CN111294819A - 一种网络优化方法及装置 - Google Patents
一种网络优化方法及装置 Download PDFInfo
- Publication number
- CN111294819A CN111294819A CN201811494975.9A CN201811494975A CN111294819A CN 111294819 A CN111294819 A CN 111294819A CN 201811494975 A CN201811494975 A CN 201811494975A CN 111294819 A CN111294819 A CN 111294819A
- Authority
- CN
- China
- Prior art keywords
- service
- wireless performance
- index
- perception
- indexes
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
本发明涉及无线规划与优化领域，尤其涉及一种网络优化方法及装置，获取网络的各业务感知指标；根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标；分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化，这样，挖掘业务感知指标与无线性能指标的映射关系，将业务感知问题映射到无线性能指标，可以准确定位数据业务出现问题的原因，提高网络优化效率。
Description
技术领域
本发明涉及无线规划与优化领域，尤其涉及一种网络优化方法及装置。
背景技术
随着移动互联网的发展，各种数据业务日益丰富，这对网络性能也提出了极大的挑战。
现有技术中，网络性能的分析和优化，主要是利用信令分析的关键质量指标(keyquality indicator，KQI)或基于网元的无线性能的关键性能指标(key performanceindicator，KPI)，但是，现有技术中均是单独实施这两种方案，基于KQI指标的分析，对于产生问题原因，缺乏有效分析，难以准确定位，而基于KPI指标的分析，无法反应实际用户使用数据业务的感知，现有技术中只能通过人为手动进行关联，效率较低，并且问题分析和定位不准确，降低网络优化效率。
发明内容
本发明实施例提供一种网络优化方法及装置，以解决现有技术中感知指标和无线性能指标不能有效关联，数据业务问题定位不准确，网络优化效率较低的问题。
本发明实施例提供的具体技术方案如下：
一种网络优化方法，包括：
获取网络的各业务感知指标；
根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标；
分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化。
一种网络优化装置，包括：
第一获取模块，用于获取网络的各业务感知指标；
第一确定模块，用于根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标；
定位优化模块，用于分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化。
一种电子设备，包括：
至少一个存储器，用于存储计算机程序；
至少一个处理器，用于执行存储器中存储的计算机程序时实现上述任一种网络优化方法的步骤。
一种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上述任一种网络优化方法的步骤。
本发明实施例中，获取网络的各业务感知指标；根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标；分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化，这样，挖掘业务感知指标与无线性能指标的映射关系，将业务感知问题映射到无线性能指标，根据对应的无线性能指标，确定对应的网络问题，可以准确定位数据业务出现问题的原因，节省网络优化分析时间和成本，提高网络优化效率，并通过对无线性能指标确定的网络问题进行优化，实现对业务感知指标的优化，达到提升用户感知的网络优化目的。
附图说明
图1为本发明实施例中一种网络优化方法的流程图；
图2为本发明实施例中业务感知指标和无线性能指标的示例示意图；
图3为本发明实施例中训练过程中预处理流程示意图；
图4为本发明实施例中训练过程中线性相关性分析流程示意图；
图5为本发明实施例中训练过程中业务定位分析知识库构建流程示意图；
图6为本发明实施例中另一种网络优化方法流程示意图；
图7为本发明实施例中另一种网络优化整体流程示意图；
图8为本发明实施例中网络优化装置结构示意图；
图9为本发明实施例中电子设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面先对几个概念进行简单介绍：
信令分析体系：通过单用户单业务信令分析，构建感知关键质量指标(keyquality indicator，KQI)体系，通过一项或多项质差KQI定位数据业务问题，从而将问题定位到终端、无线、核心网、服务器等不同维度。
无线性能指标分析体系：通过统计无线网元信令指标，构建关键性能指标(keyperformance indicator，KPI)体系，通过KPI作为评估手段，将问题定位至覆盖、容量、干扰等不同因素。
本发明实施例中，主要通过对业务感知指标和无线性能指标进行关联分析，有效挖掘业务感知指标与无线性能指标的映射关系，从而将信令分析体系与无线性能指标分析体系结合，针对不同数据业务类型，确定与业务感知指标最具有影响关系的无线性能指标，并确定无线性能指标的感知阈值，从而构建针对不同数据业务类型的业务定位分析知识库，进而可以根据不同数据业务类型的业务定位分析知识库，针对业务感知问题，定位相应的无线网络性能问题，通过无线性能指标的优化，实现对相应的业务感知指标的优化。
并且还可以通过无线性能指标，确定发生异常的数据业务，从而实现多维度、多业务的感知问题定位分析机制，以及多业务感知预警机制。
其中，本发明实施例中，无线性能指标表示基于网元的网络性能，例如为KPI，业务感知指标表示用户对业务感知的性能，例如为KQI。
参阅图1所示，本发明实施例中，网络优化方法的具体流程如下：
步骤100：获取网络的各业务感知指标。
例如，可以针对某小区的各数据业务，分别获得各数据业务的业务感知指标。
步骤110：根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标。
执行步骤110时，具体包括：
基于预先训练的各数据业务类型的业务定位分析知识库，分别将各业务感知指标与对应的业务定位分析知识库中存储的各个业务感知指标进行匹配，若确定匹配成功，则根据对应的业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标与无线性能指标的映射关系。
也就是说，本发明实施例中，基于业务定位分析知识库，可以根据映射关系，找到影响业务感知指标的无线性能指标。
其中，业务定位分析知识库根据不同的数据业务类型进行分类，并每个业务定位分析知识库中至少包括各个业务感知指标，各个业务感知指标与无线性能指标的映射关系，以及各无线性能指标的感知阈值。
具体地业务定位分析知识库的训练获得方式，将在下文进行介绍。
步骤120：分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化。
执行步骤120时，具体包括：
首先，分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题。
由于实际中，基于无线性能指标的分析体系，可以准确定位无线网络问题，这样，根据对应的无线性能指标，可以确定出相应的无线网络问题，将这些网络问题，作为影响相应的业务感知指标的原因。
然后，根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则。
例如，可以基于预设的无线优化规则知识库，从中匹配获得各网络问题对应的优化规则，其中，无线优化规则知识库中存储有各个网络问题与优化规则对应关系。
最后，根据优化规则，进行网络优化。
这样，根据优化规则，进行网络优化，即将业务感知问题映射到无线性能指标，可以准确定位数据业务出现问题的原因，通过对无线性能指标确定的网络问题进行优化，实现对业务感知指标的优化，达到提升用户感知的目的，提高网络优化效率。
下面对业务定位分析知识库的训练获得方式进行简单介绍，具体包括：
1)分别获取预设周期内网络的各业务感知指标和各无线性能指标。
其中，预设周期可以根据实际情况进行设置，本发明实施例中并不进行限制，例如为1小时。
2)分别将各业务感知指标与各无线性能指标进行关联，并根据预设过滤规则，过滤掉无效的业务感知指标或无线性能指标。
具体地，可以根据小区的E-UTRAN小区标识(E-UTRAN Cell Identifier，ECI)和时间，分别将各业务感知指标与各无线性能指标进行关联。
其中，预设过滤规则，例如为空值、异常值等，本发明实施例中并不进行限制。
3)分别对过滤后的各业务感知指标和各无线性能指标进行描述性统计，并根据描述性统计结果和预设的线性相关性分析算法，分别确定各业务感知指标之间以及各无线性能指标之间的线性相关性。
4)根据确定的各业务感知指标之间以及各无线性能指标之间的线性相关性，删除冗余的业务感知指标或无线性能指标。
具体包括：针对线性相关性大于预设阈值的多个业务感知指标或无线性能指标，从中选择出一个业务感知指标或无线性能指标，并删除其余未被选择的业务感知指标或无线性能指标。
这样，可以将多个强线性相关的指标，只保留其中一个指标，可以删除冗余指标，减少数据量。
5)基于预设的机器学习算法，根据预设的业务感知指标的感知阈值以及删除后的各业务感知指标与各无线性能指标，进行模型训练，获得各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值。
6)分别针对各数据业务类型，根据相应的各业务感知指标、获得的各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值，构建对应的业务定位分析知识库。
这样，通过训练，可以找到最能影响业务感知指标的无线性能指标，并识别影响该业务感知指标的感知阈值，从而构建针对不同数据业务类型的业务定位分析知识库。
进一步地，基于业务定位分析知识库，还可以预测发生异常的数据业务，本发明实施例中提供了一种可能的实施方式：
1)获取网络的各无线性能指标。
2)基于预先训练的各数据业务类型的业务定位分析知识库，以及各无线性能指标，确定发生异常的数据业务。
具体地：首先，分别将各无线性能指标与对应的业务定位分析知识库中存储的各无线性能指标的感知阈值进行比较，确定发生异常的无线性能指标。
然后，根据业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，以及确定出的发生异常的无线性能指标，确定相应的发生异常的业务感知指标，并确定对应的发生异常的数据业务。
这样，本发明实施例中，还可以根据无线性能指标和业务定位分析知识库，进行分析并定位可能发生异常的数据业务。
进一步地，还包括：根据确定发生异常的数据业务，输出数据业务预警清单，进行告警。
本发明实施例中，基于机器学习算法，挖掘业务感知指标与无线性能指标的映射关系，识别无线性能指标的感知阈值，将无线性能指标分析体系与信令分析体系进行结合，构建不同业务类型的业务定位分析知识库，从而根据业务定位分析知识库，可以确定各业务感知指标对应的无线性能指标，分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化，这样，可以将业务感知问题映射到无线性能指标，有效打通数据业务质量提升从感知定位分析、无线定位分析、优化方案落地的全流程优化体系，降低数据业务的用户感知分析难度，提高数据业务问题定位准确性，从而节省网络优化分析时间和成本，提高网络优化效率。
基于上述实施例，本发明实施例中网络优化方法，可以分为以下两个部分进行介绍：
第一部分：训练过程，具体包括：
第一步：预处理。
首先，分别获取网络的各业务感知指标和各无线性能指标。
例如，参阅图2所示，为本发明实施例中业务感知指标和无线性能指标的示例示意图。
如图2所示，例如根据不同的数据业务类型，例如数据业务包括网页(web)、流媒体、即时通信和游戏业务，则相应的业务感知指标可以为视频感知指标、web感知指标、即时通信感知指标、游戏感知指标等。
例如，无线性能指标包括覆盖率、长期演进(Long Term Evolution，LTE)切换成功率、每物理资源块(physical resource block，PRB)干扰噪声、信号与干扰加噪声比(Signal to Interference plus Noise Ratio，SINR)、激活用户数、无线掉线率、通道控制元素(Control Channel Element，CCE)利用率、参考信号接收功率(Reference SignalReceiving Power，RSRP)、PRB利用率。
然后，分别将各业务感知指标与各无线性能指标进行关联，并根据预设过滤规则，过滤掉无效的业务感知指标或无线性能指标。
具体参阅图3所示，为本发明实施例中训练过程中预处理流程示意图，包括：
步骤300：分别将各业务感知指标与各无线性能指标进行关联。
具体地：根据小区的ECI编码和时间，分别将各业务感知指标与各无线性能指标进行关联。
例如，将属于同一个小区的同一时间段的业务感知指标和无线性能指标进行关联。
步骤301：判断是否存在无效数据，若是，则执行步骤302，否则，则执行步骤303。
其中，无效数据这里表示无效的业务感知指标或无线性能指标。
具体地：根据预设规则，判断是否为无效数据，从而过滤掉无效数据。
例如，空值、异常值判定为无效数据，当然还可以包括其它的判断无效数据的规则，可以根据实际情况进行设置，本发明实施例中并不进行限制。
步骤302：删除无效数据。
步骤303：获得数据集合1。
即针对关联后的无线性能指标和业务感知指标，删除所有的无效数据，完成数据清洗等处理后，构成数据集合1。
第二步：线性相关性分析，包括：对预处理后的关联数据进行描述性统计，并进行线性相关性分析，获得数据分析报告。
具体参阅图4所示，为本发明实施例中训练过程中线性相关性分析流程示意图，包括：
步骤400：进行描述性统计。
即针对第一步获得的数据集合1，对其中的各业务感知指标和各无线性能指标进行描述性统计分析。
例如，描述性统计包括：分别确定各业务感知指标和各无线性能指标的均值、标准差、最大最小值、百分位数以及分布情况等。
从而可以获得各业务感知指标和各无线性能指标的多维度的特征描述。
步骤401：判断是否存在异常数据，若是，则执行步骤402，否则，则执行步骤403。
步骤402：删除异常数据。
步骤403：进行线性相关性分析。
具体为：根据描述性统计结果和预设的线性相关性分析算法，分别确定各业务感知指标之间以及各无线性能指标之间的线性相关性。
其中，预设的线性相关性算法，提供了以下两种方式：
1)第一种方式：采用Pearson相关性系数算法。
Pearson相关系数算法需要满足变量间有线性关系，符合正态分布且极端值对Pearson相关系数影响较大。
Pearson相关性系数的计算公式如下：
其中，ρX,Y表示X，Y的Pearson相关性系数，cov(X,Y)表示X和Y的协方差，E()表示期望，σX和σY分别表示X、Y的方差，μX为X的期望，μY为Y的期望。
2)第二种方式：采用Spearman相关系数算法。
其中，Spearman相关系数，即排序变量之间的皮尔森相关系数，利用变量的次序大小作线性相关分析，对原始变量的分布没有要求且对异常值不敏感。Spearman相关系数适用范围更广，但由于需要对数据进行排序，因此计算效率会低于Pearson相关系数。
Spearman相关系数也可以被定义成等级变量之间的Pearson相关系数，例如，对于容量为n的样本，n个原始数据被转换成等级数据，其Spearman相关系数ρ为：
在实际应用中，可以通过简化计算Spearman相关系数，被观测的两个变量的等级差值，则Spearman相关系数ρ可以表示为：
其中，di表示均值与实际值的差值。
当然，也可以采用其它线性相关性算法进行分析，本发明实施例中并不进行限制。
步骤404：判断是否存在线性相关性大于预设阈值的多个指标，若是，则执行步骤405，否则，则执行步骤406。
步骤405：删除冗余数据。
本发明实施例中，由于可能无线性能指标会有很多，不便于关系关联，因此，进行线性相关性分析，若存在线性相关性大于预设阈值的多个指标，则认为这多个指标强线性相关，比较相似，都可以用于说明某一维度的特征，因此可以选择其中一个指标作为表征该维度特征的指标，并删除其余指标，即可以删除冗余指标数据，这样可以进一步对指标进行筛选处理，减少数据量。
其中，选择其中一个指标，可以根据实际情况和经验，选择较常见或较明显的指标，当然也可以随机选择其中一个，本发明实施例中并不进行限制。
需要说明的是，本发明实施例中主要针对无线性能指标进行冗余删除处理，这是因为通常无线性能指标比较多，数据量较大，当然并不仅限于无线性能指标，对于业务感知指标也可以进行冗余删除处理。
这样，本发明实施例中，针对不同业务维度，可以通过线性相关性的分析，从而找到其中一个指标进行表示，例如，针对覆盖维度、干扰维度、容量维度等，可以分别对应一个无线性能指标或业务感知指标。例如，网页打开较慢的问题，可能对应多个无线性能指标，例如切换成功率、掉线率等，通过线性相关性分析，存多个无线性能指标存在强线性相关，则删除冗余指标，只选择保留其中一个无线性能指标，来说明网页打开较慢的问题。
步骤406：获得数据集合2。
这样，通过描述性统计和线性相关性分析，可以确定业务感知指标之间，以及无线性能指标之间的统计分布趋势和线性关系，可以获得数据分析报告。
第三步：构建业务定位分析知识库。
具体地参阅图5所示，为本发明实施例中训练过程中业务定位分析知识库构建流程示意图，包括：
步骤500：业务感知指标二元转换。
即本发明实施例中，针对第二步获得的数据集合2，各业务感知指标与各无线性能指标相关联，经过预处理和线性相关性分析，删除冗余数据后，得到的数据集合2中，每个业务感知指标会关联有多个无线性能指标，以业务感知指标为基准，根据数据业务类型，将业务感知指标进行二元转换，便于后续模型学习和训练。
步骤501：基于机器学习算法进行模型训练。
具体为：基于预设的机器学习算法，根据预设的业务感知指标的感知阈值以及删除后的各业务感知指标与各无线性能指标，进行模型训练，获得各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值。
其中，机器学习算法，例如为分类与回归树(Classification And RegressionTree，CART)算法，CART算法通过构建二叉树使分支节点所包含样本尽可能属于同一类别，下面简单介绍下CART算法的原理：
假设样本集合D中第k类样本所占比例为：pk(k＝1,2,…,|y|)，则集合D的基尼指数可以表示为：
由上述公式可知，基尼指数表征随机抽取两个样本，类别不一致的概率。因此，最优划分类别的计算可以就是寻找满足基尼指数最小的划分方法，使划分后样本类别尽量一致。
例如，若使用类别a来对样本集合D进行划分，产生V个分支节点，其基尼指数可以表示为：
则得到的最优划分集为：
a*＝arg min Gini_index(D,a)
即可以将与a属于同一类别的a*划分出来。
本发明实施例中，基于CART算法的原理，进行模型训练时，具体包括：针对不同的数据业务类型，分别基于预设的机器学习算法，以及对应预设的业务感知指标的感知阈值，获得与业务感知具有影响关系的无线性能指标和无线性能指标的感知阈值。
例如，针对不同的数据业务类型，其业务感知指标的感知阈值通常是已知的，可以根据实际检验和情况来获得，若业务感知指标小于感知阈值，则说明该数据业务的用户感知不好，若不小于感知阈值，则说明该数据业务的用户感知较好，假设某业务感知指标的感知阈值为90％，则基于该感知阈值，以及与该业务感知指标关联的多个无线性能指标，基于CART算法进行分类，将该业务感知指标的感知阈值小于90％时对应的多个无线性能指标分成一类，并将该业务感知指标的感知阈值不小于90％时对应的多个无线性能指标分成一类，从而统计分析这两个类别中的无线性能指标，找到共同特征，若没有明显特征，则调整业务感知指标的感知阈值，再次进行类别，直接找到这两个类别中的无线性能指标的共同特征，即可以挖掘出与该业务感知指标具有影响关系的关键的无线性能指标，并且可以挖掘出这些无线性能指标的感知阈值，这些无线性能指标的感知阈值可以反映对应的业务感知指标的好坏。
步骤502：判断模型是否达到优化目标，若是，则执行步骤504，否则，则执行步骤503，并继续返回执行步骤501。
步骤503：模型参数调整。
步骤504：获得不同数据业务类型的最优模型训练结果。
本发明实施例中，由于基于业务感知指标不能准确定位产生问题的原因，而目前的网络优化目标更趋向于用户感知，因此，本发明实施例中，基于业务感知指标，挖掘影响业务感知指标的无线性能指标，并确定无线性能指标的感知阈值，从而可以基于无线性能指标，准确定位产生问题的原因，并进行网络优化，从而达到优化业务感知指标的目的，将业务感知指标和无线性能指标进行映射，不仅实现了基于用户感知的网络优化，而且实现了感知问题定位分析的目的。
步骤505：构建不同数据业务类型的定位分析知识库。
具体为：分别针对各数据业务类型，根据相应的各业务感知指标、获得的各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值，构建对应的业务定位分析知识库。
其中，业务定位分析知识库根据不同的数据业务类型进行分类，并每个业务定位分析知识库中至少包括各个业务感知指标与多个无线性能指标的映射关系，以及各无线性能指标的感知阈值。
例如业务感知指标为KQI，无线性能指标为KPI，一个KQI可能与多个KPI关联，通过机器学习算法进行模型训练，可以得到与该KQI关联的多个KPI的权重值，从而从中确定出最能影响该KQI的多个KPI，并且识别确定出的多个KPI的感知阈值，建立KQI与确定出的多个KPI的映射关系。
这样，根据模型训练结果，可以针对不同的数据业务类型，例如页面浏览、视频、即时通信、游戏等数据业务，分别构建相应的业务定位分析知识库，业务定位分析知识库中的各个业务感知指标是与相应的数据业务类型相关。
第二部分：应用部分，包括：根据不同数据业务类型的定位分析知识库，可以实现多维度、多数据业务的小区业务质差预警机制及感知问题定位分析机制，从而可以输出高优先级的感知质差小区的网络优化分析方案和小区业务质差预警清单。
下面采用具体的应用场景进行具体说明，具体地参阅图6所示，为本发明实施例中另一种网络优化方法流程示意图，具体包括：
步骤600：获取各业务感知指标。
步骤601：与业务定位分析知识库进行匹配。
步骤602：确定各业务感知指标对应的无线性能指标。
步骤603：根据对应的无线性能指标，定位无线网络问题。
步骤604：与预设的无线优化规则知识库进行匹配，确定各网络问题对应的优化规则。
其中，预设的无线优化规则知识库可以为传统的无线优化规则构成的知识库，根据定位出的无线性能问题，找到对应的优化规则。
步骤605：进行网络优化。
这样，就可以自动获得各数据业务对应的优化规则，即优化方案，从而可以针对不同的数据业务进行网络优化。
步骤606：获取各无线性能指标。
步骤607：与业务定位分析知识库进行匹配。
步骤608：确定发生异常的数据业务。
具体地，根据业务定位分析知识库中存储的各无线性能指标的感知阈值，若小于感知阈值，则异常，若不小于感知阈值，则确定未发生异常，从而确定出相应的数据业务是否发生异常。
其中，发生异常的数据业务，也可以称为质差数据业务，这些质差数据业务影响了用户感知，需要进行优化，进而还可以进行预警，对该数据业务的优化提供指导意义。
需要说明的是，本发明实施例中上述步骤600-步骤605，以及步骤606-步骤608的执行顺序并不进行限制。
基于上述实施例，下面对本发明实施例中网络优化方法整个过程进行简单介绍，本发明实施例中主要是通过对历史各业务感知指标和各无线性能指标进行筛选，以业务感知指标和无线性能指标为基础，能够有效分析和定位数据业务出现的问题，并提供有效的解决方法。
具体参阅图7所示，为本发明实施例中另一种网络优化整体流程示意图，包括：
步骤700：对获取的各业务感知指标和各无线性能指标进行预处理。
例如，按照预设周期，例如1小时，获取某小区网络的各业务感知指标和各无线性能指标，进行关联和删除无效数据等预处理操作。
步骤701：对预处理后的各业务感知指标和各无线性能指标进行描述性统计，并进行线性相关性分析，删除冗余的业务感知指标或无线性能指标，获得数据分析结果。
步骤702：基于机器学习算法，分别确定各个业务感知指标与各无线性能指标的映射关系，并确定各无线性能指标的感知阈值，以及针对不同数据业务类型，构建对应的业务定位分析知识库。
步骤703：基于业务定位分析知识库，获得数据业务质差预警清单和优化分析方案，进行网络优化。
具体地，1)通过无线性能指标和业务定位分析知识库，基于业务定位分析知识库中的无线性能指标的感知阈值，确定对应的数据业务是否为质差数据业务，获得数据业务质差预警清单。
2)通过业务感知指标与业务定位分析知识库进行匹配，获得与业务感知指标对应的无线性能指标，根据无线性能指标定位出现的网络问题，确定对应的优化规则，并进行网络优化。
这样，本发明实施例中，将业务感知指标和无线性能指标建立映射关系，构建业务定位分析知识库，从而能够有效分析数据业务出现问题的原因，并提供有效解决方案，有效指导针对不同数据业务感知的专项优化工作，实现以提高用户感知为目的的网络优化，提高网络优化效率。
基于上述实施例，参阅图8所示，本发明实施例中，网络优化装置具体包括：
第一获取模块80，用于获取网络的各业务感知指标；
第一确定模块81，用于根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标；
定位优化模块82，用于分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化。
可选的，根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标时，第一确定模块81具体用于：
基于预先训练的各数据业务类型的业务定位分析知识库，分别将各业务感知指标与对应的业务定位分析知识库中存储的各个业务感知指标进行匹配，若确定匹配成功，则根据对应的业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，分别确定所述各业务感知指标与无线性能指标的映射关系；
其中，业务定位分析知识库根据不同的数据业务类型进行分类，并每个业务定位分析知识库中至少包括各个业务感知指标，各个业务感知指标与无线性能指标的映射关系，以及各无线性能指标的感知阈值。
可选的，针对业务定位分析知识库的训练获得方式，还包括：
第二获取模块83，用于分别获取预设周期内网络的各业务感知指标和各无线性能指标；
预处理模块84，用于分别将各业务感知指标与各无线性能指标进行关联，并根据预设过滤规则，过滤掉无效的业务感知指标或无线性能指标；
分析处理模块85，用于分别对过滤后的各业务感知指标和各无线性能指标进行描述性统计，并根据描述性统计结果和预设的线性相关性分析算法，分别确定各业务感知指标之间以及各无线性能指标之间的线性相关性；根据确定的各业务感知指标之间以及各无线性能指标之间的线性相关性，删除冗余的业务感知指标或无线性能指标；
训练模块86，用于基于预设的机器学习算法，根据预设的业务感知指标的感知阈值以及删除后的各业务感知指标与各无线性能指标，进行模型训练，获得各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值；
构建模块87，用于分别针对各数据业务类型，根据相应的各业务感知指标、获得的各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值，构建对应的业务定位分析知识库。
可选的，根据确定的各业务感知指标之间以及各无线性能指标之间的线性相关性，删除冗余的业务感知指标或无线性能指标时，分析处理模块85具体用于：
针对线性相关性大于预设阈值的多个业务感知指标或无线性能指标，从中选择出一个业务感知指标或无线性能指标，并删除其余未被选择的业务感知指标或无线性能指标。
可选的，进一步包括：
第三获取模块88，用于获取网络的各无线性能指标；
第二确定模块89，用于基于预先训练的各数据业务类型的业务定位分析知识库，以及所述各无线性能指标，确定发生异常的数据业务。
可选的，基于预先训练的各数据业务类型的业务定位分析知识库，以及所述各无线性能指标，确定发生异常的数据业务时，第二确定模块89具体用于：
分别将各无线性能指标与对应的业务定位分析知识库中存储的各无线性能指标的感知阈值进行比较，确定发生异常的无线性能指标；
根据业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，以及确定出的发生异常的无线性能指标，确定相应的发生异常的业务感知指标，并确定对应的发生异常的数据业务。
参阅图9所示，本发明实施例中，一种电子设备结构示意图。
本发明实施例提供了一种电子设备，该电子设备可以包括处理器910(CenterProcessing Unit，CPU)、存储器920、输入设备930和输出设备940等，输入设备930可以包括键盘、鼠标、触摸屏等，输出设备940可以包括显示设备，如液晶显示器(Liquid CrystalDisplay，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。
存储器920可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器910提供存储器920中存储的程序指令和数据。在本发明实施例中，存储器920可以用于存储上述网络优化方法的程序。
处理器910通过调用存储器920存储的程序指令，处理器910用于按照获得的程序指令执行本发明实施例中任一种网络优化方法。
基于上述实施例，本发明实施例中，提供了一种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上述任意方法实施例中的网络优化方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种网络优化方法，其特征在于，包括：
获取网络的各业务感知指标；
根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标；
分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化。
2.如权利要求1所述的方法，其特征在于，根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标，具体包括：
基于预先训练的各数据业务类型的业务定位分析知识库，分别将各业务感知指标与对应的业务定位分析知识库中存储的各个业务感知指标进行匹配，若确定匹配成功，则根据对应的业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，分别确定所述各业务感知指标与无线性能指标的映射关系；
其中，业务定位分析知识库根据不同的数据业务类型进行分类，并每个业务定位分析知识库中至少包括各个业务感知指标，各个业务感知指标与无线性能指标的映射关系，以及各无线性能指标的感知阈值。
3.如权利要求2所述的方法，其特征在于，业务定位分析知识库的训练获得方式为：
分别获取预设周期内网络的各业务感知指标和各无线性能指标；
分别将各业务感知指标与各无线性能指标进行关联，并根据预设过滤规则，过滤掉无效的业务感知指标或无线性能指标；
分别对过滤后的各业务感知指标和各无线性能指标进行描述性统计，并根据描述性统计结果和预设的线性相关性分析算法，分别确定各业务感知指标之间以及各无线性能指标之间的线性相关性；
根据确定的各业务感知指标之间以及各无线性能指标之间的线性相关性，删除冗余的业务感知指标或无线性能指标；
基于预设的机器学习算法，根据预设的业务感知指标的感知阈值以及删除后的各业务感知指标与各无线性能指标，进行模型训练，获得各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值；
分别针对各数据业务类型，根据相应的各业务感知指标、获得的各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值，构建对应的业务定位分析知识库。
4.如权利要求3所述的方法，其特征在于，根据确定的各业务感知指标之间以及各无线性能指标之间的线性相关性，删除冗余的业务感知指标或无线性能指标，具体包括：
针对线性相关性大于预设阈值的多个业务感知指标或无线性能指标，从中选择出一个业务感知指标或无线性能指标，并删除其余未被选择的业务感知指标或无线性能指标。
5.如权利要求2-4任一项所述的方法，其特征在于，进一步包括：
获取网络的各无线性能指标；
基于预先训练的各数据业务类型的业务定位分析知识库，以及所述各无线性能指标，确定发生异常的数据业务。
6.如权利要求5所述的方法，其特征在于，基于预先训练的各数据业务类型的业务定位分析知识库，以及所述各无线性能指标，确定发生异常的数据业务，具体包括：
分别将各无线性能指标与对应的业务定位分析知识库中存储的各无线性能指标的感知阈值进行比较，确定发生异常的无线性能指标；
根据业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，以及确定出的发生异常的无线性能指标，确定相应的发生异常的业务感知指标，并确定对应的发生异常的数据业务。
7.一种网络优化装置，其特征在于，包括：
第一获取模块，用于获取网络的各业务感知指标；
第一确定模块，用于根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标；
定位优化模块，用于分别根据对应的无线性能指标，分析定位影响各业务感知指标的网络问题，并根据预设的网络问题与优化规则对应关系，分别确定各网络问题对应的优化规则并进行网络优化。
8.如权利要求7所述的装置，其特征在于，根据预先训练获得的业务感知指标与无线性能指标的映射关系，分别确定各业务感知指标对应的无线性能指标时，第一确定模块具体用于：
基于预先训练的各数据业务类型的业务定位分析知识库，分别将各业务感知指标与对应的业务定位分析知识库中存储的各个业务感知指标进行匹配，若确定匹配成功，则根据对应的业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，分别确定所述各业务感知指标与无线性能指标的映射关系；
其中，业务定位分析知识库根据不同的数据业务类型进行分类，并每个业务定位分析知识库中至少包括各个业务感知指标，各个业务感知指标与无线性能指标的映射关系，以及各无线性能指标的感知阈值。
9.如权利要求8所述的装置，其特征在于，针对业务定位分析知识库的训练获得方式，还包括：
第二获取模块，用于分别获取预设周期内网络的各业务感知指标和各无线性能指标；
预处理模块，用于分别将各业务感知指标与各无线性能指标进行关联，并根据预设过滤规则，过滤掉无效的业务感知指标或无线性能指标；
分析处理模块，用于分别对过滤后的各业务感知指标和各无线性能指标进行描述性统计，并根据描述性统计结果和预设的线性相关性分析算法，分别确定各业务感知指标之间以及各无线性能指标之间的线性相关性；根据确定的各业务感知指标之间以及各无线性能指标之间的线性相关性，删除冗余的业务感知指标或无线性能指标；
训练模块，用于基于预设的机器学习算法，根据预设的业务感知指标的感知阈值以及删除后的各业务感知指标与各无线性能指标，进行模型训练，获得各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值；
构建模块，用于分别针对各数据业务类型，根据相应的各业务感知指标、获得的各业务感知指标对应的具有影响关系的无线性能指标，以及各无线性能指标的感知阈值，构建对应的业务定位分析知识库。
10.如权利要求9所述的装置，其特征在于，根据确定的各业务感知指标之间以及各无线性能指标之间的线性相关性，删除冗余的业务感知指标或无线性能指标时，分析处理模块具体用于：
针对线性相关性大于预设阈值的多个业务感知指标或无线性能指标，从中选择出一个业务感知指标或无线性能指标，并删除其余未被选择的业务感知指标或无线性能指标。
11.如权利要求8-10任一项所述的装置，其特征在于，进一步包括：
第三获取模块，用于获取网络的各无线性能指标；
第二确定模块，用于基于预先训练的各数据业务类型的业务定位分析知识库，以及所述各无线性能指标，确定发生异常的数据业务。
12.如权利要求11所述的装置，其特征在于，基于预先训练的各数据业务类型的业务定位分析知识库，以及所述各无线性能指标，确定发生异常的数据业务时，第二确定模块具体用于：
分别将各无线性能指标与对应的业务定位分析知识库中存储的各无线性能指标的感知阈值进行比较，确定发生异常的无线性能指标；
根据业务定位分析知识库中存储的业务感知指标与无线性能指标的映射关系，以及确定出的发生异常的无线性能指标，确定相应的发生异常的业务感知指标，并确定对应的发生异常的数据业务。
13.一种电子设备，其特征在于，包括：
至少一个存储器，用于存储计算机程序；
至少一个处理器，用于执行存储器中存储的计算机程序时实现如权利要求1-6中任意一项所述方法的步骤。
14.一种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中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811494975.9A CN111294819B (zh) | 2018-12-07 | 2018-12-07 | 一种网络优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811494975.9A CN111294819B (zh) | 2018-12-07 | 2018-12-07 | 一种网络优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111294819A true CN111294819A (zh) | 2020-06-16 |
| CN111294819B CN111294819B (zh) | 2023-04-28 |
Family
ID=71026402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811494975.9A Active CN111294819B (zh) | 2018-12-07 | 2018-12-07 | 一种网络优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111294819B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114071515A (zh) * | 2021-11-08 | 2022-02-18 | 北京东土拓明科技有限公司 | 网络优化方法、装置、设备和存储介质 |
| CN114286196A (zh) * | 2020-09-27 | 2022-04-05 | 中国移动通信集团浙江有限公司 | 基于无线网络指标的视频质差原因分析方法及装置 |
| CN114554534A (zh) * | 2020-11-24 | 2022-05-27 | 中国移动通信集团北京有限公司 | 影响语音感知的网络因素确定方法、装置及电子设备 |
| CN114599042A (zh) * | 2022-03-04 | 2022-06-07 | 清华大学 | 网络状态感知方法及装置、电子设备和存储介质 |
| CN114626592A (zh) * | 2022-03-02 | 2022-06-14 | 广东省电信规划设计院有限公司 | 一种电力通信网络提升优化的方法及装置 |
| WO2023036042A1 (zh) * | 2021-09-07 | 2023-03-16 | 华为技术有限公司 | 网络优化策略的确定方法、装置及系统 |
| WO2023241320A1 (zh) * | 2022-06-16 | 2023-12-21 | 华为技术有限公司 | 自治系统的网络优化功能的指标确定方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105357691A (zh) * | 2015-09-28 | 2016-02-24 | 中国普天信息产业北京通信规划设计院 | Lte无线网络用户感知监测方法和系统 |
| CN105828376A (zh) * | 2016-05-09 | 2016-08-03 | 中国联合网络通信集团有限公司 | 基于用户感知的业务质量监测方法和设备 |
| CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
-
2018
- 2018-12-07 CN CN201811494975.9A patent/CN111294819B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105357691A (zh) * | 2015-09-28 | 2016-02-24 | 中国普天信息产业北京通信规划设计院 | Lte无线网络用户感知监测方法和系统 |
| CN105828376A (zh) * | 2016-05-09 | 2016-08-03 | 中国联合网络通信集团有限公司 | 基于用户感知的业务质量监测方法和设备 |
| CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114286196A (zh) * | 2020-09-27 | 2022-04-05 | 中国移动通信集团浙江有限公司 | 基于无线网络指标的视频质差原因分析方法及装置 |
| CN114286196B (zh) * | 2020-09-27 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 基于无线网络指标的视频质差原因分析方法及装置 |
| CN114554534A (zh) * | 2020-11-24 | 2022-05-27 | 中国移动通信集团北京有限公司 | 影响语音感知的网络因素确定方法、装置及电子设备 |
| CN114554534B (zh) * | 2020-11-24 | 2024-05-07 | 中国移动通信集团北京有限公司 | 影响语音感知的网络因素确定方法、装置及电子设备 |
| WO2023036042A1 (zh) * | 2021-09-07 | 2023-03-16 | 华为技术有限公司 | 网络优化策略的确定方法、装置及系统 |
| CN114071515A (zh) * | 2021-11-08 | 2022-02-18 | 北京东土拓明科技有限公司 | 网络优化方法、装置、设备和存储介质 |
| CN114626592A (zh) * | 2022-03-02 | 2022-06-14 | 广东省电信规划设计院有限公司 | 一种电力通信网络提升优化的方法及装置 |
| CN114599042A (zh) * | 2022-03-04 | 2022-06-07 | 清华大学 | 网络状态感知方法及装置、电子设备和存储介质 |
| WO2023241320A1 (zh) * | 2022-06-16 | 2023-12-21 | 华为技术有限公司 | 自治系统的网络优化功能的指标确定方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111294819B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111294819B (zh) | 一种网络优化方法及装置 | |
| US20170364819A1 (en) | Root cause analysis in a communication network via probabilistic network structure | |
| CN112508044A (zh) | 人工智能ai模型的评估方法、系统及设备 | |
| CN107547154B (zh) | 一种建立视频流量预测模型的方法及装置 | |
| CN107045506A (zh) | 评估指标获取方法及装置 | |
| EP4167149A1 (en) | Method and apparatus for building predictive model, computing device, and storage medium | |
| CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
| CN103365829A (zh) | 信息处理装置、信息处理方法和程序 | |
| CN111222553B (zh) | 机器学习模型的训练数据处理方法、装置和计算机设备 | |
| CN107943697A (zh) | 问题分配方法、装置、系统、服务器和计算机存储介质 | |
| CN110502432B (zh) | 智能测试方法、装置、设备及可读存储介质 | |
| CN113722134A (zh) | 一种集群故障处理方法、装置、设备及可读存储介质 | |
| CN117540826A (zh) | 机器学习模型的优化方法、装置、电子设备及存储介质 | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| CN107517474B (zh) | 一种网络分析优化方法及装置 | |
| CN110377741A (zh) | 文本分类方法、智能终端及计算机可读存储介质 | |
| CN114828055A (zh) | 用户业务感知评估方法、装置、设备、介质和程序产品 | |
| CN111954232B (zh) | 无线网络指标分类方法和装置 | |
| CN113891386A (zh) | 基站的隐性故障确定方法、装置、设备和可读存储介质 | |
| CN113420165A (zh) | 二分类模型的训练、多媒体数据的分类方法及装置 | |
| EP4181476A1 (en) | Network data analysis method, network data analysis functional network element and communication system | |
| CN112312445B (zh) | 语音呼叫的处理方法、装置、存储介质和服务器 | |
| EP4366258A1 (en) | Communication network | |
| WO2023186090A1 (zh) | 验证方法、装置及设备 | |
| CN116962462A (zh) | 多智能体协同的数据传输分析装置及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |