CN110704693A - 分布式图计算系统和分布式图计算方法 - Google Patents
分布式图计算系统和分布式图计算方法 Download PDFInfo
- Publication number
- CN110704693A CN110704693A CN201910924175.4A CN201910924175A CN110704693A CN 110704693 A CN110704693 A CN 110704693A CN 201910924175 A CN201910924175 A CN 201910924175A CN 110704693 A CN110704693 A CN 110704693A
- Authority
- CN
- China
- Prior art keywords
- calculation
- graph
- edges
- distributed
- node
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
分布式图计算系统和方法,系统包括多个计算机和数据库,每台计算机上具有一个或多个计算结点,首先进行初始化,各个计算结点分别从数据库中读取不相交的原图的一部分边;主体计算流程,采用以子图为中心的迭代化计算方法,同时加入图缩减和重新划分过程以加速收敛,其中每轮迭代包含以下步骤:重新划分步骤,在每轮迭代的开始,首先对当前计算的图进行重新划分;本地计算步骤;缩减步骤,每个计算结点本地计算完成后,删除被判定无用的部分点/边,对原图进行重构;判断剩下的所有边是否能够存储在单个计算结点,为是的情况下,迭代结束,否则返回到重新划分步骤。本发明图计算方技术可以有效减少算法收敛所需的迭代轮数,提高计算效率。
Description
技术领域
本发明总体地分布式计算技术领域,特别涉及一种分布式图计算方法及系统。
背景技术
随着以社交网络为代表的图数据规模高速增长,如何有效处理这类大规模数据仍然存在着很多挑战。Google开发的图计算系统Pregel首次提出了“think like a vertex”的思想,即以点为中心(vertex-centric)的计算方法,之后的大部分分布式图计算系统都延续了这一思想,例如Giraph、GraphLab、PowerGraph、GraphX、GPS等等。不同于本地内存环境下的串行算法,在以点为中心的计算方法中,所有的点从其入边的邻点获取数据,执行用户自定义的函数对自己的状态进行更新,然后将自己的更新状态通过消息发给其出边的邻点。这种以点为中心的计算方法编程简单、易于扩展,因而被广泛使用。然而,由于在执行中只能访问或更新直接邻居,导致每次信息只能传递一跳,因而算法收敛速度慢,尤其是在大直径图上计算效率极低。
为了解决以点为中心的计算方法存在的问题,一些系统(Giraph++、GoFFish、Blogel等)采用了以子图为中心的计算方法。在这种计算方法下,分布式集群中的每一个计算结点保存的数据构成子图,在用户定义的函数中,可以对一个子图进行任意计算,而不是一个特定的点,因此同属于一个子图内的点或边可以在一次迭代内完成信息同步。这一做法可以大大提高信息传递的速度,从而加快算法收敛,提高计算效率。然而,如果采用固定的图划分就不能充分发挥这一优点,如果图的划分效果不佳,依然会存在大直径图上算法收敛速度慢的问题。
发明内容
因此,需要对以子图为中心的计算方法进行优化,提出一种支持对图重新划分的计算方法,并尽可能降低重新划分所带来的额外开销,从而解决现有方法存在的收敛速度慢的问题,进一步提高计算效率。
(一)所要解决的技术问题
本发明的目的在于解决传统图计算方法在某些情况下收敛速度慢、计算效率低、计算资源浪费严重的问题,提供一个高可用、效率高、可扩展的大规模分布式图计算系统。
(二)技术方案
为了解决上述技术问题,本发明提出了一种基于图缩减和重新划分的图计算方法,并实现了一个新的分布式图计算系统ReGraph。
根据本发明的一个方面,提供了一种分布式图计算系统,包括多个计算机和数据库,每台计算机上具有一个或多个计算结点,所述分布式图计算系统如下操作:在进行图算法的计算之前,首先进行初始化,各个计算结点分别从数据库中读取不相交的原图的一部分边,执行按边划分的划分方法;主体计算流程,采用以子图为中心的迭代化计算方法,同时加入图缩减和重新划分过程以加速收敛,其中每轮迭代包含以下步骤:重新划分步骤,在每轮迭代的开始,首先对当前计算的图进行重新划分,要求每个计算结点存储的边数不得少于一个用户定义的整数参数T,本地计算步骤,重新划分完成后,每个计算结点对其所存储的子图进行计算,缩减步骤,每个计算结点本地计算完成后,判断部分点/边的信息是否对后续的计算过程无用,删除被判定无用的部分点/边,对原图进行重构;判断剩下的所有边是否能够存储在单个计算结点,在判断结果为是的情况下,上述的分布式计算流程结束,否则返回到重新划分步骤。
可选的,所述分布式图计算系统其中在按边划分时,在整个分布式图计算系统中,每条边被保存且只被保存一次。
可选的,所述分布式图计算系统其中在按边划分时,存在被保存大于一次的点。
可选的,所述分布式图计算系统用于计算弱连通分量WCC、极大独立子集MIS、最小生成树MCST或三角形计数TC。
可选的,分布式图计算系统中,在计算弱连通分量WCC的情况下,每个计算结点本地的连通分量用一棵树的形状表达,对于每个本地WCC,选取一个共享点作为树的根,对于其他每个点,保存一条边连接这个点和其对应的树根。
根据本发明的另一方面,提供了一种分布式图计算方法,在分布式图计算系统上进行,分布式图计算系统包括多个计算机和数据库,每台计算机上具有一个或多个计算结点,所述分布式图计算方法包括:在进行图算法的计算之前,首先进行初始化,各个计算结点分别从数据库中读取不相交的原图的一部分边,执行按边划分的划分方法;主体计算流程,采用以子图为中心的迭代化计算方法,同时加入图缩减和重新划分过程以加速收敛,其中每轮迭代包含以下步骤:重新划分步骤,在每轮迭代的开始,首先对当前计算的图进行重新划分,要求每个计算结点存储的边数不得少于一个用户定义的整数参数T,本地计算步骤,重新划分完成后,每个计算结点对其所存储的子图进行计算,缩减步骤,每个计算结点本地计算完成后,判断部分点/边的信息是否对后续的计算过程无用,删除被判定无用的部分点/边,对原图进行重构;判断剩下的所有边是否能够存储在单个计算结点,在判断结果为是的情况下,上述的分布式计算流程结束,否则返回到重新划分步骤。
可选的,分布式图计算方法中在按边划分时,在整个分布式图计算系统中,每条边被保存且只被保存一次。
可选的,分布式图计算方法中在按边划分时,存在被保存大于一次的点。
可选的,所述分布式图计算方法用于计算弱连通分量WCC、极大独立子集MIS、最小生成树MCST或三角形计数TC。
可选的,在计算弱连通分量WCC的情况下,每个计算结点本地的连通分量用一棵树的形状表达,对于每个本地WCC,选取一个共享点作为树的根,对于其他每个点,保存一条边连接这个点和其对应的树根。
与现有的图计算方法和系统相比,本发明提出的技术方案具有如下优点:
1、通过在迭代计算的过程中插入图缩减和重新划分的过程,可以有效减小问题规模、优化负载均衡、加快算法收敛,从而实现系统的高有效性和高可扩展性。对比现有最优系统,最高可达45.4倍的加速比。
2、由于本发明提出的计算方法可以通过图缩减不断减小问题规模,从而减少计算所需的集群规模大小,因而可以释放不再需要的工作结点,减少总计算资源的消耗。
3、本发明提出的计算方法具有通用性,不仅用于发明人自己涉及的系统ReGraph,也可以用于优化传统计算模型。发明人在Spark中实现了基于此计算方法的算法,也获得了可观的计算效率。
附图说明
图1示出了根据本发明实施例的本基于图缩减和重新划分的图计算方法的主体流程图。
图2是本发明实施例(WCC算法)中一轮迭代的计算过程的示意图。
图3是本发明实施例(WCC算法)的整体计算过程的示意图。
图4是在ReGraph中实现四个算法(WCC,MIS,MCST,TC),并用五个数据集(Pokec,LiveJ,Dimacs,UK-2002,Twitter)进行测试,分别在8个和64个计算结点的运行环境下记录的运行时间和迭代轮数,并与现有系统中平均效果最好的系统进行了对比。其中,GPS系统中的MIS算法是随机化算法,因此在统计时进行了多次运行,并提供了平均运行时间和迭代轮数。
图5是在LiveJ和Twitter两个数据集上计算WCC时,不同初始计算集群大小下,ReGraph和PowerLyra所消耗的总计算资源(所有计算结点的CPU时间总和)。
图6是在数据集Twitter上计算WCC和MIS时,分别测得的ReGraph和PowerLyra的可扩展性。
图7是在Spark平台上按照本发明提出的计算方法实现WCC算法,与同样基于Spark的图计算平台GraphX在不同数据集下所花的计算时间对比。
具体实施方式
下面结合附图和实施例(计算弱连通分量即WCC算法),对本发明的具体实施方式作进一步详细描述。简单来说,一个弱连通分量是原图的一个极大子图,使得这个子图内部任意两个点之间可以通过一条无向的通路连接起来,WCC算法计算原图中所有点所属的弱连通分量。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明提出了一种基于图缩减和重新划分的图计算方法,并实现了一个新的分布式图计算系统ReGraph,如图1的系统流程图所示,该系统工作方法包括以下步骤:
S1、在进行图算法的计算之前,首先进行初始化,各个工作结点分别从硬盘中读取不相交的原图的一部分边形成一个分区,即我们采用的是按边划分的划分方法。不同于Pregel、Giraph++等系统采用的按点划分的划分方式,在我们的系统中,每条边被保存且只被保存一次。同时,点可能存在副本。若某个点只存在于一个分区,则它是一个本地点,否则,则是一个共享点。图2(b)显示了对图2(a)左侧图的一种可能的划分方式。其中,黑色的点为共享点,白色的点为本地点。
S2、主体计算流程,基于以子图为中心的迭代化计算方法,同时创新性地加入图缩减和重新划分的过程以加速收敛。图2展示了对于示例图计算WCC时一个迭代的过程,原图(图2(a)左图)经过一轮迭代后被缩减成了图2(a)右图。具体来说,每轮迭代包含以下步骤:
S2.1、每轮迭代的开始,首先需要对当前计算的图进行重新划分。系统要求用户定义一个参数T,规定在每轮的重新划分过程中每个计算结点存储的边数不得少于T。因此,当图的规模缩减后,计算集群也将相应地缩减到不超过(当前边数/T)个计算结点,从而减少不必要的资源浪费。由于集群大小的改变可以在重新划分的过程中完成,因而这一缩小集群的特点不会引入额外的系统开销。
S2.2、重新划分完成后,每个计算结点可以用任意用户定义的函数对其所存储的子图进行计算,即我们采用以子图为中心的分布式图计算方法。对应于WCC算法的例子,我们可以用任意本地串行算法(如DFS,BFS,并查集等)计算每个计算结点存储子图内部的连通情况,如图2(c)所示,每个本地的连通分量理论上可以用一棵树的形状表达,从而实现用最少的边维持原图的连通情况不变。为了便于之后的图缩减,对于每个本地WCC,我们选取一个共享点(如不存在,则选择本地点)作为树的根,对于其他每个点,保存一条边连接这个点和其对应的树根。
S2.3、本地计算完成后,部分点/边的信息已经可以确定对后续的计算过程无用,因而可以删除掉不再需要的数据,对原图进行重构,尽可能缩减每个子图的规模。结合WCC算法,将每个本地连通分量重构成树的形状,可以大大减少边的规模(减少至不超过点数)。另外,由于本地点所有的边都存在于同一个分区,因而不可能会引起位于两个计算结点上的连通分量的合并,所以我们确定这些点对之后的计算无用从而可以从原图中将它们删掉,如图2(d)所示。注意,被删掉的点在当前可能还未获得最终的WCC编号,故我们还需要记录其最终所属WCC与其目前所在本地WCC的根是一致的,以便用于后续S3步骤的处理。
S3、当剩下的边可以存储在单个计算结点后,上述的分布式计算流程结束。由于我们在计算过程中对图进行了缩减,所以最后在这个小图上的得到的计算结果可能不能完整反映原图信息,因而还需要根据算法再进行后续处理。在WCC算法中,由于每一轮迭代的计算过程中都删掉了本地点,因而需要确定这些点的最终WCC编号。具体来说,将按照与缩减过程相反的方向进行信息传递,得到这些点的结果。图3展示了对图2(a)左图计算WCC的整体计算流程。如图所示,每个点保存一个编号表示其所属的WCC,初始化为自己的ID。当共两轮迭代结束后,可以确定所有剩下的点(D,E和G)同属于一个WCC,而其他被删掉的点的最终结果还需要进一步计算。例如点H,I是第三个分区的本地点,所以在第一轮迭代被删掉了,但是我们记录了它们的最终编号和相应本地WCC的根(即点G)相同。因而如图3所示,通过反向传播,可以确定它们的最终编号为D。
本发明基于以子图为中心的方法,设计实现了分布式图计算系统ReGraph,用于改善图计算中部分情况下算法收敛慢,资源消耗多的问题。ReGraph使用一种包含图缩减和重新划分的图计算方法,通过在迭代计算的过程中插入图缩减和重新划分的过程,可以有效减小问题规模、优化负载均衡、加快算法收敛,从而实现系统的高有效性和高可扩展性。
为了验证本发明提出的方法的实际使用效果,我们设计了包含8台机器最多64个计算结点(每个进程为一个计算结点)的实验环境,在ReGraph中实现了四个算法(弱连通分量——WCC,极大独立子集——MIS,最小生成树——MCST,三角形计数——TC),并用五个数据集(Pokec,LiveJ,Dimacs,UK-2002,Twitter)进行了测试。对于每组实验,我们分别在8个和64个计算结点的运行环境下记录了ReGraph的运行时间和迭代轮数,并分别与现有系统中平均效果最好的系统(PowerLyra或GPS)进行了对比。各组实验的结果如图4所示,四个算法ReGraph均可获得不错的效果,运行效率比现有系统可以至多提高数十倍。
本发明提出的方法带来的另一个好处是大大减少了总计算资源的消耗。由于在计算过程中会缩减计算集群的规模,不再需要的计算结点可以进行释放以指派其他任务,从而达到更好的资源利用。图5显示了在LiveJ和Twitter两个数据集上计算弱连通分量(WCC)时,不同初始计算集群大小下,ReGraph和参照系统PowerLyra所消耗的总计算资源(所有计算结点的CPU时间总和)对比。由图可见,ReGraph可以节约大量计算资源。
同时,本发明提出的方法也提高了系统的可扩展性,这主要是因为ReGraph加快了算法收敛并不断减小问题规模,从而减少了总网络通信量。图6是在数据集Twitter上计算弱连通分量(WCC)和极大独立子集(MIS)时,分别测得的ReGraph和参照系统PowerLyra的可扩展性,验证了我们的结论。
另外,本发明提出的方法不仅用于我们自己实现的系统,同样可以用于现有的框架,从而提高系统性能。为了进一步验证方法的适用性,我们在广泛流行的通用并行框架Spark中实现了基于本方法的弱连通分量(WCC)算法,并与同样基于Spark的图计算系统GraphX的性能进行了对比。如图7中的结果所示,本发明提出的方法依旧取得了不错的加速效果。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种分布式图计算系统,包括多个计算机和数据库,每台计算机上具有一个或多个计算结点,所述分布式图计算系统如下操作:
在进行图算法的计算之前,首先进行初始化,各个计算结点分别从数据库中读取不相交的原图的一部分边,执行按边划分的划分方法;
主体计算流程,采用以子图为中心的迭代化计算方法,同时加入图缩减和重新划分过程以加速收敛,其中每轮迭代包含以下步骤:
重新划分步骤,在每轮迭代的开始,首先对当前计算的图进行重新划分,要求每个计算结点存储的边数不得少于一个用户定义的整数参数T,
本地计算步骤,重新划分完成后,每个计算结点对其所存储的子图进行计算,
缩减步骤,每个计算结点本地计算完成后,判断部分点/边的信息是否对后续的计算过程无用,删除被判定无用的部分点/边,对原图进行重构;
判断剩下的所有边是否能够存储在单个计算结点,在判断结果为是的情况下,上述的分布式计算流程结束,否则返回到重新划分步骤。
2.根据权利要求1的分布式图计算系统,其中在按边划分时,在整个分布式图计算系统中,每条边被保存且只被保存一次。
3.根据权利要求1的分布式图计算系统,其中在按边划分时,存在被保存大于一次的点。
4.根据权利要求1的分布式图计算系统,所述分布式图计算系统用于计算弱连通分量WCC、极大独立子集MIS、最小生成树MCST或三角形计数TC。
5.根据权利要求4的分布式图计算系统,在计算弱连通分量WCC的情况下,每个计算结点本地的连通分量用一棵树的形状表达,对于每个本地WCC,选取一个共享点作为树的根,对于其他每个点,保存一条边连接这个点和其对应的树根。
6.一种分布式图计算方法,在分布式图计算系统上进行,分布式图计算系统包括多个计算机和数据库,每台计算机上具有一个或多个计算结点,所述分布式图计算方法包括:
在进行图算法的计算之前,首先进行初始化,各个计算结点分别从数据库中读取不相交的原图的一部分边,执行按边划分的划分方法;
主体计算流程,采用以子图为中心的迭代化计算方法,同时加入图缩减和重新划分过程以加速收敛,其中每轮迭代包含以下步骤:
重新划分步骤,在每轮迭代的开始,首先对当前计算的图进行重新划分,要求每个计算结点存储的边数不得少于一个用户定义的整数参数T,
本地计算步骤,重新划分完成后,每个计算结点对其所存储的子图进行计算,
缩减步骤,每个计算结点本地计算完成后,判断部分点/边的信息是否对后续的计算过程无用,删除被判定无用的部分点/边,对原图进行重构;
判断剩下的所有边是否能够存储在单个计算结点,在判断结果为是的情况下,上述的分布式计算流程结束,否则返回到重新划分步骤。
7.根据权利要求6的分布式图计算方法,其中在按边划分时,在整个分布式图计算系统中,每条边被保存且只被保存一次。
8.根据权利要求6的分布式图计算方法,其中在按边划分时,存在被保存大于一次的点。
9.根据权利要求6的分布式图计算方法,所述分布式图计算方法用于计算弱连通分量WCC、极大独立子集MIS、最小生成树MCST或三角形计数TC。
10.根据权利要求9的分布式图计算方法,在计算弱连通分量WCC的情况下,每个计算结点本地的连通分量用一棵树的形状表达,对于每个本地WCC,选取一个共享点作为树的根,对于其他每个点,保存一条边连接这个点和其对应的树根。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924175.4A CN110704693A (zh) | 2019-09-27 | 2019-09-27 | 分布式图计算系统和分布式图计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924175.4A CN110704693A (zh) | 2019-09-27 | 2019-09-27 | 分布式图计算系统和分布式图计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110704693A true CN110704693A (zh) | 2020-01-17 |
Family
ID=69198220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924175.4A Pending CN110704693A (zh) | 2019-09-27 | 2019-09-27 | 分布式图计算系统和分布式图计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110704693A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112114984A (zh) * | 2020-09-17 | 2020-12-22 | 清华大学 | 图数据处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5748844A (en) * | 1994-11-03 | 1998-05-05 | Mitsubishi Electric Information Technology Center America, Inc. | Graph partitioning system |
CN106096117A (zh) * | 2016-06-06 | 2016-11-09 | 东南大学 | 基于流量和可靠性的不确定图关键边评估方法 |
-
2019
- 2019-09-27 CN CN201910924175.4A patent/CN110704693A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5748844A (en) * | 1994-11-03 | 1998-05-05 | Mitsubishi Electric Information Technology Center America, Inc. | Graph partitioning system |
CN106096117A (zh) * | 2016-06-06 | 2016-11-09 | 东南大学 | 基于流量和可靠性的不确定图关键边评估方法 |
Non-Patent Citations (1)
Title |
---|
XUE LI等: "ReGraph: A Graph Processing Framework that Alternately Shrinks and Repartitions the Graph", 《ICS’18: PROCEEDINGS OF THE 2018 INTERNATIONAL CONFERENCE ON SUPERCOMPUTING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112114984A (zh) * | 2020-09-17 | 2020-12-22 | 清华大学 | 图数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134636B (zh) | 模型训练方法、服务器和计算机可读存储介质 | |
Yan et al. | Blogel: A block-centric framework for distributed computation on real-world graphs | |
CN108563808B (zh) | 基于fpga的异构可重构图计算加速器系统的设计方法 | |
Attia et al. | Cygraph: A reconfigurable architecture for parallel breadth-first search | |
CN109522428B (zh) | 一种基于索引定位的图计算系统的外存访问方法 | |
CN105653204A (zh) | 一种基于磁盘的分布式图计算方法 | |
Bisson et al. | Parallel distributed breadth first search on the Kepler architecture | |
CN110543663A (zh) | 一种面向粗粒度MPI+OpenMP混合并行的结构网格区域划分方法 | |
CN112883241B (zh) | 基于连通分量生成优化的超级计算机基准测试加速方法 | |
CN113419861B (zh) | 一种面向gpu卡群的图遍历混合负载均衡方法 | |
CN109656898B (zh) | 基于节点度的分布式大规模复杂社团探测方法及装置 | |
CN114911612A (zh) | 一种面向cpu-gpu异构资源的任务调度方法 | |
CN102902742A (zh) | 一种云环境下的空间数据划分方法 | |
CN115237580A (zh) | 面向智能计算的流水并行训练自适应调整系统、方法 | |
CN109214512A (zh) | 一种深度学习的参数交换方法、装置、服务器及存储介质 | |
CN106484532B (zh) | 面向sph流体模拟的gpgpu并行计算方法 | |
CN111553834A (zh) | 基于fpga的并发图数据预处理方法 | |
CN116962438B (zh) | 一种梯度数据同步方法、系统、电子设备及可读存储介质 | |
CN116962176B (zh) | 一种分布式集群的数据处理方法、装置、系统及存储介质 | |
CN109254844B (zh) | 一种大规模图的三角形计算方法 | |
CN110704693A (zh) | 分布式图计算系统和分布式图计算方法 | |
CN116303219A (zh) | 一种网格文件的获取方法、装置及电子设备 | |
CN112100446B (zh) | 搜索方法、可读存储介质和电子设备 | |
CN109542623B (zh) | 虚拟系统在服务器中的优化部署方法 | |
CN107529638B (zh) | 线性求解器的加速方法、存储数据库及gpu系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200117 |