CN110136019A - 一种基于关系演化的社交媒体异常群体用户检测方法 - Google Patents

一种基于关系演化的社交媒体异常群体用户检测方法 Download PDF

Info

Publication number
CN110136019A
CN110136019A CN201910325638.5A CN201910325638A CN110136019A CN 110136019 A CN110136019 A CN 110136019A CN 201910325638 A CN201910325638 A CN 201910325638A CN 110136019 A CN110136019 A CN 110136019A
Authority
CN
China
Prior art keywords
edge
social media
likelihood
edges
sampling
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
Application number
CN201910325638.5A
Other languages
English (en)
Other versions
CN110136019B (zh
Inventor
杨武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Talent Information Technology Co Ltd
Original Assignee
Harbin Talent Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Talent Information Technology Co Ltd filed Critical Harbin Talent Information Technology Co Ltd
Priority to CN201910325638.5A priority Critical patent/CN110136019B/zh
Publication of CN110136019A publication Critical patent/CN110136019A/zh
Application granted granted Critical
Publication of CN110136019B publication Critical patent/CN110136019B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于关系演化的社交媒体异常群体用户检测方法，所述方法包括如下步骤：步骤一、分别对图流中的每个图对象进行m次边采样，每次采样生成一个流样本；步骤二、根据流样本为每个图对象构建m种节点划分方式；步骤三、根据节点划分构建边概率模型，并计算总样本边集合中的每条边的复合边似然拟合；步骤四、根据复合边似然拟合计算每个图对象的似然拟合，似然拟合较大的图对象被认为是异常图。本发明针对社交媒体中群体用户发生异常行为的场景，提出了一种改进的基于加权图的异常群体用户检测方法，改进后的方法可以用于处理基于加权图的社交媒体用户交互状态网络，从而既能够保证边采集的有效性，又能减少由用户无意交互造成的异常误报。

Description

一种基于关系演化的社交媒体异常群体用户检测方法
技术领域
本发明属于社交媒体异常用户检测的安全领域，涉及一种社交媒体中基于关系演化的群体异常用户检测方法。
背景技术
近几年大批社交类应用开始涌现并且发展迅猛，如国内知名的有腾讯QQ、微信、新浪微博、百度贴吧、豆瓣、天涯社区、知乎等，国外知名的有职业社交网站LinkedIn、微博客社交网站Twitter、轻博客社交平台Tumblr、全球第一大社交网站Facebook、基于图片的社交网站Pinterest、SNS社交网站Google+等。这些社交应用使用户无论身处何地都能轻松互动，可以使素未谋面的陌生人找到兴趣相投的朋友、知己，它可以增加朋友的沟通频率，拉近人们的距离，增进人们的感情，给大家带来方便。然而，在线社交媒体在为人们提供各种便利服务的同时，其也成为不法分子获取巨大利益的新平台。社交媒体存储和共享大量的个人信息，又由于社交媒体的开放性，恶意用户可以通过收集这些用户的个人信息进行非法活动，例如身份盗用、网络攻击、垃圾邮件、欺诈性信息传播甚至恐怖主义攻击计划。此类恶意活动严重威胁到合法用户的个人隐私、用户账号的安全性、用户之间的信任度以及用户个人体验等，因此针对这类恶意行为的异常用户检测已成为在社交媒体安全研究的关键问题之一。
目前，针对社交媒体异常用户检测的研究越来越受到人们的重视，国内外已有大量的工作致力于解决社交媒体异常用户检测问题。现有的检测方法大致分为四类，分别为基于行为特征、基于内容、基于图以及无监督学习的检测方案。这些方法大多数只是针对社交媒体中的个体异常用户进行检测，然而，在当前的社交媒体中，一些犯罪分子为了获取更大的利益往往不再单打独斗，而是以团伙的形式进行非法活动，由于事先不知道任何犯罪成员，且某些成员会在不同的时间加入或者退出团伙，此外当检查个体成员时通常不会检测到异常，因此针对这种群体用户的异常检测问题更具挑战性。Aggarwal C C等人提出了一种基于图结构连通性模型的异常检测方法(Outliers Detection Based on GraphStructural Connectivity Model，以下简称ODBGSCM)。ODBGSCM方法首先对图流中的图对象所包含的边进行随机采样形成流样本，然后对流样本进行分区操作，最后根据边生成概率模型计算出图对象的异常分数。然而由于ODBGSCM方法只能处理非加权图，因此会存在以下两点问题：
(1)未考虑用户关系紧密度
社交媒体中用户之间关系的紧密度可以体现在用户交互的频繁度上，而非加权图不能考虑用户交互次数，所以就无法判断用户之间交互关系的紧密程度。以微博为例，大多数普通类用户习惯于为明星类用户的相关内容进行点赞、转发等操作，虽然由此类交互行为产生的交互关系数量巨大，但是这两类用户之间的关系往往不够紧密。因为ODBGSCM方法不能识别用户关系的紧密度，所以会采集到大量用户交互关系紧密度较低的边，而这些边无法反映图真正的结构特征，因此对于异常检测并没有意义，此外还会降低算法的处理效率。
(2)存在异常误报
由于ODBGSCM方法将包含大量跨越密集分区的边的图视为可疑异常图对象，所以只要处于不同的密集分区的用户发生交互行为，该图就有可能被报为异常，然而此类交互行为可能是用户少次的无意操作，如无意点赞、关注等，因此存在误报的情况。
发明内容
针对ODBGSCM方法存在的以上两点问题，本发明在ODBGSCM方法的基础上提出了一种改进的基于关系演化的社交媒体异常群体用户检测方法(Abnormal Group UsersDetection in Social Media Based on Relationship Evolution，以下简称AGUD-BRE)。AGUD-BRE方法可以处理无向加权图，其中权重越高表示边连接的两个用户之间的交互关系越密切，因此考虑到了用户交互关系的紧密度，从而既能够保证边采集的有效性，又能减少由用户无意交互造成的异常误报。
本发明的目的是通过以下技术方案实现的：
一种基于关系演化的社交媒体异常群体用户检测方法，包括如下步骤：
步骤一、将一组时序上连续的社交媒体用户交互状态演化过程表示为无向加权图流G1,G2,...,Gi，分别对图流G1,G2,...,Gi中的每个图对象进行m次边随机采样，每次采样生成一个流样本，即任意图对象Gi会生成m个流样本
步骤二、根据流样本为每个图对象构建m种节点划分方式，即任意图对象Gi会生成m种节点划分方式
步骤三、根据节点划分构建边概率模型，并计算总样本边集合S中的每条边的复合边似然拟合；
步骤四、根据复合边似然拟合计算每个图对象的似然拟合，似然拟合较大的图对象被认为是异常图。
相比于现有技术，本发明具有如下优点：
本发明针对社交媒体中群体用户发生异常行为的场景，在现有ODBGSCM方法的基础上提出一种改进的基于加权图的异常群体用户检测方法AGUD-BRE，改进后的方法可以用于处理基于加权图的社交媒体用户交互状态网络，从而既能够保证边采集的有效性，又能减少由用户无意交互造成的异常误报。
附图说明
图1为经原方法ODBGSCM处理后的人工构造快照G9和G10的用户交互状态信息，(a)G9，(b)G10；
图2为经本发明改进方法AGUD-BRE处理后的人工构造快照G9和G10的用户交互状态信息，(a)G9，(b)G10；
图3为经本发明改进方法AGUD-BRE处理后的人工构造快照G11的用户交互状态信息；
图4为原方法ODBGSCM和改进方法AGUD-BRE运行时间对比。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于关系演化的社交媒体异常群体用户检测方法，包括如下步骤：
步骤一、将一组时序上连续的社交媒体用户交互状态演化过程表示为无向加权图流G1,G2,...,Gi，以Gi＝(V,E,W)为例，其中V代表顶点的集合，顶点用来表示用户，代表顶点集合构成的边集，边用来表示用户之间是否存在交互关系，W代表边的权重，权重用来表示用户之间的交互次数。
步骤二、边随机采样
具体步骤如下所述：
(1)随机对边进行编号
首先假设节点总数n，即社交媒体在演化过程中用户总数不超过n，则无向图中n个节点构成的边的总数为：
然后对En条边进行m(m＞0)次随机编号，并将每次编号结果进行记录；
(2)执行采样
首先设置用户交互次数阈值下限User-connectmin，采集过程根据边的编号大小升序进行，并且只采集边权值大于User-connectmin的边；
然后设置每次采样过程中最大连通分量包含的节点总数阈值，并将其表示为即每次采集到一条边就判断当前采集到的所有边构成的最大连通分量包含的节点个数，当节点个数达到阈值后停止采集过程；
通过(1)、(2)两个步骤，完成对图对象中存在的边的m次采集过程，并把每次采样所生成的边集合称为一个流样本，那么针对图对象Gi进行m次采样则会生成m个流样本其中第r(0＜r≤m)次采样生成的流样本表示为并把总样本表示为
步骤三、节点区域划分
根据流样本中的边构成的连通分量进行节点区域划分，即每个连通分量划为一个分区。此外在节点划分的过程中需考虑两个问题：一方面，需要对每个图对象设置多种划分方式，不同的划分方式能够提供不同的边生成概率，以此可以提高算法的鲁棒性。如前所述，每个流样本S1,S2,...,Sm中包含不同的边集合，而不同的边集合可以构成不同的连通分量集合，因此对En条边进行m次随机编号恰好能够提供m种不同的节点划分方式；另一方面，由于每个流样本中的边会构成许多不能反映图结构特征的较小连通分量，因此针对图流中的任意图对象Gi，设置最小连通分量包含的节点总数阈值Compmin，小于阈值的所有连通分量划为单独的分区。
通过以上方法，可以将图对象Gi的第r种节点划分方式表示为：
其中，表示图对象Gi的第r种节点划分方式包含的分区数量，表示第个社区。
4、图对象异常值概率建模
(1)构建边生成模型
给定一个图对象Gi，第r次采样生成的流样本以及针对流样本构建的第r种节点划分方式由于包含的分区个数为那么任给一条边的两个节点落入不同分区的可能性组合为种，针对每种可能性组合都能计算出边的生成概率，把这个概率统称为边生成模型。因此图对象Gi在第r种节点划分方式下的边生成模型可表示为：
(2)计算边似然拟合
通过边生成模型计算出一对分区之间的边的生成概率，通过计算边的生成概率来定义边似然拟合。给定一个图对象Gi，第r次采样生成的流样本以及针对流样本构建的第r种节点划分方式边其中u、v表示边连接的两个节点。假设节点并假设包含的节点总数为w、分区cI包含的节点总数为s、分区cJ包含的节点总数为t，则边(u,v)的似然拟合可表示为：
(3)计算复合边似然拟合
为了提高概率建模的鲁棒性，本发明维护多种划分节点的方式，由于每种划分方式提供了不同的边生成模型，通过将边生成模型进行复合处理，达到平滑特定于给定分区的局部变化。下面给出复合边似然拟合的计算方法：给定一个图对象Gi，m次采样生成的m个流样本以及针对流样本构建的m种划分方式边其中u、v表示边连接的两个节点。则把边(u,v)在图对象Gi中的复合似然拟合定义为边在m种划分方式下的似然拟合的中值，为了简化公式，假设边(u,v)的m个似然拟合按值递增排列为F1,F2,...,FN，则边(u,v)的复合似然拟合可表示为：
(4)图对象似然拟合
求出每个图对象中所有采集到的边的复合似然拟合之后，根据复合拟合值计算出每个图对象的似然拟合，下面给出图对象似然拟合的计算方法：给定一个图对象Gi以及它的m种划分方式任给一条边(u,v)，其中u、v表示边连接的两个节点，则图对象Gi似然拟合为所有边的复合似然拟合的几何平均值，用公式可表示为：
其中，|Gi|表示总样本边集合Si中的边数。对于图流中的每个图对象，本发明使用上述方法计算似然拟合。似然拟合较大的图对象，会被看作是异常。
图1中(a)、(b)两图分别是经原方法ODBGSCM处理后的人工构造快照G9和G10的用户交互状态信息，通过两图可以说明原方法在处理无向图(不考虑用户交互关系的紧密度)时是有效的。
图2中(a)、(b)两图分别是经本发明改进方法AGUD-BRE处理后的人工构造快照G9和G10的用户交互状态信息，通过两图可以说明本发明改进方法在处理无向加权图(考虑用户交互关系的紧密度)时是有效的。
图3是经本发明改进方法AGUD-BRE处理后的人工构造快照G11的用户交互状态信息，此图说明了本发明AGUD-BRE算法在处理无向加权图(考虑用户交互关系的紧密度)时是有效的。
图4是原方法ODBGSCM和本发明改进方法AGUD-BRE运行时间对比，此图说明了本发明AGUD-BRE算法在进行异常检测时具有更高的性能。

Claims (7)

1.一种基于关系演化的社交媒体异常群体用户检测方法，其特征在于所述方法包括如下步骤：
步骤一、将一组时序上连续的社交媒体用户交互状态演化过程表示为无向加权图流G1,G2,...,Gi，分别对图流G1,G2,...,Gi中的每个图对象进行m次边随机采样，每次采样生成一个流样本；
步骤二、根据流样本为每个图对象构建m种节点划分方式；
步骤三、根据节点划分构建边概率模型，并计算总样本边集合S中的每条边的复合边似然拟合；
步骤四、根据复合边似然拟合计算每个图对象的似然拟合，似然拟合较大的图对象被认为是异常图。
2.根据权利要求1所述的基于关系演化的社交媒体异常群体用户检测方法，其特征在于所述步骤一中，Gi＝(V,E,W)，其中V代表顶点的集合，顶点用来表示用户；代表顶点集合构成的边集，边用来表示用户之间是否存在交互关系；W代表边的权重，权重用来表示用户之间的交互次数。
3.根据权利要求1所述的基于关系演化的社交媒体异常群体用户检测方法，其特征在于所述步骤一中，边随机采样的具体步骤如下：
(1)随机对边进行编号
首先假设节点总数n，则无向图中n个节点构成的边的总数为：
然后对En条边进行m次随机编号，并将每次编号结果进行记录；
(2)执行采样
首先设置用户交互次数阈值下限User-connectmin，采集过程根据边的编号大小升序进行，并且只采集边权值大于User-connectmin的边；
然后设置每次采样过程中最大连通分量包含的节点总数阈值，并将其表示为即每次采集到一条边就判断当前采集到的所有边构成的最大连通分量包含的节点个数，当节点个数达到阈值后停止采集过程；
通过(1)、(2)两个步骤，完成对图对象中存在的边的m次采集过程，并把每次采样所生成的边集合称为一个流样本，那么针对图对象Gi进行m次采样则会生成m个流样本其中第r(0＜r≤m)次采样生成的流样本表示为并把总样本表示为
4.根据权利要求1所述的基于关系演化的社交媒体异常群体用户检测方法，其特征在于所述步骤二中，Gi的第r种节点划分方式表示为：
其中，表示第r种节点划分方式，表示第r种节点划分方式包含的分区数量，表示第个社区。
5.根据权利要求1所述的基于关系演化的社交媒体异常群体用户检测方法，其特征在于所述步骤三中，Gi在第r种节点划分方式下的边生成模型表示为：
其中，表示第r种节点划分方式，表示第r种节点划分方式包含的分区数量。
6.根据权利要求1所述的基于关系演化的社交媒体异常群体用户检测方法，其特征在于所述步骤三中，复合边似然拟合的计算方法：
给定一个Gi，m次采样生成的m个流样本以及针对流样本构建的m种划分方式边其中u、v表示边连接的两个节点；
把边(u,v)在Gi中的复合似然拟合定义为边在m种划分方式下的似然拟合的中值，假设边(u,v)的m个似然拟合按值递增排列为F1,F2,...,FN，则边(u,v)的复合似然拟合表示为：
7.根据权利要求1所述的基于关系演化的社交媒体异常群体用户检测方法，其特征在于所述步骤四中，似然拟合的计算方法如下：
给定Gi以及它的m种划分方式任给一条边(u,v)，其中u、v表示边连接的两个节点，则Gi似然拟合为所有边的复合似然拟合的几何平均值，用公式表示为：
其中，|Gi|表示总样本边集合Si中的边数。
CN201910325638.5A 2019-04-22 2019-04-22 一种基于关系演化的社交媒体异常群体用户检测方法 Active CN110136019B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910325638.5A CN110136019B (zh) 2019-04-22 2019-04-22 一种基于关系演化的社交媒体异常群体用户检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910325638.5A CN110136019B (zh) 2019-04-22 2019-04-22 一种基于关系演化的社交媒体异常群体用户检测方法

Publications (2)

Publication Number Publication Date
CN110136019A true CN110136019A (zh) 2019-08-16
CN110136019B CN110136019B (zh) 2023-06-02

Family

ID=67570578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910325638.5A Active CN110136019B (zh) 2019-04-22 2019-04-22 一种基于关系演化的社交媒体异常群体用户检测方法

Country Status (1)

Country Link
CN (1) CN110136019B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915086A (zh) * 2020-08-06 2020-11-10 上海连尚网络科技有限公司 异常用户预测方法和设备
CN116260715A (zh) * 2023-05-09 2023-06-13 广东卓柏信息科技有限公司 基于大数据的账号安全预警方法、装置、介质及计算设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157155A (zh) * 2016-07-27 2016-11-23 北京大学 基于地图隐喻的社交媒体信息传播可视化分析方法及系统
WO2017027373A1 (en) * 2015-08-07 2017-02-16 Beth Israel Deaconess Medical Center, Inc. Estimation of descriptive parameters from a sample
CN109063837A (zh) * 2018-07-02 2018-12-21 南京邮电大学 基于复杂网络结构熵的遗传算法信息流网络属性分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017027373A1 (en) * 2015-08-07 2017-02-16 Beth Israel Deaconess Medical Center, Inc. Estimation of descriptive parameters from a sample
CN106157155A (zh) * 2016-07-27 2016-11-23 北京大学 基于地图隐喻的社交媒体信息传播可视化分析方法及系统
CN109063837A (zh) * 2018-07-02 2018-12-21 南京邮电大学 基于复杂网络结构熵的遗传算法信息流网络属性分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915086A (zh) * 2020-08-06 2020-11-10 上海连尚网络科技有限公司 异常用户预测方法和设备
CN116260715A (zh) * 2023-05-09 2023-06-13 广东卓柏信息科技有限公司 基于大数据的账号安全预警方法、装置、介质及计算设备
CN116260715B (zh) * 2023-05-09 2023-09-01 国品优选(北京)品牌管理有限公司 基于大数据的账号安全预警方法、装置、介质及计算设备

Also Published As

Publication number Publication date
CN110136019B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN109905399B (zh) 一种基于自我网络结构演化的社交媒体个体异常用户检测方法
CN107194623B (zh) 一种团伙欺诈的发现方法及装置
CN104660594B (zh) 一种面向社交网络的虚拟恶意节点及其网络识别方法
US9787640B1 (en) Using hypergraphs to determine suspicious user activities
CN103368917B (zh) 一种网络虚拟用户的风险控制方法及系统
Liu et al. Anomaly detection in feedback-based reputation systems through temporal and correlation analysis
CN108765179A (zh) 一种基于图计算的可信社交关系分析方法
Tiwari Analysis and detection of fake profile over social network
Liu et al. Improving fraud detection via hierarchical attention-based graph neural network
CN110136019A (zh) 一种基于关系演化的社交媒体异常群体用户检测方法
CN111523012A (zh) 用于检测异常数据的方法、设备和计算机可读存储介质
Huang et al. Socialwatch: detection of online service abuse via large-scale social graphs
CN112597439A (zh) 一种在线社交网络异常账号的检测方法及系统
CN113159866A (zh) 一种大数据环境下网络用户信任度评估模型构建方法
CN103457799A (zh) 基于关系图的微博僵尸用户检测方法
CN114205816A (zh) 一种电力移动物联网信息安全架构及其使用方法
Suriakala et al. Privacy protected system for vulnerable users and cloning profile detection using data mining approaches
Devarapalli et al. Rumor detection and tracing its source to prevent cyber‐crimes on social media
Yang et al. Dishonest behaviors in online rating systems: cyber competition, attack models, and attack generator
Wu et al. Rumor restraining based on propagation prediction with limited observations in large-scale social networks
Patil et al. A comprehensive review on social botnet detection techniques
CN113742538B (zh) 基于图层级的业务分析方法、装置、电子设备及存储介质
Paradise et al. Detecting organization-targeted socialbots by monitoring social network profiles
CN110489568B (zh) 生成事件图的方法、装置、存储介质和电子设备
Sami et al. An automated framework for finding fake accounts on Facebook

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