CN110705177A - 基于机器学习的终端风险评估模型的生成方法及其系统 - Google Patents
基于机器学习的终端风险评估模型的生成方法及其系统 Download PDFInfo
- Publication number
- CN110705177A CN110705177A CN201910932417.4A CN201910932417A CN110705177A CN 110705177 A CN110705177 A CN 110705177A CN 201910932417 A CN201910932417 A CN 201910932417A CN 110705177 A CN110705177 A CN 110705177A
- Authority
- CN
- China
- Prior art keywords
- terminal
- machine learning
- training
- server
- model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的终端风险评估模型的生成方法及其系统。其中,方法由服务器和多个终端实现,包括:终端采集第一时间段内在终端上产生的第一数据。服务器分别向每个终端发送第一机器学习模型,终端接收服务器发送的第一机器学习模型,终端使用第一数据对第一机器学习模型进行训练,以得到终端对应的第一训练模型。终端将第一训练模型发送至服务器,服务器获取多个终端发送的第一训练模型,服务器将多个第一训练模型进行汇总,以生成第二机器学习模型。由此,实现了在终端上进行风险评估模型的训练,减轻了服务器的计算压力,无需将训练数据发送至服务器,减少了终端传输的数据量。解决了现有技术中服务器计算压力大,终端传输压力大的技术问题。
Description
【技术领域】
本发明涉及人工智能技术领域,尤其涉及一种基于机器学习的终端风险评估模型的生成方法及其系统。
【背景技术】
终端在进行风险操作时,需要首先进行风险评估,风险评估可以通过风险评估模型实现。
机器学习技术是指利用已有数据对机器学习模型进行训练,使得训练后的机器学习模型能够对新的数据进行识别和预测,并且准确度和正确率很高,甚至接近人类。
相关技术中,终端采集数据,并发送至服务器。服务器使用机器学习技术,利用采集到的数据对风险评估模型进行训练,并将训练后的模型发回终端,供终端使用。随着终端采集到的数据量越来越大,终端需要发送大量的数据给服务器,服务器需要使用大量的数据进行训练,服务器计算压力大,终端传输压力大。
【发明内容】
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种基于机器学习的终端风险评估模型的生成方法,以实现在终端上进行风险评估模型的训练,减轻了服务器的计算压力,无需将训练数据发送至服务器,减少了终端传输的数据量。
本发明的第二个目的在于提出一种基于机器学习的终端风险评估模型的生成装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了一种基于机器学习的终端风险评估模型的生成方法,所述方法由服务器和多个终端实现,所述方法包括:所述终端采集第一时间段内在所述终端上产生的第一数据;所述服务器分别向每个所述终端发送第一机器学习模型;所述终端接收所述服务器发送的所述第一机器学习模型;所述终端使用所述第一数据对所述第一机器学习模型进行训练,以得到所述终端对应的第一训练模型;所述终端将所述第一训练模型发送至所述服务器;所述服务器获取多个所述终端发送的所述第一训练模型;所述服务器将多个所述第一训练模型进行汇总,以生成第二机器学习模型。
和现有技术相比,本发明实施例在终端上进行风险评估模型的训练,减轻了服务器的计算压力,无需将训练数据发送至服务器,减少了终端传输的数据量。
另外,本发明实施例的基于机器学习的终端风险评估模型的生成方法,还具有如下附加的技术特征:
可选地,在所述服务器将多个所述训练模型进行汇总,以生成第二机器学习模型之后,还包括:所述终端采集第二时间段内在所述终端上产生的第二数据;其中,所述第二时间段在所述第一时间段之后,且所述第一时间段和所述第二时间段没有重合部分;所述服务器分别向每个所述终端发送所述第二机器学习模型;所述终端接收所述服务器发送的所述第二机器学习模型;所述终端使用所述第二数据对所述第二机器学习模型进行训练,以得到所述终端对应的第二训练模型;所述服务器获取多个所述终端发送的所述第二训练模型;所述服务器将多个所述第二训练模型进行汇总,以生成第三机器学习模型。
可选地,所述第一训练模型包括第一训练参数集合,所述服务器获取多个所述终端发送的所述第一训练模型,包括:所述服务器获取多个所述终端发送的所述第一训练参数集合。
可选地,所述服务器将多个所述第一训练模型进行汇总,以生成第二机器学习模型,包括:所述服务器对多个所述第一训练参数集合进行汇总,以生成第二模型参数集合;所述服务器根据所述第二模型参数集合,生成所述第二机器学习模型。
可选地,在所述服务器获取多个所述终端发送的所述第一训练模型之后,还包括:所述服务器判断已经获取的所述第一训练模型的数量是否达到第一预设阈值;若是,则所述服务器停止获取所述第一训练模型。
可选地,所述第二机器学习模型用于对所述终端上的移动支付操作进行风险评估。
本发明第二方面实施例提出了一种基于机器学习的终端风险评估模型的生成系统,所述系统包括服务器和多个终端,所述终端包括:第一采集模块,用于采集第一时间段内在所述终端上产生的第一数据;第一接收模块,用于接收所述服务器发送的第一机器学习模型;第一训练模块,用于使用所述第一数据对所述第一机器学习模型进行训练,以得到所述终端对应的第一训练模型;第一发送模块,用于将所述第一训练模型发送至所述服务器;所述服务器包括:第二发送模块,用于分别向每个所述终端发送所述第一机器学习模型;第一获取模块,用于获取多个所述终端发送的所述第一训练模型;第一汇总模块,用于将多个所述第一训练模型进行汇总,以生成第二机器学习模型。
另外,本发明实施例的基于机器学习的终端风险评估模型的生成系统,还具有如下附加的技术特征:
可选地,所述终端还包括:第二采集模块,用于采集第二时间段内在所述终端上产生的第二数据;其中,所述第二时间段在所述第一时间段之后,且所述第一时间段和所述第二时间段没有重合部分;第二接收模块,用于接收所述服务器发送的所述第二机器学习模型;第二训练模块,用于使用所述第二数据对所述第二机器学习模型进行训练,以得到所述终端对应的第二训练模型;所述服务器还包括:第三发送模块,用于分别向每个所述终端发送所述第二机器学习模型;第二获取模块,用于获取多个所述终端发送的所述第二训练模型;第二汇总模块,用于将多个所述第二训练模型进行汇总,以生成第三机器学习模型。
可选地,所述第一训练模型包括第一训练参数集合,所述第一获取模块具体用于获取多个所述终端发送的所述第一训练参数集合。
可选地,所述第一汇总模块包括:汇总子模块,用于对多个所述第一训练参数集合进行汇总,以生成第二模型参数集合;生成子模块,用于根据所述第二模型参数集合,生成所述第二机器学习模型。
可选地,所述服务器还包括:判断模块,用于判断已经获取的所述第一训练模型的数量是否达到第一预设阈值;停止模块,用于当所述判断模块确定已经获取的所述第一训练模型的数量达到第一预设阈值时,停止获取所述第一训练模型。
可选地,所述第二机器学习模型用于对所述终端上的移动支付操作进行风险评估。
本发明第三方面实施例提出了一种计算机设备,包括存储器和处理器;所述存储器上存储有可由处理器运行的计算机程序;所述处理器运行所述计算机程序时,执行如前述方法实施例所述的基于机器学习的终端风险评估模型的生成方法。
本发明第四方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述方法实施例所述的基于机器学习的终端风险评估模型的生成方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法的流程示意图;
图2为本发明实施例所提供的第一数据的示意图;
图3为本发明实施例所提供的另一种基于机器学习的终端风险评估模型的生成方法的流程示意图;
图4为本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法的一个示例的流程图;
图5为本发明实施例所提供的又一种基于机器学习的终端风险评估模型的生成方法的流程示意图;
图6为本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法的另一个示例的流程图;
图7为本发明实施例所提供的一种基于机器学习的终端风险评估模型的生成系统的结构示意图;
图8为本发明实施例所提供的另一种基于机器学习的终端风险评估模型的生成系统的结构示意图;以及
图9为本发明实施例所提供的又一种基于机器学习的终端风险评估模型的生成系统的结构示意图。
【具体实施方式】
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于机器学习的终端风险评估模型的生成方法及其系统。
基于上述现有技术的描述可以知道,相关技术中,终端采集数据,并发送至服务器。服务器使用机器学习技术,利用采集到的数据对风险评估模型进行训练,并将训练后的模型发回终端,供终端使用。随着终端采集到的数据量越来越大,终端需要发送大量的数据给服务器,服务器需要使用大量的数据进行训练,服务器计算压力大,终端传输压力大。
针对这一问题,本发明实施例提供了一种基于机器学习的终端风险评估模型的生成方法,在终端上进行风险评估模型的训练,减轻了服务器的计算压力,无需将训练数据发送至服务器,减少了终端传输的数据量。
首先需要说明的是,在终端风险评估模型训练过程中,为了便于说明,将终端风险评估模型称为机器学习模型,将初始的终端风险评估模型称为第一机器学习模型,将训练后的终端风险评估模型称为第二机器学习模型。
也就是说,第二机器学习模型可以用于对终端上的风险操作进行风险评估,具体可以用于对终端上的移动支付操作进行风险评估。
图1为本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法的流程示意图。该方法由服务器和多个终端实现,如图1所示,该方法包括:
步骤S101,终端采集第一时间段内在终端上产生的第一数据。
可以理解,用户在使用终端时,不停在终端上产生数据,终端将这些数据进行存储上,用于机器学习模型的训练。
考虑到用户在不停地使用终端,也就在不停地产生新的数据。而用于机器学习模型训练的数据的数据量,只需满足机器学习模型训练的需求即可,也就是说数据量达到预设阈值,就能够满足训练机器学习模型的需求。
因此,本发明实施例在选取用于训练机器学习模型的数据时,仅采集第一时间段内在终端产生的第一数据。
其中,第一时间段为过去某个时间点到机器学习模型训练开始的时间点之间的时间段,第一时间段的时长可以动态变更,具体时长由终端上产生的数据量大小确定。
图2为本发明实施例所提供的第一数据的示意图。如图2所示,第一数据为终端上最新产生的数据,且数据量大小始终为预设阈值,当终端上产生新的数据时,则将最先产生的数据替换,使得第一数据不断更新,直至训练开始。
应当理解,本发明实施例所提供的机器学习模型的生成方法在服务器和多个终端上实现,因此每个终端都需要采集第一时间段内对应的第一数据。相应地,每个终端都需要利用对应的第一数据,对第一机器学习模型进行训练。
步骤S102,服务器分别向每个终端发送第一机器学习模型。
需要说明的是,在终端进行机器学习模型训练之前时,在服务器上存储有初始的未经训练的机器学习模型,即第一机器学习模型。
为了在多个终端上进行机器学习模型的训练,服务器向每个终端发送第一机器学习模型。
步骤S103,终端接收服务器发送的第一机器学习模型。
步骤S104,终端使用第一数据对第一机器学习模型进行训练,以得到终端对应的第一训练模型。
步骤S105,终端将第一训练模型发送至服务器。
每个终端接收到第一机器学习模型后,就在终端上利用步骤S101中采集的第一数据对第一机器学习模型进行训练,得到训练后的机器学习模型,即第一训练模型。
需要说明的是,每个终端对第一机器学习模型进行训练后都会产生对应的一个第一训练模型,由于每个终端对应的第一数据不同,且相互之间没有数据传输,因此训练出的第一训练模型也都不同。
考虑到终端上采集到的第一数据是由使用终端的用户生成的,与使用终端的用户的个人操作习惯关联度很大,而对于其他用户来说,第一数据生成的第一训练模型并不适用。
为了让训练出的模型具有通用性,需要将多个终端上生成的第一训练模型发送至服务器,由服务器结合不同的第一训练模型的特性,生成具有通用性的第二机器学习模型。
步骤S106,服务器获取多个终端发送的第一训练模型。
步骤S107,服务器将多个第一训练模型进行汇总,以生成第二机器学习模型。
需要说明的是,每个第一训练模型虽然与生成该模型的终端的第一数据关联度很大,但是不同用户产生的数据具有相同的特征。相应地,多个第一训练模型也具有相同的特征,将这些特征提取后,能够生成符合不同用户产生的数据的特征的第二训练模型。
服务器生成第二机器学习模型后,将第二机器学习模型发送给所有终端,供终端使用,使得终端上使用的训练后的机器学习模型能够符合不同用户产生的数据的特征,而不受限于该终端上采集的第一数据的特征。
此外,与服务器连接的终端有很多,每个终端都会生成对应的第一训练模型,而服务器生成第二机器学习模型只需要数量为第一预设阈值的第一训练模型即可。因此,本发明实施例在服务器获取多个终端发送的第一训练模型之后,还包括:服务器判断已经获取的第一训练模型的数量是否达到第一预设阈值,若是,则服务器停止获取第一训练模型。
需要说明的是,虽然服务器只需要数量为第一预设阈值的第一训练模型就能进行汇总,但是本发明实施例中的终端只有在未使用状态才会对第一机器学习模型进行训练,也只有在被唤醒且与服务器进行通信时才会将第一训练模型发送至服务器,具有极大的不确定性。因此,需要每个终端都对第一机器学习模型进行训练,服务器对最先收到的第一预设阈值数量的第一训练模型进行汇总。一方面可以避免发送至服务器的第一训练模型的数量达不到第一预设阈值,另一方面可以让进行汇总的第一训练模型对应的终端具有不确定性,更加客观。
也就是说,只有数量为第一预设阈值的终端需要将对应的第一训练模型发送给服务器,服务器也只需要对数量为第一预设阈值的第一训练模型进行汇总,进一步减轻了服务器的计算压力,减少了终端传输的数据量。
综上所述,本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法,由服务器和多个终端实现,终端采集第一时间段内在终端上产生的第一数据。服务器分别向每个终端发送第一机器学习模型,终端接收服务器发送的第一机器学习模型,终端使用第一数据对第一机器学习模型进行训练,以得到终端对应的第一训练模型。终端将第一训练模型发送至服务器,服务器获取多个终端发送的第一训练模型,服务器将多个第一训练模型进行汇总,以生成第二机器学习模型。由此,实现了在终端上进行风险评估模型的训练,减轻了服务器的计算压力,无需将训练数据发送至服务器,减少了终端传输的数据量。
第二机器学习模型是基于第一时间段内在多个终端上产生的数据生成的,而用户在不停地使用终端,终端也在不停地存储数据。为了提高机器学习模型的可靠性,可以利用新产生的数据对第二机器学习模型进行再次训练。
图3为本发明实施例所提供的另一种基于机器学习的终端风险评估模型的生成方法的流程示意图。如图3所示,该方法包括:
步骤S201,终端采集第一时间段内在终端上产生的第一数据。
步骤S202,服务器分别向每个终端发送第一机器学习模型。
步骤S203,终端接收服务器发送的第一机器学习模型。
步骤S204,终端使用第一数据对第一机器学习模型进行训练,以得到终端对应的第一训练模型。
步骤S205,终端将第一训练模型发送至服务器。
步骤S206,服务器获取多个终端发送的第一训练模型。
步骤S207,服务器将多个第一训练模型进行汇总,以生成第二机器学习模型。
步骤S208,终端采集第二时间段内在终端上产生的第二数据。
其中,第二时间段在第一时间段之后,且第一时间段和第二时间段没有重合部分。
步骤S209,服务器分别向每个终端发送第二机器学习模型。
步骤S210,终端接收服务器发送的第二机器学习模型。
步骤S211,终端使用第二数据对第二机器学习模型进行训练,以得到终端对应的第二训练模型。
步骤S212,服务器获取多个终端发送的第二训练模型。
步骤S213,服务器将多个第二训练模型进行汇总,以生成第三机器学习模型。
其中,对步骤S101-S107的解释说明也适用于步骤S201-S207,此处不再赘述。
需要说明的是,终端在生成第一训练模型之后,继续不停地存储数据,类似于第一数据的采集过程,在第二时间段采集数据量为预设阈值大小的第二数据,用于对第二机器学习模型进行训练。
此外,为了让第二机器学习模型的训练过程不受第一数据的影响,本发明实施例所提供的第二时间段与第一时间段没有重合部分,从而使得对应的第一数据和第二数据没有重复的数据。
从而,实现了对机器学习模型的迭代更新优化。
为了更加清楚地说明本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法,下面进行举例说明。
图4为本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法的一个示例的流程图。如图4所示,服务器将第N机器学习模型下发给多个终端,终端将收到的第N机器学习模型保存在终端上,以便终端使用。
当终端处于未使用状态时,使用采集到的第N数据对第N机器学习模型进行训练,得到第N训练模型。将第N训练模型保存在终端上,以便随时发送给服务器,继续使用第N机器学习模型。
当终端被唤醒,与服务器发生通讯时,将第N训练模型发送给服务器。服务器接收到50个第N训练模型后,不再接收新的第N训练模型,并对50个第N训练模型进行汇总,生成第N+1机器学习模型,并将第N+1机器学习模型设置为随时发送状态。
当服务器接收到终端发送的机器学习模型更新的申请后,将第N+1机器学习模型发送给对应的终端,终端成功接收到第N+1机器学习模型后,将第N+1机器学习模型进行保存,开始使用第N+1机器学习模型,并反馈接收成功的信号,完成机器学习模型的更新。若监控到终端没有成功接收,则重新发送第N+1机器学习模型,若重复三次发送失败,则不再发送,并对该终端进行标记。对机器学习模型的更新不断重复,以预设时长作为一个迭代更新周期,不断使用最新的数据对机器学习模型进行训练优化。
对于机器学习模型的训练来说,就是在不断优化机器学习模型中的各个参数的数值。因此,对机器学习模型的更新就是在更新机器学习模型中多个参数的数值,将多个参数的数值作为一个集合,则第一训练模型包括第一训练参数集合。
图5为本发明实施例所提供的又一种基于机器学习的终端风险评估模型的生成方法的流程示意图。如图5所示,该方法包括:
步骤S301,终端采集第一时间段内在终端上产生的第一数据。
步骤S302,服务器分别向每个终端发送第一模型参数集合。
步骤S303,终端接收服务器发送的第一模型参数集合,并根据第一模型参数集合生成第一机器学习模型。
步骤S304,终端使用第一数据对第一机器学习模型进行训练,以得到终端对应的第一训练模型。
其中,第一训练模型包括第一训练参数集合。
步骤S305,终端将第一训练参数集合发送至服务器。
步骤S306,服务器获取多个终端发送的第一训练参数集合。
步骤S307,服务器将多个第一训练参数集合进行汇总,以生成第二模型参数集合。
步骤S308,服务器根据第二模型参数集合,生成第二机器学习模型。
此外,在生成第二机器学习模型之后,还包括:
步骤S309,终端采集第二时间段内在终端上产生的第二数据。
其中,第二时间段在第一时间段之后,且第一时间段和第二时间段没有重合部分。
步骤S310,服务器分别向每个终端发送第二模型参数集合。
步骤S311,终端接收服务器发送的第二模型参数集合,以生成第二机器学习模型。
步骤S312,终端使用第二数据对第二机器学习模型进行训练,以得到终端对应的第二训练模型。
其中,第二训练模型包括第二训练参数集合。
步骤S313,服务器获取多个终端发送的第二训练参数集合。
步骤S314,服务器将多个第二训练参数集合进行汇总,以生成第三模型参数集合。
步骤S315,服务器根据第三模型参数集合,生成第三机器学习模型。
需要特别说明的是,为了便于终端和服务器之间进行数据交换,第一训练参数集合,第二训练参数集合,第一模型参数集合和第二模型参数集可以以更新包的形式进行存储和发送。
从而,实现了进一步减少了终端传输的数据量,提升了传输的效率。
为了更加清楚地说明本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法,下面进行举例说明。
图6为本发明实施例所提供的基于机器学习的终端风险评估模型的生成方法的另一个示例的流程图。如图6所示,服务器将第N模型参数数据包下发给多个终端,终端根据收到的第N模型参数数据包,生成第N机器学习模型,并将第N机器学习模型保存在终端上,以便终端使用。
当终端处于未使用状态时,使用采集到的第N数据对第N机器学习模型进行训练,得到第N训练模型,第N训练模型包括第N训练参数数据包。将第N训练参数数据包保存在终端上,以便随时发送给服务器,继续使用第N机器学习模型。
当终端被唤醒,与服务器发生通讯时,将第N训练参数数据包发送给服务器。服务器接收到50个第N训练参数数据包后,不再接收新的第N训练参数数据包,并对50个第N训练参数数据包进行汇总,生成第N+1模型参数数据包。根据第N+1模型参数数据包,生成第N+1机器学习模型,并将第N+1模型参数数据包设置为随时发送状态。
当服务器接收到终端发送的机器学习模型更新的申请后,将第N+1模型参数数据包发送给对应的终端,终端成功接收到第N+1模型参数数据包后,生成第N+1机器学习模型,开始使用第N+1机器学习模型,并反馈接收成功的信号,完成机器学习模型的更新。若监控到终端没有成功接收,则重新发送第N+1模型参数数据包,若重复三次发送失败,则不再发送,并对该终端进行标记。对机器学习模型的更新不断重复,以预设时长作为一个迭代更新周期,不断使用最新的数据对机器学习模型进行训练优化。
为了实现上述实施例,本发明实施例还提出了一种基于机器学习的终端风险评估模型的生成系统,该系统包括服务器410和多个终端420。图7为本发明实施例所提供的一种基于机器学习的终端风险评估模型的生成系统的结构示意图。为了简化说明,图7中仅示出一个终端420,如图7所示,终端420包括:第一采集模块421,第一接收模块422,第一训练模块423,第一发送模块424。服务器410包括:第二发送模块411,第一获取模块412,第一汇总模块413。
第一采集模块421,用于采集第一时间段内在终端420上产生的第一数据。
第一接收模块422,用于接收服务器410发送的第一机器学习模型。
第一训练模块423,用于使用第一数据对第一机器学习模型进行训练,以得到终端420对应的第一训练模型。
第一发送模块424,用于将第一训练模型发送至服务器410。
第二发送模块411,用于分别向每个终端420发送第一机器学习模型。
第一获取模块412,用于获取多个终端420发送的第一训练模型。
第一汇总模块413,用于将多个第一训练模型进行汇总,以生成第二机器学习模型。
进一步地,为了减少终端传输的数据量,一种可能的实现方式是,服务器410还包括:判断模块414,用于判断已经获取的第一训练模型的数量是否达到第一预设阈值。停止模块415,用于当判断模块414确定已经获取的第一训练模型的数量达到第一预设阈值时,停止获取第一训练模型。
需要说明的是,前述对基于机器学习的终端风险评估模型的生成方法实施例的解释说明也适用于该实施例的基于机器学习的终端风险评估模型的生成系统,此处不再赘述。
综上所述,本发明实施例所提供的基于机器学习的终端风险评估模型的生成系统,包括服务器和多个终端,终端采集第一时间段内在终端上产生的第一数据。服务器分别向每个终端发送第一机器学习模型,终端接收服务器发送的第一机器学习模型,终端使用第一数据对第一机器学习模型进行训练,以得到终端对应的第一训练模型。终端将第一训练模型发送至服务器,服务器获取多个终端发送的第一训练模型,服务器将多个第一训练模型进行汇总,以生成第二机器学习模型。由此,实现了在终端上进行风险评估模型的训练,减轻了服务器的计算压力,无需将训练数据发送至服务器,减少了终端传输的数据量。
为了实现上述实施例,本发明实施例还提出了另一种基于机器学习的终端风险评估模型的生成系统,该系统包括服务器510和多个终端520。图8为本发明实施例所提供的另一种基于机器学习的终端风险评估模型的生成系统的结构示意图。为了简化说明,图8中仅示出一个终端520,如图8所示,终端520包括:第一采集模块521,第一接收模块522,第一训练模块523,第一发送模块524,第二采集模块525,第二接收模块526,第二训练模块527。服务器510包括:第二发送模块511,第一获取模块512,第一汇总模块513,第三发送模块514,第二获取模块515,第二汇总模块516。
第一采集模块521,用于采集第一时间段内在终端520上产生的第一数据。
第一接收模块522,用于接收服务器510发送的第一机器学习模型。
第一训练模块523,用于使用第一数据对第一机器学习模型进行训练,以得到终端520对应的第一训练模型。
第一发送模块524,用于将第一训练模型发送至服务器510。
第二采集模块525,用于采集第二时间段内在终端520上产生的第二数据。
其中,第二时间段在第一时间段之后,且第一时间段和第二时间段没有重合部分。
第二接收模块526,用于接收服务器510发送的第二机器学习模型。
第二训练模块527,用于使用第二数据对第二机器学习模型进行训练,以得到终端520对应的第二训练模型。
第二发送模块511,用于分别向每个终端520发送第一机器学习模型。
第一获取模块512,用于获取多个终端520发送的第一训练模型。
第一汇总模块513,用于将多个第一训练模型进行汇总,以生成第二机器学习模型。
第三发送模块514,用于分别向每个终端520发送第二机器学习模型。
第二获取模块515,用于获取多个终端520发送的第二训练模型。
第二汇总模块516,用于将多个第二训练模型进行汇总,以生成第三机器学习模型。
需要说明的是,前述对基于机器学习的终端风险评估模型的生成方法实施例的解释说明也适用于该实施例的基于机器学习的终端风险评估模型的生成系统,此处不再赘述。
从而,实现了对机器学习模型的迭代更新优化。
为了实现上述实施例,本发明实施例还提出了又一种基于机器学习的终端风险评估模型的生成系统,该系统包括服务器610和多个终端620。图9为本发明实施例所提供的又一种基于机器学习的终端风险评估模型的生成系统的结构示意图。如图9所示,终端620包括:第一采集模块621,第一接收模块622,第一训练模块623,第一发送模块624。服务器610包括:第二发送模块611,第一获取模块612,第一汇总模块613。
第一采集模块621,用于采集第一时间段内在终端620上产生的第一数据。
第一接收模块622,用于接收服务器610发送的第一模型参数集合,并根据第一模型参数集合生成第一机器学习模型。
第一训练模块623,用于使用第一数据对第一机器学习模型进行训练,以得到终端620对应的第一训练模型。
第一发送模块624,用于将第一训练模型发送至服务器610。
第二发送模块611,用于分别向每个终端620发送第一模型参数集合。
第一获取模块612,用于获取多个终端620发送的第一训练参数集合。
第一汇总模块613,用于根据多个第一训练参数集合,生成第二机器学习模型。
其中,第一汇总模块613包括:汇总子模块6131,用于对多个第一训练参数集合进行汇总,以生成第二模型参数集合。生成子模块6132,用于根据第二模型参数集合,生成第二机器学习模型。
此外,终端620还包括:第二采集模块625,用于采集第二时间段内在终端620上产生的第二数据。其中,第二时间段在第一时间段之后,且第一时间段和第二时间段没有重合部分。第二接收模块626,用于接收服务器610发送的第二模型参数集合,以生成第二机器学习模型。第二训练模块627,用于使用第二数据对第二机器学习模型进行训练,以得到终端620对应的第二训练模型。其中,第二训练模型包括第二训练参数集合。服务器610还包括:第三发送模块614,用于分别向每个终端620发送第二模型参数集合。第二获取模块615,用于获取多个终端620发送的第二模型参数集合。第二汇总模块616,用于将多个第二训练参数集合进行汇总,以生成第三模型参数集合,以及根据第三模型参数集合,生成第三机器学习模型。
需要说明的是,前述对基于机器学习的终端风险评估模型的生成方法实施例的解释说明也适用于该实施例的基于机器学习的终端风险评估模型的生成系统,此处不再赘述。
从而,实现了进一步减少了终端传输的数据量,提升了传输的效率。
为了实现上述实施例,本发明实施例还提出一种计算机设备,包括存储器和处理器;所述存储器上存储有可由处理器运行的计算机程序;所述处理器运行所述计算机程序时,执行如前述方法实施例所述的基于机器学习的终端风险评估模型的生成方法。
为了实现上述实施例,实施例还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述方法实施例所述的基于机器学习的终端风险评估模型的生成方法。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种基于机器学习的终端风险评估模型的生成方法,其特征在于,所述方法由服务器和多个终端实现,所述方法包括:
所述终端采集第一时间段内在所述终端上产生的第一数据;
所述服务器分别向每个所述终端发送第一机器学习模型;
所述终端接收所述服务器发送的所述第一机器学习模型;
所述终端使用所述第一数据对所述第一机器学习模型进行训练,以得到所述终端对应的第一训练模型;
所述终端将所述第一训练模型发送至所述服务器;
所述服务器获取多个所述终端发送的所述第一训练模型;以及
所述服务器将多个所述第一训练模型进行汇总,以生成第二机器学习模型。
2.如权利要求1所述的生成方法,其特征在于,在所述服务器将多个所述训练模型进行汇总,以生成第二机器学习模型之后,还包括:
所述终端采集第二时间段内在所述终端上产生的第二数据;其中,所述第二时间段在所述第一时间段之后,且所述第一时间段和所述第二时间段没有重合部分;
所述服务器分别向每个所述终端发送所述第二机器学习模型;
所述终端接收所述服务器发送的所述第二机器学习模型;
所述终端使用所述第二数据对所述第二机器学习模型进行训练,以得到所述终端对应的第二训练模型;
所述服务器获取多个所述终端发送的所述第二训练模型;
所述服务器将多个所述第二训练模型进行汇总,以生成第三机器学习模型。
3.如权利要求1所述的生成方法,其特征在于,所述第一训练模型包括第一训练参数集合,所述服务器获取多个所述终端发送的所述第一训练模型,包括:
所述服务器获取多个所述终端发送的所述第一训练参数集合。
4.如权利要求3所述的生成方法,其特征在于,所述服务器将多个所述第一训练模型进行汇总,以生成第二机器学习模型,包括:
所述服务器对多个所述第一训练参数集合进行汇总,以生成第二模型参数集合;
所述服务器根据所述第二模型参数集合,生成所述第二机器学习模型。
5.如权利要求1所述的生成方法,其特征在于,在所述服务器获取多个所述终端发送的所述第一训练模型之后,还包括:
所述服务器判断已经获取的所述第一训练模型的数量是否达到第一预设阈值;
若是,则所述服务器停止获取所述第一训练模型。
6.如权利要求1-5中任一项所述的方法,其特征在于,所述第二机器学习模型用于对所述终端上的移动支付操作进行风险评估。
7.一种基于机器学习的终端风险评估模型的生成系统,其特征在于,所述系统包括服务器和多个终端,
所述终端包括:
第一采集模块,用于采集第一时间段内在所述终端上产生的第一数据;
第一接收模块,用于接收所述服务器发送的第一机器学习模型;
第一训练模块,用于使用所述第一数据对所述第一机器学习模型进行训练,以得到所述终端对应的第一训练模型;
第一发送模块,用于将所述第一训练模型发送至所述服务器;以及
所述服务器包括:
第二发送模块,用于分别向每个所述终端发送所述第一机器学习模型;
第一获取模块,用于获取多个所述终端发送的所述第一训练模型;
第一汇总模块,用于将多个所述第一训练模型进行汇总,以生成第二机器学习模型。
8.如权利要求7所述的生成系统,其特征在于,
所述终端还包括:
第二采集模块,用于采集第二时间段内在所述终端上产生的第二数据;其中,所述第二时间段在所述第一时间段之后,且所述第一时间段和所述第二时间段没有重合部分;
第二接收模块,用于接收所述服务器发送的所述第二机器学习模型;
第二训练模块,用于使用所述第二数据对所述第二机器学习模型进行训练,以得到所述终端对应的第二训练模型;
所述服务器还包括:
第三发送模块,用于分别向每个所述终端发送所述第二机器学习模型;
第二获取模块,用于获取多个所述终端发送的所述第二训练模型;
第二汇总模块,用于将多个所述第二训练模型进行汇总,以生成第三机器学习模型。
9.如权利要求7所述的生成系统,其特征在于,所述第一训练模型包括第一训练参数集合,所述第一获取模块具体用于获取多个所述终端发送的所述第一训练参数集合。
10.如权利要求9所述的生成系统,其特征在于,所述第一汇总模块包括:
汇总子模块,用于对多个所述第一训练参数集合进行汇总,以生成第二模型参数集合;
生成子模块,用于根据所述第二模型参数集合,生成所述第二机器学习模型。
11.如权利要求7所述的生成系统,其特征在于,所述服务器还包括:
判断模块,用于判断已经获取的所述第一训练模型的数量是否达到第一预设阈值;
停止模块,用于当所述判断模块确定已经获取的所述第一训练模型的数量达到第一预设阈值时,停止获取所述第一训练模型。
12.如权利要求7-11中任一项所述的生成系统,其特征在于,所述第二机器学习模型用于对所述终端上的移动支付操作进行风险评估。
13.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器上存储有可由处理器运行的计算机程序;所述处理器运行所述计算机程序时,执行如权利要求1-6中任一项所述的基于机器学习的终端风险评估模型的生成方法。
14.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于机器学习的终端风险评估模型的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910932417.4A CN110705177B (zh) | 2019-09-29 | 2019-09-29 | 基于机器学习的终端风险评估模型的生成方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910932417.4A CN110705177B (zh) | 2019-09-29 | 2019-09-29 | 基于机器学习的终端风险评估模型的生成方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705177A true CN110705177A (zh) | 2020-01-17 |
CN110705177B CN110705177B (zh) | 2023-05-16 |
Family
ID=69196839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910932417.4A Active CN110705177B (zh) | 2019-09-29 | 2019-09-29 | 基于机器学习的终端风险评估模型的生成方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705177B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681091A (zh) * | 2020-08-12 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 基于时间域信息的金融风险预测方法、装置及存储介质 |
CN111833179A (zh) * | 2020-07-17 | 2020-10-27 | 浙江网商银行股份有限公司 | 资源分配平台、资源分配方法及装置 |
CN111833180A (zh) * | 2020-07-17 | 2020-10-27 | 浙江网商银行股份有限公司 | 一种资源分配方法以及装置 |
CN112100623A (zh) * | 2020-08-21 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 机器学习模型的风险评估方法、装置、设备及存储介质 |
CN112906139A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技(深圳)有限公司 | 车辆故障风险评估方法、装置、电子设备及存储介质 |
CN113220447A (zh) * | 2021-03-31 | 2021-08-06 | 中安信联科技有限公司 | 基于边缘计算的金融风控系统及方法 |
CN117112039A (zh) * | 2023-08-24 | 2023-11-24 | 中邮通建设咨询有限公司 | 一种数据中心的传输优化系统及运行方法 |
WO2024011855A1 (zh) * | 2022-07-15 | 2024-01-18 | 天翼云科技有限公司 | 一种训练数据分类模型的方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992906A (zh) * | 2018-01-02 | 2018-05-04 | 联想(北京)有限公司 | 一种模型处理方法、系统、终端设备及服务器 |
CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练系统及方法 |
US20180260739A1 (en) * | 2015-11-16 | 2018-09-13 | Huawei Technologies Co., Ltd. | Model parameter combination method and apparatus |
US20180267927A1 (en) * | 2015-11-16 | 2018-09-20 | Huawei Technologies Co.,Ltd. | Model parameter fusion method and apparatus |
CN108596434A (zh) * | 2018-03-23 | 2018-09-28 | 卫盈联信息技术(深圳)有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
-
2019
- 2019-09-29 CN CN201910932417.4A patent/CN110705177B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260739A1 (en) * | 2015-11-16 | 2018-09-13 | Huawei Technologies Co., Ltd. | Model parameter combination method and apparatus |
US20180267927A1 (en) * | 2015-11-16 | 2018-09-20 | Huawei Technologies Co.,Ltd. | Model parameter fusion method and apparatus |
CN107992906A (zh) * | 2018-01-02 | 2018-05-04 | 联想(北京)有限公司 | 一种模型处理方法、系统、终端设备及服务器 |
CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练系统及方法 |
CN108596434A (zh) * | 2018-03-23 | 2018-09-28 | 卫盈联信息技术(深圳)有限公司 | 欺诈检测和风险评估方法、系统、设备及存储介质 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833179A (zh) * | 2020-07-17 | 2020-10-27 | 浙江网商银行股份有限公司 | 资源分配平台、资源分配方法及装置 |
CN111833180A (zh) * | 2020-07-17 | 2020-10-27 | 浙江网商银行股份有限公司 | 一种资源分配方法以及装置 |
CN111681091A (zh) * | 2020-08-12 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 基于时间域信息的金融风险预测方法、装置及存储介质 |
CN111681091B (zh) * | 2020-08-12 | 2020-11-27 | 腾讯科技(深圳)有限公司 | 基于时间域信息的金融风险预测方法、装置及存储介质 |
CN112100623A (zh) * | 2020-08-21 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 机器学习模型的风险评估方法、装置、设备及存储介质 |
CN112100623B (zh) * | 2020-08-21 | 2023-12-22 | 百度在线网络技术(北京)有限公司 | 机器学习模型的风险评估方法、装置、设备及存储介质 |
CN113220447A (zh) * | 2021-03-31 | 2021-08-06 | 中安信联科技有限公司 | 基于边缘计算的金融风控系统及方法 |
CN113220447B (zh) * | 2021-03-31 | 2024-03-22 | 中安信联科技有限公司 | 基于边缘计算的金融风控系统及方法 |
CN112906139A (zh) * | 2021-04-08 | 2021-06-04 | 平安科技(深圳)有限公司 | 车辆故障风险评估方法、装置、电子设备及存储介质 |
WO2024011855A1 (zh) * | 2022-07-15 | 2024-01-18 | 天翼云科技有限公司 | 一种训练数据分类模型的方法、装置、设备及存储介质 |
CN117112039A (zh) * | 2023-08-24 | 2023-11-24 | 中邮通建设咨询有限公司 | 一种数据中心的传输优化系统及运行方法 |
CN117112039B (zh) * | 2023-08-24 | 2024-04-26 | 中邮通建设咨询有限公司 | 一种数据中心的传输优化系统及运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705177B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705177A (zh) | 基于机器学习的终端风险评估模型的生成方法及其系统 | |
CN111181709B (zh) | 一种信息传输方法及终端 | |
JP4741659B2 (ja) | 伝送装置、伝送方法、システムlsi、及びプログラム | |
KR101983210B1 (ko) | 송신 전력 결정 방법 및 장치 | |
CN114330722B (zh) | 推理实现方法、网络、电子设备及存储介质 | |
US20160072893A1 (en) | Communications method, system, and computer product | |
CN110247736A (zh) | 一种数据传输方法及装置 | |
CN112437131A (zh) | 物联网中考虑数据相关性的数据动态采集与传输方法 | |
CN114500550A (zh) | 设备心跳间隔控制方法、装置、物联网设备及存储介质 | |
CN110769078B (zh) | 地址分配方法和系统 | |
CN109783576B (zh) | 家电设备及其数据存储方法、装置 | |
CN115687226A (zh) | i2c总线通信方法、装置及可读存储介质 | |
JP6172296B2 (ja) | 通信装置、通信方法、および、通信プログラム | |
CN110888892B (zh) | 一种区块同步方法、装置及存储介质 | |
JP2017152930A (ja) | 通信システム、および通信最適化装置 | |
CN114466321B (zh) | 消息发送方法及装置、电子设备及存储介质 | |
CN103138894A (zh) | 一种数据传输的方法、节点及数据网路 | |
CN103634867B (zh) | 一种均匀部署条件下无线传感器网络的寿命优化方法 | |
CN110581810A (zh) | 基于spma协议的数据通信方法、装置、设备及介质 | |
CN112422254A (zh) | 通信方法、系统、装置、计算机设备和存储介质 | |
CN104581901A (zh) | 一种用于能源监测的分簇式数据网络建立和传输方法 | |
CN112034739B (zh) | 储米装置的远程控制方法、系统、储米装置及服务器 | |
CN112804068B (zh) | 发送次序的设置方法、装置、可读介质以及电子设备 | |
CN113259069B (zh) | 资源调度方法、用户设备、装置及存储介质 | |
CN116366499B (zh) | 数据传输方法、装置、电子设备和介质 |
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 |