求平均得到各自的平均权重,按照确定出的平均权重将剩余可用带宽K1-C3分配给北京市和上海市。
例如,北京市的优先级最高,北京市的第一权重为60%,上海市的优先级次高,上海市的第一权重为40%。北京市的上述差值为-10G,上海市的上述差值为-5G,北京市的第二权重为(-10G)/[(-10G)+(-5G)]=67%,上海市的第二权重为(-10G)/[(-10G)+(-5G)]=33%。通过求平均,北京市的平均权重为63.5%,上海市的平均权重为36.5%。那么,为北京市分配(K1-C3)×63.5%的网络带宽,为上海市分配(K1-C3)×36.5%的网络带宽。
当然,以上仅仅作为示例,根据优先级和/或差值,确定针对多个待测调度区域的网络带宽分配方案还可以有很多种情形,本发明对此并不限定。
本发明实施例中,还可以针对多个待测运营商网络,确定一个待测调度区域针对该多个待测运营商网络的网络带宽分配方案,具体的,如图4所示,在图1所示实施例的基础上,还可以包括如下步骤:
步骤110:分别预测待测调度区域针对多个待测运营商网络中,除上述待测运营商网络的其他待测运营商网络的下一个调度周期的网络带宽需求。
本步骤中,可以采用上述网络带宽需求预测方法,分别预测待测调度区域针对多个待测运营商网络中,除上述待测运营商网络的其他待测运营商网络的下一个调度周期的网络带宽需求。
步骤111:针对每个待测运营商网络,分别获取待测调度区域针对该运营商网络的当前网络带宽,并分别计算待测调度区域针对该待测运营商网络的下一个调度周期的网络带宽需求与当前网络带宽的差值。
例如,针对北京市,分别预测北京市针对第一运营商网络、第二运营商网络和第三运营商网络的未来一天的网络带宽需求:
北京市针对第一运营商网络的未来一天的网络带宽需求为E1;
北京市针对第二运营商网络的未来一天的网络带宽需求为E2;
北京市针对第三运营商网络的未来一天的网络带宽需求为E3。
分别获取北京市针对第一运营商网络、第二运营商网络和第三运营商网络的当前网络带宽:
北京市针对第一运营商网络的当前网络带宽为F1;
北京市针对第二运营商网络的当前网络带宽为F2;
北京市针对第三运营商网络的当前网络带宽为F3。
分别计算:
E1与F1的差值;
E2与F2的差值;
E3与F3的差值。
步骤112:对每个待测运营商网络的所述差值进行排序,根据上述差值及排序结果,确定需要进行扩容的待测运营商网络,以及需要进行扩容的不同待测运营商网络的优先级。
针对上述例子,可以将计算所得的差值按照数值大小进行排序,根据差值以及排序结果,确定需要进行扩容的运营商网络,以及需要进行扩容的不同运营商网络的优先级。例如,E1与F1的差值为-10G,E2与F2的差值为-5G,E3与F3的差值为5G,那么,需要扩容的运营商网络为第一运营商网络和第二运营商网络,进一步地,第一运营商网络的优先级为最高优先级,第二运营商网络的优先级为次高优先级。
步骤113:根据优先级和/或差值,确定出针对多个待测运营商网络的网络带宽分配方案。
可以理解的,在本实施例中,是针对:待测调度区域针对多个待测运营商网络下一个调度周期的网络带宽需求之和大于待测调度区域针对多个待测运营商网络下一个调度周期的总的可用带宽的情形,提出的确定针对多个待测运营商网络的网络带宽分配方案。从另一角度来看,这一情形表示:待测调度区域针对多个待测运营商网络下一个调度周期的总的可用带宽与待测调度区域针对多个待测运营商网络的总的当前网络带宽的差,小于多个待测运营商网络的上述差值的和。在实际应用中,多个待测运营商网络的优先级和/或上述差值为不同情形时,可以为多个待测运营商网络确定出不同的网络带宽分配方案。
针对上述例子,设定北京市针对第一运营商网络、第二运营商网络和第三运营商网络的总的可用带宽为K2,以下给出几种示例:
第一种示例,在K2大于不需要进行扩容的第三运营商网络的未来一天的网络带宽需求E3时,给第三运营商网络分配E3的网络带宽,然后,针对需要进行扩容的第一运营商网络和第二运营商网络,按照各自的优先级高低确定各自的权重,按照确定出的权重将剩余可用带宽K2-E3分配给第一运营商网络和第二运营商网络。
例如,第一运营商网络的优先级最高,第一运营商网络的权重为60%,第二运营商网络的优先级次高,第二运营商网络的权重为40%,当然,权重的具体数值可根据需要或经验确定。那么,为第二运营商网络分配(K2-E3)×60%的网络带宽,为第二运营商网络分配(K2-E3)×40%的网络带宽。
第二种示例,在K2大于不需要进行扩容的第三运营商网络的未来一天的网络带宽需求E3时,给第三运营商网络分配E3的网络带宽,然后,针对需要进行扩容的第一运营商网络和第二运营商网络,按照各自的上述差值确定各自的权重,按照确定出的权重将剩余可用带宽K2-E3分配给第一运营商网络和第二运营商网络。
例如,第一运营商网络的上述差值为-10G,第二运营商网络的上述差值为-5G,第一运营商网络的权重为(-10G)/[(-10G)+(-5G)]=67%,第二运营商网络的权重为(-10G)/[(-10G)+(-5G)]=33%。那么,为第一运营商网络分配(K2-E3)×67%的网络带宽,为第二运营商网络分配(K2-E3)×33%的网络带宽。
第三种示例,在K2大于不需要进行扩容的第三运营商网络的未来一天的网络带宽需求E3时,给第三运营商网络分配E3的网络带宽,然后,针对需要进行扩容的第一运营商网络和第二运营商网络,按照各自的优先级确定各自的第一权重,并按照各自的上述差值确定各自的第二权重,将各自的第一权重和第二权重求平均得到各自的平均权重,按照确定出的平均权重将剩余可用带宽K2-E3分配给第一运营商网络和第二运营商网络。
例如,第一运营商网络的优先级最高,第一运营商网络的第一权重为60%,第二运营商网络的优先级次高,第二运营商网络的第一权重为40%。第一运营商网络的上述差值为-10G,第二运营商网络的上述差值为-5G,第一运营商网络的第二权重为(-10G)/[(-10G)+(-5G)]=67%,第二运营商网络的第二权重为(-10G)/[(-10G)+(-5G)]=33%。通过求平均,第一运营商网络的平均权重为63.5%,第二运营商网络的平均权重为36.5%。那么,为第一运营商网络分配(K2-E3)×63.5%的网络带宽,为第二运营商网络分配(K2-E3)×36.5%的网络带宽。
当然,以上仅仅作为示例,根据优先级和/或差值,确定出针对多个待测运营商网络的网络带宽分配方案还可以有很多种情形,本发明对此并不限定。
基于同一发明构思,根据本发明上述实施例提供的网络带宽需求预测方法,相应地,本发明另一实施例还提供了一种网络带宽需求预测装置,其结构示意图如图5所示,具体包括:
网络流量获取模块501,用于针对连续多个调度周期中的每个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量;
流量向量生成模块502,用于针对每个调度周期,生成待测调度区域在该调度周期的网络流量向量,该网络流量向量由该调度周期的多个预设时间段的网络流量组成;
本发明实施例中,上述调度周期可以根据实际需要进行灵活设置,例如,调度周期可以为一天,多个预设时间段可以为一天中的每个小时。
向量相似度计算模块503,用于计算多个调度周期中每相邻两个调度周期的网络流量向量的相似度;
峰值网络流量确定模块504,用于当第一数量大于或等于预设数量阈值时,针对每个调度周期,获取该调度周期中多个预设时间段的网络流量对应的最大值,并将所述最大值作为该调度周期的峰值网络流量,其中,所述第一数量为:所计算的多个相似度中,大于预设相似度阈值的数量;
其中,上述预设数量阈值可以根据实际需要进行灵活设置,例如,可以为多个调度周期的数量减1,也就是说,每相邻两个调度周期的网络流量向量的相似性,均大于预设相似性阈值。
网络带宽需求预测模块505,用于基于多个调度周期中的每个调度周期的所述峰值网络流量,预测待测调度区域下一个调度周期的网络带宽需求。
采用本发明实施例提供的上述网络带宽需求预测装置,不再是通过简单的线性关系对带宽需求进行分析,而是通过收集待测调度区域的历史流量使用情况,预测待测调度区域下一个调度周期的网络带宽需求。由于综合考量影响用户对带宽需求的各种因素,提高了带宽需求预测的准确性,从而便于在线服务提供商提前进行带宽资源分配,保证对用户的服务质量。
可选地,所述预设数量阈值为所述多个调度周期的数量减1。
可选地,所述网络带宽需求预测模块505,具体用于将由所述多个调度周期中的每个调度周期的所述峰值网络流量组成的峰值网络流量序列,输入预先训练的ARIMA模型,得到所述待测调度区域下一个调度周期的网络带宽需求;
其中,所述ARIMA模型是利用所述待测调度区域的多个连续的历史调度周期的峰值网络流量训练得到的、用于预测所述待测调度区域在所述多个调度周期的下一个调度周期的网络带宽需求的模型。
可选地,所述装置还包括:
第一预测模块,用于分别预测多个待测调度区域中,除所述待测调度区域之外的其他待测调度区域下一个调度周期的网络带宽需求;
第一计算模块,用于针对每个待测调度区域,分别获取该待测调度区域的当前网络带宽,并分别计算该待测调度区域下一个调度周期的网络带宽需求与该待测调度区域的当前网络带宽的差值;
第一确定模块,用于对每个待测调度区域的所述差值进行排序,根据所述差值及排序结果,确定需要对网络带宽进行扩容的待测调度区域,以及需要进行扩容的不同待测调度区域的优先级;
第一分配模块,用于根据所述优先级和/或所述差值,确定出针对所述多个待测调度区域的网络带宽分配方案。
可选地,所述网络流量为针对待测运营商网络的网络流量;
所述待测调度区域的所述网络带宽需求,为所述待测调度区域针对所述待测运营商网络的网络带宽需求;
所述装置还包括:
第二预测模块,用于分别预测所述待测调度区域针对多个待测运营商网络中,除所述待测运营商网络的其他待测运营商网络的下一个调度周期的网络带宽需求;
第二计算模块,用于针对每个待测运营商网络,分别获取所述待测调度区域针对该运营商网络的当前网络带宽,并分别计算所述待测调度区域针对该待测运营商网络的下一个调度周期的网络带宽需求与当前网络带宽的差值;
第二确定模块,用于对每个待测运营商网络的所述差值进行排序,根据所述差值及排序结果,确定需要进行扩容的待测运营商网络,以及需要进行扩容的不同待测运营商网络的优先级;
第二分配模块,用于根据所述优先级和/或所述差值,确定出针对所述多个待测运营商网络的网络带宽分配方案。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现上述任一的网络带宽需求预测方法,以获得相同的技术效果。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一的网络带宽需求预测方法,以获得相同的技术效果。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一的网络带宽需求预测方法,以获得相同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质和计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (11)
1.一种网络带宽需求预测方法,其特征在于,包括:
针对连续多个调度周期中的每个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量;
针对每个调度周期,生成所述待测调度区域在该调度周期的网络流量向量,所述网络流量向量由该调度周期的所述多个预设时间段的所述网络流量组成;
计算所述多个调度周期中每相邻两个调度周期的所述网络流量向量的相似度;
当第一数量大于或等于预设数量阈值时,针对每个调度周期,获取该调度周期中所述多个预设时间段的网络流量对应的最大值,并将所述最大值作为该调度周期的峰值网络流量,其中,所述第一数量为:所计算的多个相似度中,大于预设相似度阈值的数量;
基于所述多个调度周期中的每个调度周期的峰值网络流量,预测所述待测调度区域下一个调度周期的网络带宽需求。
2.根据权利要求1所述的方法,其特征在于,所述预设数量阈值为所述多个调度周期的数量减1。
3.根据权利要求1所述的方法,其特征在于,所述基于所述多个调度周期中的每个调度周期的所述峰值网络流量,预测所述待测调度区域下一个调度周期的网络带宽需求,包括:
将由所述多个调度周期中的每个调度周期的峰值网络流量组成的峰值网络流量序列,输入预先训练的ARIMA模型,得到所述待测调度区域下一个调度周期的网络带宽需求;
其中,所述ARIMA模型是利用所述待测调度区域的多个连续的历史调度周期的峰值网络流量训练得到的、用于预测所述待测调度区域在所述多个调度周期的下一个调度周期的网络带宽需求的模型。
4.根据权利要求1所述的方法,其特征在于,还包括:
分别预测多个待测调度区域中,除所述待测调度区域之外的其他待测调度区域下一个调度周期的网络带宽需求;
针对每个待测调度区域,分别获取该待测调度区域的当前网络带宽,并分别计算该待测调度区域下一个调度周期的网络带宽需求与该待测调度区域的当前网络带宽的差值;
对每个待测调度区域的所述差值进行排序,根据所述差值及排序结果,确定需要对网络带宽进行扩容的待测调度区域,以及需要进行扩容的不同待测调度区域的优先级;
根据所述优先级和/或所述差值,确定出针对所述多个待测调度区域的网络带宽分配方案。
5.根据权利要求1所述的方法,其特征在于,所述网络流量为针对待测运营商网络的网络流量;
所述待测调度区域的所述网络带宽需求,为所述待测调度区域针对所述待测运营商网络的网络带宽需求;
所述方法,还包括:
分别预测所述待测调度区域针对多个待测运营商网络中,除所述待测运营商网络的其他待测运营商网络的下一个调度周期的网络带宽需求;
针对每个待测运营商网络,分别获取所述待测调度区域针对该运营商网络的当前网络带宽,并分别计算所述待测调度区域针对该待测运营商网络的下一个调度周期的网络带宽需求与当前网络带宽的差值;
对每个待测运营商网络的所述差值进行排序,根据所述差值及排序结果,确定需要进行扩容的待测运营商网络,以及需要进行扩容的不同待测运营商网络的优先级;
根据所述优先级和/或所述差值,确定出针对所述多个待测运营商网络的网络带宽分配方案。
6.一种网络带宽需求预测装置,其特征在于,包括:
网络流量获取模块,用于针对连续多个调度周期中的每个调度周期,获取待测调度区域在每个调度周期中的多个预设时间段的网络流量;
流量向量生成模块,用于针对每个调度周期,生成所述待测调度区域在该调度周期的网络流量向量,所述网络流量向量由该调度周期的所述多个预设时间段的所述网络流量组成;
向量相似度计算模块,用于计算所述多个调度周期中每相邻两个调度周期的所述网络流量向量的相似度;
峰值网络流量确定模块,用于当第一数量大于或等于预设数量阈值时,针对每个调度周期,获取该调度周期中所述多个预设时间段的网络流量对应的最大值,并将所述最大值作为该调度周期的峰值网络流量,其中,所述第一数量为:所计算的多个相似度中,大于预设相似度阈值的数量;
网络带宽需求预测模块,用于基于所述多个调度周期中的每个调度周期的峰值网络流量,预测所述待测调度区域下一个调度周期的网络带宽需求。
7.根据权利要求6所述的装置,其特征在于,所述预设数量阈值为所述多个调度周期的数量减1。
8.根据权利要求6所述的装置,其特征在于,
所述网络带宽需求预测模块,具体用于将由所述多个调度周期中的每个调度周期的所述峰值网络流量组成的峰值网络流量序列,输入预先训练的ARIMA模型,得到所述待测调度区域下一个调度周期的网络带宽需求;
其中,所述ARIMA模型是利用所述待测调度区域的多个连续的历史调度周期的峰值网络流量训练得到的、用于预测所述待测调度区域在所述多个调度周期的下一个调度周期的网络带宽需求的模型。
9.根据权利要求6所述的装置,其特征在于,还包括:
第一预测模块,用于分别预测多个待测调度区域中,除所述待测调度区域之外的其他待测调度区域下一个调度周期的网络带宽需求;
第一计算模块,用于针对每个待测调度区域,分别获取该待测调度区域的当前网络带宽,并分别计算该待测调度区域下一个调度周期的网络带宽需求与该待测调度区域的当前网络带宽的差值;
第一确定模块,用于对每个待测调度区域的所述差值进行排序,根据所述差值及排序结果,确定需要对网络带宽进行扩容的待测调度区域,以及需要进行扩容的不同待测调度区域的优先级;
第一分配模块,用于根据所述优先级和/或所述差值,确定出针对所述多个待测调度区域的网络带宽分配方案。
10.根据权利要求6所述的装置,其特征在于,所述网络流量为针对待测运营商网络的网络流量;
所述待测调度区域的所述网络带宽需求,为所述待测调度区域针对所述待测运营商网络的网络带宽需求;
所述装置,还包括:
第二预测模块,用于分别预测所述待测调度区域针对多个待测运营商网络中,除所述待测运营商网络的其他待测运营商网络的下一个调度周期的网络带宽需求;
第二计算模块,用于针对每个待测运营商网络,分别获取所述待测调度区域针对该运营商网络的当前网络带宽,并分别计算所述待测调度区域针对该待测运营商网络的下一个调度周期的网络带宽需求与当前网络带宽的差值;
第二确定模块,用于对每个待测运营商网络的所述差值进行排序,根据所述差值及排序结果,确定需要进行扩容的待测运营商网络,以及需要进行扩容的不同待测运营商网络的优先级;
第二分配模块,用于根据所述优先级和/或所述差值,确定出针对所述多个待测运营商网络的网络带宽分配方案。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243398.4A CN109921950B (zh) | 2019-03-28 | 2019-03-28 | 一种网络带宽需求预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243398.4A CN109921950B (zh) | 2019-03-28 | 2019-03-28 | 一种网络带宽需求预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109921950A CN109921950A (zh) | 2019-06-21 |
CN109921950B true CN109921950B (zh) | 2021-08-06 |
Family
ID=66967384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910243398.4A Active CN109921950B (zh) | 2019-03-28 | 2019-03-28 | 一种网络带宽需求预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109921950B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113037577B (zh) * | 2019-12-09 | 2023-03-24 | 中国电信股份有限公司 | 网络流量预测方法、装置和计算机可读存储介质 |
CN113055308B (zh) * | 2019-12-26 | 2024-03-05 | 华为云计算技术有限公司 | 带宽调度方法、流量传输方法及相关产品 |
CN111585824B (zh) * | 2020-05-21 | 2022-10-25 | 北京奇艺世纪科技有限公司 | 资源分发方法、装置、系统及电子设备 |
CN112187512B (zh) * | 2020-08-28 | 2022-09-06 | 中盈优创资讯科技有限公司 | 一种基于流量监控的端口自动扩容方法、装置和设备 |
CN112822046B (zh) * | 2021-01-04 | 2022-04-01 | 新华三大数据技术有限公司 | 流量的预测方法及装置 |
CN113784363B (zh) * | 2021-11-10 | 2022-02-18 | 广东省电信规划设计院有限公司 | 基于业务估算的机房规划方法、装置及存储介质 |
CN114338429B (zh) * | 2021-12-30 | 2024-01-30 | 中国工商银行股份有限公司 | 网络带宽的确定方法、装置及电子设备 |
CN115174405A (zh) * | 2022-06-08 | 2022-10-11 | 西北大学 | 一种基于arima统计模型的带宽分配方法 |
CN115086060B (zh) * | 2022-06-30 | 2023-11-07 | 深信服科技股份有限公司 | 一种流量检测方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209967A (zh) * | 2016-06-16 | 2016-12-07 | 北京邮电大学 | 一种视频监控云资源预测方法及系统 |
CN106992880A (zh) * | 2017-03-20 | 2017-07-28 | 北京匡恩网络科技有限责任公司 | 用于工业以太网的流量预测方法及装置 |
CN107959640A (zh) * | 2016-10-14 | 2018-04-24 | 腾讯科技(深圳)有限公司 | 网络业务调度方法及装置 |
CN108985446A (zh) * | 2018-07-24 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11640617B2 (en) * | 2017-03-21 | 2023-05-02 | Adobe Inc. | Metric forecasting employing a similarity determination in a digital medium environment |
-
2019
- 2019-03-28 CN CN201910243398.4A patent/CN109921950B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209967A (zh) * | 2016-06-16 | 2016-12-07 | 北京邮电大学 | 一种视频监控云资源预测方法及系统 |
CN107959640A (zh) * | 2016-10-14 | 2018-04-24 | 腾讯科技(深圳)有限公司 | 网络业务调度方法及装置 |
CN106992880A (zh) * | 2017-03-20 | 2017-07-28 | 北京匡恩网络科技有限责任公司 | 用于工业以太网的流量预测方法及装置 |
CN108985446A (zh) * | 2018-07-24 | 2018-12-11 | 百度在线网络技术(北京)有限公司 | 用于告警的方法及装置 |
CN109462520A (zh) * | 2018-11-19 | 2019-03-12 | 电子科技大学 | 基于lstm模型的网络流量资源态势预测方法 |
Non-Patent Citations (1)
Title |
---|
P2P网络流量控制管理若干关键技术研究;刘浩;《信息科技辑》;20101115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109921950A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109921950B (zh) | 一种网络带宽需求预测方法、装置及电子设备 | |
US8024737B2 (en) | Method and a system that enables the calculation of resource requirements for a composite application | |
CN109309596B (zh) | 一种压力测试方法、装置及服务器 | |
CN107305611B (zh) | 恶意账号对应的模型建立方法和装置、恶意账号识别的方法和装置 | |
CN106959925B (zh) | 一种版本测试方法及装置 | |
CN109165691B (zh) | 用于识别作弊用户的模型的训练方法、装置及电子设备 | |
CN111752706B (zh) | 资源配置方法、装置及存储介质 | |
CN112819258A (zh) | 银行网点到店客户数量预测方法及装置 | |
CN111338967A (zh) | 一种分流测试方法、装置、电子设备及存储介质 | |
CN112445699A (zh) | 策略匹配方法、装置、电子设备及存储介质 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
Beard et al. | Analysis of a simple approach to modeling performance for streaming data applications | |
CN110569190B (zh) | 交易压力测试方法和装置、以及电子设备和可读存储介质 | |
CN111431996A (zh) | 用于资源配置的方法、装置、设备和介质 | |
CN109213965B (zh) | 一种系统容量预测方法、计算机可读存储介质及终端设备 | |
CN107846614B (zh) | 一种视频流量调度方法、装置及电子设备 | |
CN111143070A (zh) | 一种资源调度方法和装置 | |
CN113378498A (zh) | 一种任务分配方法及装置 | |
CN112130997B (zh) | 一种资源分配方法及装置 | |
CN115756812A (zh) | 一种资源调整方法及装置、存储介质 | |
CN107844496B (zh) | 统计信息输出方法及装置 | |
CN110377427B (zh) | 任务监控方法、装置及系统 | |
CN114584627B (zh) | 一种具有网络监控功能的中台调度系统及方法 | |
CN114138499B (zh) | Gpu资源利用率的监控方法、装置、计算机设备及介质 | |
CN110543509A (zh) | 用户访问数据的监控系统、方法、装置及电子设备 |
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 |