CN109982328B - 一种基于深度神经网络的协作频谱共享智能契约设计方法 - Google Patents
一种基于深度神经网络的协作频谱共享智能契约设计方法 Download PDFInfo
- Publication number
- CN109982328B CN109982328B CN201910097980.4A CN201910097980A CN109982328B CN 109982328 B CN109982328 B CN 109982328B CN 201910097980 A CN201910097980 A CN 201910097980A CN 109982328 B CN109982328 B CN 109982328B
- Authority
- CN
- China
- Prior art keywords
- contract
- dynamic
- stage
- information
- neural network
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及一种基于深度神经网络的协作频谱共享智能契约设计方法。针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题,在研究小型基站多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上,通过探索多阶段私有信息甄别机制,以规避动态逆向选择问题;通过设计多阶段私有行为激励策略,以规避动态道德风险行为;针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题,利用小型基站的私有信息和声誉信息,通过建立多层神经网络结构框架,探索基于深度学习的多阶段智能契约模型,研究双重信息非对称场景下多阶段动态契约优化设计策略,从而保证多阶段协作频谱共享实现。
Description
技术领域
本发明属于无线协作通信技术领域,具体涉及一种动态非对称信息条件下多阶段协作频谱共享契约方法。
背景技术
由于认知无线网络环境的复杂性和网络信息的动态性,动态网络信息无法准确获知,小基站(Small Base Stations,SBSs)的信息和行为常常是无法核实的。因此,在协作频谱共享契约机制中,动态逆向选择和动态道德风险两类问题经常同时出现。比如,在每期签约之前,宏基站(Macro Base Stations,MBSs)不了解当前阶段SBSs的能力信息,即动态逆向选择问题;在每期签约之后,MBSs不知道SBSs在当前阶段是否积极参与流量卸载,即动态道德风险问题。现有工作集中在单期双重非对称信息条件下静态契约设计。
此外,协作频谱共享契约机制优化问题属于非凸优化问题。现有方法大多采用近似、限制求解域或简化为凸优化子问题等策略,这会导致部分性能损失。虽然一些启发式优化方法能够获得近似最优解,但由于自身的局限性,不能圆满解决大型、复杂、动态的非凸优化问题。同时,现有方法大多通过迭代策略解决上述优化问题,计算成本过高且无法满足动态环境对实时性要求。此外,传统基于机器学习的优化算法研究大多通过构建深度神经网络,以近似迭代优化算法,但这类方法只能解决较为简单的迭代问题。虽然研究人员已探索性地将深度神经网络应用于一些通信领域,但大多关注信号建模和检测而非优化算法方面。
基于此,本发明针对双重非对称动态网络信息特点,提出利用深度学习方法获得最优的协作频谱共享动态契约设计,通过建立多阶段协作频谱共享动态契约模型,以实现能力信息甄别和协作努力激励双目标。
发明内容
为了克服上述现有技术存在的不足,本发明的目的在于提出一种基于深度神经网络的协作频谱共享智能契约设计方法。
为了达到上述目的,本发明所采用的技术方案是:一种基于深度神经网络的协作频谱共享智能契约设计方法,其特征在于,针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题,在研究小基站(Small Base Stations,SBSs)多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上,通过探索多阶段私有信息甄别机制,以规避动态逆向选择问题;通过设计多阶段私有行为激励策略,以规避动态道德风险行为。并且通过建立神经网络框架模型,研究实现双重信息非对称场景下多阶段动态契约优化,所述方法包括如下步骤:
步骤1,多阶段动态契约优化问题建模:在双重非对称动态网络信息场景下,建立多阶段动态契约优化问题模型;
步骤2,构建动态契约优化的神经网络模型,并训练动态契约优化的神经网络:针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题,利用SBSs的私有信息和声誉信息,通过建立多层神经网络结构框架,研究双重信息非对称场景下多阶段动态契约优化设计策略,从而保证多阶段协作频谱共享实现。
进一步地,步骤1中,所述建立多阶段动态契约优化问题模型实现过程包括:
考虑由M个宏基站(Macro Base Stations,MBSs)、N个小型基站(Small BaseStations,SBSs)和若干个随机分布的移动用户组成的两层异构蜂窝网络。在每阶段t契约设计中,MBSs依据SBSs私有能力类型信息和声誉信息向SBSs提出当前期的契约其中,为固定收益,为收益提成。
为了激励SBSs忠实地向MBSs反馈其私有能力类型信息协作频谱共享契约需满足激励相容(Incentive Compatibility,IC)约束条件,以确保私有能力类型信息为的SBSs通过选择与自身能力类型相匹配的契约条款才能可实现期望效用最大,即
为了激励SBSs高效地参与流量卸载服务,协作频谱共享契约需满足IC2约束,以确保每个SBS获得最大的期望效用,即
由此,双重非对称动态网络信息场景下多阶段动态契约优化问题为在满足上述约束条件下,MBSs总期望效用的最大化:
进一步地,步骤2中,构建动态契约优化的神经网络模型,实现过程包括:
在建立多阶段动态契约优化问题基础上,研究基于深度神经网络的动态契约优化设计方法,以获得最优的多阶段协作频谱共享契约策略。
上述约束条件(3)可建模为预期事后regret,即
于是,从机器学习角度来看,多阶段动态契约优化问题可描述为在满足上述约束条件的前提下期望损失函数的最小化,即:
在如图1所示的基于深度神经网络契约设计框架中,网络结构由两个逻辑上不同的组件组成:服务网络和支付网络SBSs私有能力类型信息和声誉信息均作为输入数据进入网络的输入层;服务网络使用R个全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的输出层,通过softmax激活函数后,输出契约服务矩阵支付网络使用T个全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的输出层,通过ReLU激活函数后输出固定收益通过softmax激活函数后输出收益提成
进一步地,步骤2中,训练动态契约优化的神经网络,实现过程包括:
在网络结构训练阶段,优化问题中的预期损失函数、预期事后regret、预期IR惩罚等数据均由样本以某种先验分布产生,于是,预期损失函数用经验损失函数代替,预期事后被经验事后代替,预期IR惩罚被经验IR惩罚代替,训练优化问题转化成:
进一步,采用增广拉格朗日乘子方法解决上述训练优化问题,通过在拉格朗日函数Cρ(ω;λirv';λrgt')中增加违反约束条件的二次惩罚项:
其中,λirv',λrgt'∈Rn为拉格朗日乘子的向量,
在每次迭代中执行以下更新:
选取适当的惩罚参数,以保证增广拉格朗日方法能够收敛到优化问题的最优解,并利用Adam算法获得最小的损失函数,以优化神经网络的权重。
与现有技术相比,本发明的有益效果是:本发明针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题,在研究小基站(Small Base Stations,SBSs)多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上,通过探索多阶段私有信息甄别机制,以规避动态逆向选择问题;通过设计多阶段私有行为激励策略,以规避动态道德风险行为;针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题,利用SBSs的私有信息和声誉信息,通过建立多层神经网络结构框架,探索基于深度学的多阶段智能契约模型,研究双重信息非对称场景下多阶段动态契约优化设计策略,从而保证多阶段协作频谱共享实现。
附图说明
图1是本发明的多阶段协作频谱共享智能契约机制框架的示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明基于深度神经网络结构,深入探索双重非对称动态网络信息场景下多阶段协作频谱共享契约机制,实现小型基站能力信息甄别和流量卸载行为激励双目标。
具体实现过程如下:
针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题,利用SBSs的私有信息和声誉信息,通过建立多层神经网络结构框架,探索基于深度学的多阶段智能契约模型,研究双重信息非对称场景下多阶段动态契约优化设计策略,从而保证多阶段协作频谱共享实现。
(1)多阶段动态契约优化问题建模
考虑由M个宏基站(Macro Base Stations,MBSs)、N个小型基站(Small BaseStations,SBSs)和若干个随机分布的移动用户组成的两层异构蜂窝网络。在每阶段t契约设计中,MBSs依据SBSs私有能力类型信息和声誉信息向SBSs提出当前期的契约其中,为固定收益,为收益提成。
为了激励SBSs忠实地向MBSs反馈其私有能力类型信息协作频谱共享契约需满足激励相容(Incentive Compatibility,IC)约束条件,以确保私有能力类型信息为的SBSs通过选择与自身能力类型相匹配的契约条款才能可实现期望效用最大,即
为了激励SBSs高效地参与流量卸载服务,协作频谱共享契约需满足激励相容约束,以确保每个SBS获得最大的期望效用,即
由此,双重非对称动态网络信息场景下多阶段动态契约优化问题为在满足上述约束条件下,MBSs总期望效用的最大化:
(2)构建动态契约优化的神经网络模型
在多阶段动态契约优化问题基础上,研究基于深度神经网络的动态契约优化设计方法,以获得最优的多阶段协作频谱共享契约策略。
在基于深度学习的智能契约机制中,在给定神经网络模型参数ω的前提下,上述IR约束建模为预期违反IR约束条件,即
上述IC1约束建模为预期事后regret,即
于是,从机器学习角度来看,多阶段动态契约优化问题可描述为在满足上述约束条件的前提下期望损失函数的最小化,即:
在如图1所示的基于深度神经网络契约设计框架中,网络结构由两个逻辑上不同的组件组成:服务网络和支付网络SBSs私有能力类型信息和声誉信息均作为输入数据进入网络的输入层;服全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的务网络使用R个全连接的隐藏层建模(每个隐藏层采用sigmoidal激活函数)和1个全连接的输出层,通过softmax激活函数后,输出契约服务矩阵支付网络使用T个输出层,通过ReLU激活函数后输出固定收益通过softmax激活函数后输出收益提成
(3)训练动态契约优化的神经网络
在网络结构训练阶段,优化问题中的预期损失函数、预期事后regret、预期IR惩罚等数据均由样本以某种先验分布产生,于是,预期损失函数用经验损失函数代替,预期事后被经验事后代替,预期IR惩罚被经验IR惩罚代替,训练优化问题转化成:
进一步地,采用增广拉格朗日乘子方法解决上述训练优化问题。通过在拉格朗日函数Cρ(ω;λirv';λrgt')中增加违反约束条件的二次惩罚项:
其中,λirv',λrgt'∈Rn为拉格朗日乘子的向量,ρ>0为二次惩罚项的权重。
在每次迭代中执行以下更新:
选取适当的惩罚参数,以保证增广拉格朗日方法能够收敛到优化问题的最优解;利用Adam算法获得最小的损失函数,以优化神经网络的权重。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (2)
1.一种基于深度神经网络的协作频谱共享智能契约设计方法,其特征在于,针对契约签订前后信息和行为隐匿性双重非对称动态网络信息问题,在研究小基站SBSs多阶段流量卸载能力类型和流量卸载服务行为的数学模型描述方法的基础上,通过探索多阶段私有信息甄别机制,以规避动态逆向选择问题;通过设计多阶段私有行为激励策略,以规避动态道德风险行为;并且通过建立神经网络框架模型,研究实现双重信息非对称场景下多阶段动态契约优化,所述方法包括如下步骤:
步骤1,多阶段动态契约优化问题建模:在双重非对称动态网络信息场景下,建立多阶段动态契约优化问题模型;
步骤2,构建动态契约优化的神经网络模型,并训练动态契约优化的神经网络:针对双重非对称动态网络信息场景下多阶段动态契约模型的非凸优化求解问题,利用SBSs的私有信息和声誉信息,通过建立多层神经网络结构框架,研究双重信息非对称场景下多阶段动态契约优化设计策略,从而保证多阶段协作频谱共享实现;
步骤1中,所述建立多阶段动态契约优化问题模型实现过程包括:
考虑由M个宏基站MBSs、N个小型基站SBSs和若干个随机分布的移动用户组成的两层异构蜂窝网络,在每阶段t契约设计中,MBSs依据SBSs私有能力类型信息和声誉信息向SBSs提出当前期的契约其中,为固定收益,为收益提成;
为了激励SBSs高效地参与流量卸载服务,协作频谱共享契约需满足激励相容约束,以确保每个SBS获得最大的期望效用,即
由此,双重非对称动态网络信息场景下多阶段动态契约优化问题为在满足上述约束条件下,MBSs总期望效用的最大化:
步骤2中,构建动态契约优化的神经网络模型,实现过程包括:
在建立多阶段动态契约优化问题基础上,研究基于深度神经网络的动态契约优化设计方法,以获得最优的多阶段协作频谱共享契约策略;
上述约束条件(3)建模为预期事后regret,即
于是,从机器学习角度来看,多阶段动态契约优化问题能够描述为在满足上述约束条件的前提下期望损失函数的最小化,即:
2.根据权利要求1所述的基于深度神经网络的协作频谱共享智能契约设计方法,其特征在于:步骤2中,训练动态契约优化的神经网络,实现过程包括:
在网络结构训练阶段,优化问题(8)中的预期损失函数、预期事后regret、预期IR惩罚等数据均由样本以某种先验分布产生,于是,预期损失函数用经验损失函数代替,预期事后被经验事后代替,预期IR惩罚被经验IR惩罚代替,训练优化问题转化成:
进一步,采用增广拉格朗日乘子方法解决上述训练优化问题,通过在拉格朗日函数Cρ(ω;λirv';λrgt')中增加违反约束条件的二次惩罚项:
其中,λirv',λrgt'∈Rn为拉格朗日乘子的向量,ρ>0为二次惩罚项的权重;
在每次迭代中执行以下更新:
选取适当的惩罚参数,以保证增广拉格朗日方法能够收敛到优化问题的最优解,并利用Adam算法获得最小的损失函数,以优化神经网络的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097980.4A CN109982328B (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度神经网络的协作频谱共享智能契约设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097980.4A CN109982328B (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度神经网络的协作频谱共享智能契约设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109982328A CN109982328A (zh) | 2019-07-05 |
CN109982328B true CN109982328B (zh) | 2022-09-13 |
Family
ID=67076820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910097980.4A Active CN109982328B (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度神经网络的协作频谱共享智能契约设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109982328B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110972160B (zh) * | 2019-10-21 | 2022-06-28 | 湖北工业大学 | 一种异构蜂窝网络中无人机流量卸载契约机制设计方法 |
CN111294813B (zh) * | 2020-02-01 | 2022-04-29 | 湖北工业大学 | 一种无人机流量卸载的多阶段逆向选择契约模型优化方法 |
US20230180016A1 (en) * | 2021-12-08 | 2023-06-08 | A10 Systems LLC | Application-based incumbent informing capability for spectrum sharing |
CN116095721B (zh) * | 2023-04-07 | 2023-06-27 | 湖北工业大学 | 一种融合感知通信的移动群智网络契约激励方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014117135A2 (en) * | 2013-01-28 | 2014-07-31 | Interdigital Patent Holdings, Inc. | Methods and apparatus for spectrum coordination |
CN104618914A (zh) * | 2015-01-04 | 2015-05-13 | 湖北工业大学 | 一种基于频谱合约的多用户协作频谱共享方法 |
CN106131857A (zh) * | 2016-07-29 | 2016-11-16 | 浙江工业大学 | 一种基于契约的带宽和功率联合优化协作频谱共享方法 |
CN107509205A (zh) * | 2017-08-17 | 2017-12-22 | 湖北工业大学 | 一种基于契约理论的协作频谱共享动态激励机制设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9262724B2 (en) * | 2012-07-13 | 2016-02-16 | International Business Machines Corporation | Low-rank matrix factorization for deep belief network training with high-dimensional output targets |
-
2019
- 2019-01-31 CN CN201910097980.4A patent/CN109982328B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014117135A2 (en) * | 2013-01-28 | 2014-07-31 | Interdigital Patent Holdings, Inc. | Methods and apparatus for spectrum coordination |
CN104618914A (zh) * | 2015-01-04 | 2015-05-13 | 湖北工业大学 | 一种基于频谱合约的多用户协作频谱共享方法 |
CN106131857A (zh) * | 2016-07-29 | 2016-11-16 | 浙江工业大学 | 一种基于契约的带宽和功率联合优化协作频谱共享方法 |
CN107509205A (zh) * | 2017-08-17 | 2017-12-22 | 湖北工业大学 | 一种基于契约理论的协作频谱共享动态激励机制设计方法 |
Non-Patent Citations (4)
Title |
---|
Profit Incentive in Trading Nonexclusive Access on a Secondary Spectrum Market Through Contract Design;Shang-Pin Sheng et.al;《IEEE/ACM Transactions on Networking 》;20130716;全文 * |
一种基于合约的认知网络协作频谱共享策略;穆晓敏等;《郑州大学学报(工学版)》;20160603(第03期);全文 * |
基于契约理论的协作频谱共享动态激励机制设计;赵楠 等;《计算机工程与设计》;20180916;全文 * |
基于契约理论的频谱共享和数据分流;周子龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109982328A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109982328B (zh) | 一种基于深度神经网络的协作频谱共享智能契约设计方法 | |
Jiang et al. | A joint multi-criteria utility-based network selection approach for vehicle-to-infrastructure networking | |
Ding et al. | A deep reinforcement learning for user association and power control in heterogeneous networks | |
Li et al. | Joint resource allocation and trajectory optimization with QoS in UAV-based NOMA wireless networks | |
Wang et al. | Computation offloading and resource allocation in wireless cellular networks with mobile edge computing | |
CN105050170B (zh) | 一种异构网络中基于流量预测的基站休眠方法 | |
Tsai et al. | Metaheuristics for the deployment of 5G | |
Zhou et al. | The partial computation offloading strategy based on game theory for multi-user in mobile edge computing environment | |
Yang et al. | Distributed deep reinforcement learning-based spectrum and power allocation for heterogeneous networks | |
Chen et al. | Optimal resource block assignment and power allocation for D2D-enabled NOMA communication | |
CN110351754A (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
Chen et al. | Code caching-assisted computation offloading and resource allocation for multi-user mobile edge computing | |
Cheng et al. | Joint user association and resource allocation in HetNets based on user mobility prediction | |
CN107018552A (zh) | 一种选择异构网络接入的方法 | |
CN104640185B (zh) | 一种基于基站协作的小区休眠节能方法 | |
Zhang et al. | Energy efficiency of small cell networks: Metrics, methods and market | |
Zhong et al. | Stable user association and resource allocation based on stackelberg game in backhaul-constrained HetNets | |
Yang et al. | Green-oriented offloading and resource allocation by reinforcement learning in MEC | |
CN103582105B (zh) | 一种大规模异构蜂窝网络中最大化系统效益的优化方法 | |
CN103249062A (zh) | 一种基于重复博弈的融合泛在网多终端协同信任机制 | |
Dai et al. | Decoupled uplink-downlink association in full-duplex cellular networks: A contract-theory approach | |
Ge et al. | Applications of artificial intelligence in wireless communications | |
Zhang et al. | Contracts for joint downlink and uplink traffic offloading with asymmetric information | |
CN108430082A (zh) | 一种异构车联网环境下的车载网络切换方法 | |
Zheng et al. | eICIC configuration of downlink and uplink decoupling with SWIPT in 5G dense IoT HetNets |
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 |