CN110796361A - 一种基于人工智能的idc设备故障风险评估方法 - Google Patents
一种基于人工智能的idc设备故障风险评估方法 Download PDFInfo
- Publication number
- CN110796361A CN110796361A CN201911017622.4A CN201911017622A CN110796361A CN 110796361 A CN110796361 A CN 110796361A CN 201911017622 A CN201911017622 A CN 201911017622A CN 110796361 A CN110796361 A CN 110796361A
- Authority
- CN
- China
- Prior art keywords
- hour
- abnormal
- days
- abnormity
- level
- 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
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
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于人工智能的IDC设备故障风险评估方法,属于数据处理技术领域,本发明基于过去的设备指标规律来训练异常检测模型,进而实现实时的异常检测;异常并不是故障,所以异常数量会较多,可以保证评分较好的样本基数;同时对于异常做出了分级,并通过简单的扣分评级体系实现小时级别的评分,在小时内将异常个数特性与异常集中特性进行了综合的考虑,得到最终相对传统方案更加全面的评分。本发明是通过基于人工智能技术实现对于IDC设备各项指标进行异常检测,通过对小时范围的异常个数、异常的集中特性两方面对设备进行小时级别的评分,进而实现评分周期的小时级别的滚动变化更新。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种基于人工智能的IDC设备故 障风险评估方法。
背景技术
IDC即Internet Data Center,是基于Internet网络,为集中式收集、存 储、处理和发送数据的设备提供运行维护的设施基地并提供相关的服务。但IDC 机房中各类硬件设施的故障频发也给运维工作带来了较大的压力,IDC运维体系 内急需一种较完善的方法实现对于设备的健康度评测,以进一步实现对于硬件 设备做出准确的故障风险评估,以指导硬件运维准确快速的完成应急预案的制 定。
目前,针对IDC硬件设备的故障风险的评测的方法一般包括如下几种:
(1)最简单的方案下,通过各类设备发生的故障来进行评估的,具体通过 故障的数量进行评估的,故障数量越多评分越低,故障风险则越高;
(2)在(1)的基础之上,将故障进行了细分,提出了故障级别的概念, 级别越高扣分越多,通过加权实现总体得分,得分越低,故障风险则越高。
(3)在评分周期上,采取利用过去一定时间(如一个月)的故障数据进行 评分,每间隔相对更短的一定时间(如一天)进行评分滚动更新。
方法(1)中,简单通过故障的数量进行设备故障风险的评估,输入影响参 数单一,必然存在着准确性低的问题;
相比于方法(1),不同的是方法(2)对于故障做了级别的细分,介入通 过加权的方法实现得分的评估,其实仍然停留在故障的个数这一单一因素上, 且故障判别均通过固定阈值方式开展,对于实际指标值大于极端阈值(如内存 使用率大于90%)时判别为故障,判别准确性得不到保证;另外,该方案没有考 虑到故障集中度的因素,因为故障分布分散,侧面代表异常的快速恢复,这也 是设备性能的一个重要参考因素;另外故障在生产过程中是很少发生的,一般 每月的故障数也不会超过10个,即样本数量过少,导致评分根本无法保证,很 大概率下每月的设备评分都是100分满分,预期效果得不到保证。
方法(3)内的评分周期一般均较长,其实这使得设备的短期故障被淹没, 如两个设备一个月内均发生10起故障,但是设备的故障集中和较分散属性,并 没有体现出来,我们认为设备的短期故障,即集中式的故障相对于分散的故障 来说是更严重的,理应评分越低。
发明内容
针对现有技术中IDC硬件设备的故障风险的评测的方法中存在的问题,本 发明的目的是提供一种基于人工智能的IDC设备故障风险评估方法。
本发明为实现上述目的采用的技术方案是:一种基于人工智能的IDC设备 故障风险评估方法,其特征在于,包括如下步骤:
步骤一、获取IDC设备运行过程中每小时内每一分钟的状态数据;
步骤二、将步骤一所述的状态数据输入至预设的异常检测模型,根据所述 异常检测模型的输出结果,获取IDC设备每小时内每一分钟的状态数据对应的 数据类型,得到60个分钟的异常数据数组;
其中异常检测模型根据异常检测算法构建,并根据IDC设备历史运行时的 状态数据作为样本进行训练后获得,所述数据类型包括正常和异常;
步骤三、小时级评分:
针对每小时内的所有异常,从异常个数特性和异常集中特性两个方面评分, 得出该小时的健康度,健康度级别可分为健康、轻微、一般、中等及严重五个 级别;
其中,异常个数特性指的是每小时内的异常个数;异常集中特性指的是每 小时内的连续数分钟发生异常的个数;
健康度级别判定评分标准如下:
a)发生异常大于等于20处,或大于10处的连续异常分钟,健康度级别判 定为严重,扣30分;
b)发生异常大于等于10处且小于20处,或大于等于5处且小于10处的 连续异常分钟,健康度级别判定为中等,扣20分;
c)发生异常大于等于5处且小于10处,或大于0且小于5处以下的连续 异常分钟,健康度级别判定为一般,扣10分;
d)发生异常大于0处且小于5处,同时无连续异常分钟,健康度级别判定 为轻微,扣5分;
e)无异常,健康度级别判定为健康,不扣分。
小时级评分=异常个数特性得分+异常集中特性得分,异常个数特性得分和 异常集中特性得分初始分均为50分;
步骤四、评分周期的小时级别的滚动变化更新,所述评分周期为30天:
针对过去30天内每一个小时级的评分按照每6天为一个时间单元做出加权 计算,得到评分周期30天内小时级别的异常评分,具体计算过程如下:
①权重分配
30天内每间隔6天变更一次权重,30天具体的权重分配如下:
距离当前时间的第1个6天权重为w1=15/30;第2个6天权重为w2=8/30; 第3个6天权重为w3=4/30;第4个6天权重为w4=2/30;第5个6天权重为 w5=1/30;
②分别获取所述时间单元的小时级别平均值,即24*6=144小时的小时级别 平均值;
③将30天内5个平均值做加权,得出30天内IDC设备风险评估的总分数 为。
进一步,所述异常检测算法为KNN最邻近值算法、聚类算法、分类算法或 支持向量机SVM算法。
通过上述设计方案,本发明可以带来如下有益效果:本发明基于过去的设 备指标规律来训练异常检测模型,进而实现实时的异常检测;异常并不是故障, 所以异常数量会较多,可以保证评分较好的样本基数;同时对于异常做出了分 级,并通过简单的扣分评级体系实现小时级别的评分,在小时内将异常个数特 性与异常集中特性进行了综合的考虑,得到最终相对传统方案更加全面的评分。
综上,本发明是通过基于人工智能技术实现对于IDC设备各项指标进行异 常检测,通过对小时范围的异常个数、异常的集中特性两方面对设备进行小时 级别的评分,进而实现评分周期的小时级别的滚动变化更新。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例对本发明做进一步的说明。 本领域技术人员应当理解。下面所具体描述的内容是说明性的而非限制性的, 不应以此限制本发明的保护范围。为了避免混淆本发明的实质,公知的方法和 过程并没有详细的叙述。
本发明所提出的一种基于人工智能的IDC设备故障风险评估方法,包括如 下步骤:
步骤一、获取IDC设备运行过程中每小时内每一分钟的状态数据;其中, 所述状态数据采用能体现设备健康与否的设备指标,比如对于服务器来说可以 为CPU利用率、IO(输入/输出)等待时间、空闲内存等;对于交换机来说可以 为网络入口流量、出口流量、错误包比率等;对于磁盘阵列来说可以为磁盘写 入速度IOPS;
步骤二、将步骤一所述的状态数据输入至预设的异常检测模型,根据所述 异常检测模型的输出结果,获取IDC设备每小时内每一分钟的状态数据对应的 数据类型,得到60个分钟的异常数据数组;
其中异常检测模型根据异常检测算法构建,并根据IDC设备历史运行时的 状态数据作为样本进行训练后获得,所述异常检测算法为KNN最邻近值算法, 所述数据类型包括正常和异常;
具体得到60个分钟的异常数据数组过程如下:首先对于训练数据集中的数 据进行标注,共分为A类和B类,A类为正常,B类为异常;然后对于判断的实 时数据分别计算其与训练集中全部数据之间的距离,找出最近的k个点(称邻 居);若k个邻居里有k1个邻居属于A类,k2个邻居属于B类,且k1>k2,则 实时数据就属于A类,即属于正常,否则属于异常。
本发明针对60分钟内60个时间点(即实时数据)分别作KNN最邻近值算 法监测。得出每个分钟数据是否异常。例如:60分钟发现15个异常点,那么得 出的异常数据数组有60个元素,分别为第1分钟、第2分钟、......、第60 分钟,每个分钟数据是否异常,比如对应存在异常的时间数据元素为1,其他时 间为0,则异常数据数组有15个1、45个0;
步骤三、小时级评分:
针对每小时内的所有异常,从异常个数特性和异常集中特性两个方面评分, 得出该小时的健康度,健康度级别可分为健康、轻微、一般、中等及严重五个 级别;
其中,异常个数特性指的是每小时内的异常个数;异常集中特性指的是每 小时内的连续数分钟发生异常的个数,如15点第4、5、6、7及8分钟都发现 异常;健康度级别评分总分数=异常个数特性得分(50分)+异常集中特性得分 (50分);
健康度级别判定评分标准如下:
c)发生异常大于等于20处,或大于10处的连续异常分钟,健康度级别判 定为严重,扣30分;
d)发生异常大于等于10处且小于20处,或大于等于5处且小于10处的 连续异常分钟,健康度级别判定为中等,扣20分;
c)发生异常大于等于5处且小于10处,或大于0且小于5处以下的连续 异常分钟,健康度级别判定为一般,扣10分;
d)发生异常大于0处且小于5处,同时无连续异常分钟,健康度级别判定 为轻微,扣5分;
e)无异常,健康度级别判定为健康,不扣分;
小时级评分=异常个数特性得分+异常集中特性得分,异常个数特性得分和 异常集中特性得分初始分均为50分;
示例:如果一个小时内的60个分钟的异常分布如下:
表中异常个数为19处,健康度级别判定为中等,扣分20分,异常个数特 性得分30分;
表中连续异常个数为10个,(具体4-5为一个连续异常,5-6为一个连续 异常,以此类推,23-24为一个连续异常,39-40为一个连续异常,一共10个) 健康度级别判定为严重,扣分30分,异常集中特性得分20分;
小时级评分=30+20=50分。
通过上述例子可以看出,小时内异常总数为19个,评级为中等;但是异常 比较集中,连续异常达到了10处,代表着设备的异常恢复能力较差,所以评级 为严重;体现出了该算法充分考虑到了更多的因素,评分会相比传统更加准确 和全面;
步骤四、评分周期的小时级别的滚动变化更新,所述评分周期为30天:
针对过去30天内每一个小时级(共30x24小时=720小时)的评分做出加权 计算,具体计算过程如下:
30天的数据距离当前时间越近越具备较大的参考价值,应该给予较大的权 重,本发明内每间隔6天变更一次权重,30天具体的权重分配如下:
距离当前时间的第1个6天权重为w1=15/30;第2个6天权重为w2=8/30; 第3个6天权重为w3=4/30;第4个6天权重为w4=2/30;第5个6天权重为 w5=1/30;
最后得出30天内IDC设备风险评估的总分数:即分别计算出每个6天(共 144小时=24小时*6)的小时级别平均值,然后将30天内,共5个平均值做加 权,代表该30天内小时级别的异常评分。
Claims (2)
1.一种基于人工智能的IDC设备故障风险评估方法,其特征在于,包括如下步骤:
步骤一、获取IDC设备运行过程中每小时内每一分钟的状态数据;
步骤二、将步骤一所述的状态数据输入至预设的异常检测模型,根据所述异常检测模型的输出结果,获取IDC设备每小时内每一分钟的状态数据对应的数据类型,得到60个分钟的异常数据数组;
其中异常检测模型根据异常检测算法构建,并根据IDC设备历史运行时的状态数据作为样本进行训练后获得,所述数据类型包括正常和异常;
步骤三、小时级评分:
针对每小时内的所有异常,从异常个数特性和异常集中特性两个方面评分,得出该小时的健康度,健康度级别可分为健康、轻微、一般、中等及严重五个级别;
其中,异常个数特性指的是每小时内的异常个数;异常集中特性指的是每小时内的连续数分钟发生异常的个数;
健康度级别判定评分标准如下:
a)发生异常大于等于20处,或大于10处的连续异常分钟,健康度级别判定为严重,扣30分;
b)发生异常大于等于10处且小于20处,或大于等于5处且小于10处的连续异常分钟,健康度级别判定为中等,扣20分;
c)发生异常大于等于5处且小于10处,或大于0且小于5处以下的连续异常分钟,健康度级别判定为一般,扣10分;
d)发生异常大于0处且小于5处,同时无连续异常分钟,健康度级别判定为轻微,扣5分;
e)无异常,健康度级别判定为健康,不扣分。
小时级评分=异常个数特性得分+异常集中特性得分,异常个数特性得分和异常集中特性得分初始分均为50分;
步骤四、评分周期的小时级别的滚动变化更新,所述评分周期为30天:
针对过去30天内每一个小时级的评分按照每6天为一个时间单元做出加权计算,得到评分周期30天内小时级别的异常评分,具体计算过程如下:
①权重分配
30天内每间隔6天变更一次权重,30天具体的权重分配如下:
距离当前时间的第1个6天权重为w1=15/30;第2个6天权重为w2=8/30;第3个6天权重为w3=4/30;第4个6天权重为w4=2/30;第5个6天权重为w5=1/30;
②分别获取所述时间单元的小时级别平均值,即24*6=144小时的小时级别平均值;
③将30天内5个平均值做加权,得出30天内IDC设备风险评估的总分数为。
2.根据权利要求1所述的一种基于人工智能的IDC设备故障风险评估方法,其特征在于:所述异常检测算法为KNN最邻近值算法、聚类算法、分类算法或支持向量机SVM算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911017622.4A CN110796361A (zh) | 2019-10-24 | 2019-10-24 | 一种基于人工智能的idc设备故障风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911017622.4A CN110796361A (zh) | 2019-10-24 | 2019-10-24 | 一种基于人工智能的idc设备故障风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796361A true CN110796361A (zh) | 2020-02-14 |
Family
ID=69441183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911017622.4A Pending CN110796361A (zh) | 2019-10-24 | 2019-10-24 | 一种基于人工智能的idc设备故障风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796361A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986734A (zh) * | 2021-02-19 | 2021-06-18 | 北京首钢自动化信息技术有限公司 | 一种语音通讯系统的故障检测装置 |
CN113282447A (zh) * | 2021-04-16 | 2021-08-20 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房安全检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954201A (zh) * | 2015-06-19 | 2015-09-30 | 上海卓悠网络科技有限公司 | Idc的网络和服务器健康度数据采样方法及装置 |
CN105912454A (zh) * | 2016-04-25 | 2016-08-31 | 网易(杭州)网络有限公司 | 一种系统健康评测方法及装置 |
US20170284896A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | System and method for unsupervised anomaly detection on industrial time-series data |
CN108280019A (zh) * | 2018-01-08 | 2018-07-13 | 郑州云海信息技术有限公司 | 一种评估服务器健康状态的方法 |
CN108768710A (zh) * | 2018-05-18 | 2018-11-06 | 国家电网公司信息通信分公司 | 一种光传输网络健康的动态权重评估方法、模型及装置 |
CN108848515A (zh) * | 2018-05-31 | 2018-11-20 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的物联网业务质量监测平台及方法 |
CN109861857A (zh) * | 2019-01-28 | 2019-06-07 | 网联清算有限公司 | 故障检测方法及装置 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
-
2019
- 2019-10-24 CN CN201911017622.4A patent/CN110796361A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954201A (zh) * | 2015-06-19 | 2015-09-30 | 上海卓悠网络科技有限公司 | Idc的网络和服务器健康度数据采样方法及装置 |
US20170284896A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | System and method for unsupervised anomaly detection on industrial time-series data |
CN105912454A (zh) * | 2016-04-25 | 2016-08-31 | 网易(杭州)网络有限公司 | 一种系统健康评测方法及装置 |
CN108280019A (zh) * | 2018-01-08 | 2018-07-13 | 郑州云海信息技术有限公司 | 一种评估服务器健康状态的方法 |
CN108768710A (zh) * | 2018-05-18 | 2018-11-06 | 国家电网公司信息通信分公司 | 一种光传输网络健康的动态权重评估方法、模型及装置 |
CN108848515A (zh) * | 2018-05-31 | 2018-11-20 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的物联网业务质量监测平台及方法 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN109861857A (zh) * | 2019-01-28 | 2019-06-07 | 网联清算有限公司 | 故障检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
李鹏园 等: "基于神经网络的数据中心故障预测方法的研究", 《智能计算机与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986734A (zh) * | 2021-02-19 | 2021-06-18 | 北京首钢自动化信息技术有限公司 | 一种语音通讯系统的故障检测装置 |
CN113282447A (zh) * | 2021-04-16 | 2021-08-20 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房安全检测方法及系统 |
CN113282447B (zh) * | 2021-04-16 | 2024-05-07 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房安全检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796361A (zh) | 一种基于人工智能的idc设备故障风险评估方法 | |
CN116797404A (zh) | 基于大数据和数据处理的智能建筑运维监管系统 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN109525455B (zh) | 一种水文实时监测网络状态综合评估方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN116680113B (zh) | 一种设备检测实施控制系统 | |
CN110782157A (zh) | 一种基于发电设备重要度的维修方式制定方法 | |
CN112365186A (zh) | 一种电力信息系统健康度评估方法及其评估系统 | |
CN113221453A (zh) | 风电机组齿轮箱输出轴故障监测预警方法 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
CN114723204A (zh) | 一种基于监督学习的输电线路舞动分级预警方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN110378610B (zh) | 基于用户重要度和设备运行状态的配网薄弱环节辨识方法 | |
CN116389316A (zh) | 电力光通信网络故障感知方法、装置、设备及存储介质 | |
CN117346743A (zh) | 一种基于机器学习模型的水情遥测站智能监测巡检系统 | |
CN116032003A (zh) | 一种基于电力专网数据处理的电网巡检方法及系统 | |
CN118118382A (zh) | 电力通讯系统运行状态的监控方法、系统及存储介质 | |
CN117933822A (zh) | 一种基于边缘计算的物联网数据管理系统及方法 | |
CN113077145A (zh) | 跨高铁输电线路多维度气象环境振颤脱落风险评估方法 | |
CN109886538B (zh) | 基于动态监测数据的铁路信号设备质量评价方法及装置 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
EP3954593A1 (en) | Multi-layer coupling relationship-based method for identifying train operation deviation propagation conditions | |
CN114861973A (zh) | 一种计及多源因素的风力发电系统风险评估方法 | |
CN112131069B (zh) | 基于聚类的设备运行监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |
|
RJ01 | Rejection of invention patent application after publication |