CN111342997B - 一种深度神经网络模型的构建方法、故障诊断方法及系统 - Google Patents
一种深度神经网络模型的构建方法、故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111342997B CN111342997B CN202010081937.1A CN202010081937A CN111342997B CN 111342997 B CN111342997 B CN 111342997B CN 202010081937 A CN202010081937 A CN 202010081937A CN 111342997 B CN111342997 B CN 111342997B
- Authority
- CN
- China
- Prior art keywords
- service
- alarm
- fault
- root
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种深度神经网络模型的构建方法、故障诊断方法及系统,涉及通信技术领域。构建方法包括:确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系;基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点;以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络模型,并使用样本数据进行训练和验证。本发明基于全面、有效的告警和性能状态指标,使得构建的模型能够快速、准确地进行故障诊断定位。
Description
技术领域
本发明涉及通信技术领域,具体是涉及一种深度神经网络模型的构建方法、故障诊断方法及系统。
背景技术
随着社会全面发展带来的网络业务的不断增加,网络规模日益庞大,网络环境日益复杂,发生故障的种类和次数也随之增多,使得各大网络运营商在故障排查方面的投入也越来越大。
传统的人工排障首先要解决从海量告警中获取关键告警或者根源告警,然后根据这些告警再去查询业务拓扑链路上其他一些相关信息(例如次要或者衍生告警、性能、状态、配置等),最终对故障原因进行判断以及对故障位置进行确定。
传统的人工排障方法严重依赖个人经验且流程复杂多样化,排障时效性和准确性无法得到保证,所以基于线网故障发生时特征数据种类多、量大的特点,出现了一些基于深度学习技术的故障智能诊断定位解决方案。深度学习技术,是近些年兴起的人工智能技术,针对不同的应用场景构建适宜的神经网络模型,通过大量样本数据的投入训练,使得模型拟合出相应场景下所需的功能,替代人工操作。但目前的深度学习解决方案都存在不同程度的缺陷,投入线网运用较难取得理想效果。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种深度神经网络模型的构建方法、故障诊断方法及系统,基于全面、有效的告警和性能状态指标,使得构建的模型能够快速、准确地进行故障诊断定位。
本发明提供一种深度神经网络模型的构建方法,其包括:
确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系,告警根源衍生规则包括根源告警和衍生告警之间的关联关系;
基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点;
以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络模型,并使用样本数据进行训练和验证。
在上述技术方案的基础上,获取基于业务的网络拓扑信息和历史告警数据,历史告警数据包括历史告警发生的时间、历史告警标识ID、业务ID和网络位置信息;
对每条所述业务路径的所述业务节点上的历史告警进行聚类,得到基于所述业务路径的告警簇,对所有基于所述业务路径的告警簇进行分析和统计,确定所述告警根源衍生规则。
在上述技术方案的基础上,所述专家故障诊断数据包括用于诊断每个历史故障的历史告警数据和历史性能状态数据;
基于所述专家故障诊断数据和所述告警根源衍生规则,在每个历史故障所属的所述业务路径中,提取所述根节点以及与所述根节点关联的业务节点上的告警和性能状态指标,得到该历史故障的诊断因子集;
对所有诊断因子集进行并集整合后得到所述统一诊断因子矩阵。
在上述技术方案的基础上,所述统一诊断因子矩阵为二维矩阵,二维矩阵的每行表示所述根节点或者与所述根节点关联的一个业务节点上的告警和性能状态指标,性能状态指标包括性能指标和状态指标。
在上述技术方案的基础上,所述深度神经网络模型包括依次相连的输入层、基于Inception机制的初始隐含层、至少一个二维卷积层、至少一个全连接的隐含层以及输出层;
初始隐含层包括分别与所述统一诊断因子矩阵的行、列对应的一维行向量和一维列向量,一维行向量和一维列向量进行一维卷积核的混合计算结果输入二维卷积层。
在上述技术方案的基础上,所述故障原因类型的概率向量为softmax概率向量,其中的每个元素表示一种故障的发生概率。
本发明还提供一种故障诊断方法,其包括:
获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据;
对于每条业务路径,根据深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入所述深度神经网络模型,所述深度神经网络模型是基于所述构建方法得到的;
根据所述深度神经网络模型输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
本发明还提供一种深度神经网络模型的构建系统,其包括:
告警分析模块,其用于确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系,告警根源衍生规则包括根源告警和衍生告警之间的关联关系;
故障分析模块,其用于基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点;
构建模块,其用于以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络模型,并使用样本数据进行训练和验证。
在上述技术方案的基础上,所述告警分析模块用于获取基于业务的网络拓扑信息和历史告警数据,历史告警数据包括历史告警发生的时间、历史告警标识ID、业务ID和网络位置信息;以及对每条所述业务路径的所述业务节点上的历史告警进行聚类,得到基于所述业务路径的告警簇,对所有基于所述业务路径的告警簇进行分析和统计,确定所述告警根源衍生规则。
在上述技术方案的基础上,所述专家故障诊断数据包括用于诊断每个历史故障的历史告警数据和历史性能状态数据;
所述故障分析模块用于基于所述专家故障诊断数据和所述告警根源衍生规则,在每个历史故障所属的所述业务路径中,提取所述根节点以及与所述根节点关联的业务节点上的告警和性能状态指标,得到该历史故障的诊断因子集;以及对所有诊断因子集进行并集整合后得到所述统一诊断因子矩阵。
在上述技术方案的基础上,所述统一诊断因子矩阵为二维矩阵,二维矩阵的每行表示所述根节点或者与所述根节点关联的一个业务节点上的告警和性能状态指标,性能状态指标包括性能指标和状态指标。
在上述技术方案的基础上,所述深度神经网络模型包括依次相连的输入层、基于Inception机制的初始隐含层、至少一个二维卷积层、至少一个全连接的隐含层以及输出层;
初始隐含层包括分别与所述统一诊断因子矩阵的行、列对应的一维行向量和一维列向量,一维行向量和一维列向量进行一维卷积核的混合计算结果输入二维卷积层。
在上述技术方案的基础上,所述故障原因类型的概率向量为softmax概率向量,其中的每个元素表示一种故障的发生概率。
本发明还提供一种故障诊断系统,其包括:
处理模块,其中部署有基于所述构建方法得到的深度神经网络模型;
获取模块,其用于获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据,对于每条业务路径,根据所述深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入处理模块;
诊断模块,其用于根据处理模块输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
本发明还提供一种故障诊断系统,其包括:
所述构建系统;
获取模块,其用于获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据,对于每条业务路径,根据所述深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入处理模块;
诊断模块,其用于根据所述构建系统输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
与现有技术相比,本发明实施例深度神经网络模型的构建方法,其包括:确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系,告警根源衍生规则包括根源告警和衍生告警之间的关联关系;基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点;以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络模型,并使用样本数据进行训练和验证,基于全面、有效的告警和性能状态指标,使得构建的模型能够快速、准确地进行故障诊断定位。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例深度神经网络模型的构建方法流程图;
图2是在应用本发明实施例的OTN网络中,一条“U型”主用业务路径的示意图;
图3是本发明实施例的一个统一诊断因子矩阵的示例;
图4是本发明实施例构建的深度神经网络模型示意图;
图5是本发明实施例故障诊断方法流程图;
图6是本发明实施例深度神经网络模型的构建系统示意图;
图7是本发明实施例的一个故障诊断系统示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示,本发明实施例提供一种深度神经网络模型的构建方法,深度神经网络模型的构建方法包括:
S110确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系,告警根源衍生规则包括根源告警和衍生告警之间的关联关系。
S120基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点。
S130以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络(Deep Neural Network,DNN)模型,并使用样本数据进行训练和验证。
以通信网络为例,由于线网故障发生具有业务和网络拓扑的相关性,而且故障发生总是伴随着告警的上报,所以故障诊断的一个重要环节就是对产生的告警进行相关性分析。
作为一个可选的实施方式,步骤S110包括:
S111获取基于业务的网络拓扑信息和历史告警数据,历史告警数据包括历史告警发生的时间、历史告警标识(Identification,ID)、业务ID和网络位置信息。
根据网络的实际情况,可以直接获取基于业务的网络拓扑信息,也可以分别获取网络拓扑信息和业务信息。
具体的,基于业务的网络拓扑信息包括每个网络节点上的业务标识ID、业务层次、路由、以及相邻业务层次的业务ID。
S112对每条业务路径的业务节点上的历史告警进行聚类,得到基于业务路径的告警簇,对所有基于业务路径的告警簇进行分析和统计,确定告警根源衍生规则。
具体的,步骤S112包括:
S1121从海量的历史告警数据以及基于业务的网络拓扑信息中提取和预处理相关数据。
对于历史告警数据,提取历史告警发生的时间、历史告警标识ID、业务ID和历史告警发生时的网络位置信息,例如历史告警发生时所在的网元、单盘(或称板卡)乃至端口等。
从基于业务的网络拓扑信息中,或者,从网络拓扑信息和业务信息中,提取网络拓扑中每个网络节点的业务ID、对应的业务层次、路由和相邻业务层的业务ID等,相邻业务层是客户层业务和服务层业务的关系。
具体的,运维人员在新建业务时,根据线网情况和场景需要,构建一条或几条完整的从源端到宿端的跨层业务路径,相邻业务层次是客户层和服务层关系,客户层节点是客户层所在的网络节点,服务层节点是服务层所在的网络节点。
例如,参见图2所示,当需要建立OTN网络中源端A接入点到宿端B接入点的通信链路时,运维人员会从现有的物理网络中依次选取“源端Client层节点→源端ODUk层节点→源端OCH层节点→源端OMS层节点→源端OTS层节点→宿端OTS层节点→宿端OMS层节点→宿端OCH层节点→宿端ODUk层节点→宿端Client层节点”这样一条完整的从源端到宿端的跨层“U型”主用业务路径(即工作路径)或附带再选取一条完整的备用保护路径,一条业务路径中的相邻业务节点为客户层节点和服务层节点。这些业务路径就构成了满足该需求的业务拓扑中的完整业务路径。线网实时完整的业务拓扑中的每条记录可以包括某个业务层次的业务节点本身的信息以及相邻层的业务节点信息。
在图2中,Client为客户业务数据,ODUk为光通道数据单元-k(Optical ChannelData Unit-k),OCH为光通道(Optical Channel),OMS为光复用段(Optical MultiplexSection),OTS为光传送段(Optical Transmission Section)。
S1122基于业务和网络拓扑关联的历史告警聚类。
基于业务和网络拓扑关联的历史告警聚类的执行过程没有限定。
优选的,历史告警聚类的第一步是根据历史告警的业务ID和网络位置信息,在业务拓扑中找到对应业务层次中的对应业务节点,把在相同业务节点上产生的历史告警归在一起形成一个个初步的“业务节点小簇”;第二步,如前故障具有业务相关性,且一般都会引发多层业务节点上报历史告警,所以需要根据历史告警所在的业务ID,在业务拓扑中查询相邻层的业务ID,基于业务ID邻接相关的“业务节点小簇”,将历史告警聚类成一个大的“U型业务路径告警簇”。
S1123对“U型业务路径告警簇”中的历史告警进行根源衍生分析,得到告警根源衍生规则。
以步骤S1122中得到的“U型业务路径告警簇”为单位,对“U型业务路径告警簇”中历史告警进行根源衍生分析和统计,具体而言可以分两种情况:
第一种情况针对发生在不同业务层次的业务节点上的历史告警,还是以前述ONT网络为例,某个故障引发了完整的业务路径上从顶层Client层节点到ODUk层节点、OCH层节点、OMS层节点、再到底层OTS层节点的相关业务节点纷纷上报历史告警。一般而言,底层如OTS层节点上报的历史告警会衍生出顶层如Client层节点上报的历史告警,如此将得到一批不同业务层次的历史告警之间的强根源衍生规则。
第二种情况针对发生在同层次业务节点上的历史告警,例如,发生在OCH层节点的两个历史告警:A和B,挖掘和确定A和B之间潜在的告警根源衍生规则,可以借助贝叶斯概率统计理论去实现。历史告警A和B可以均发生在同一端,也可以发生在不同端,例如,历史告警A和B均发生在源端,或者,历史告警A和B均发生在宿端,或者,历史告警A发生在源端,历史告警B发生在宿端。
具体而言,首先,统计历史告警A和B在多少个“U型业务路径告警簇”中出现,得到历史告警A的频度(NA)和历史告警B的频度(NB);其次,统计在单个“U型业务路径告警簇”中历史告警A发生在历史告警B之前的次数(NA→B),或者,统计历史告警B发生在历史告警A之前的次数(NB→A),计算历史告警A衍生历史告警B的置信度(NA→B/NA)以及历史告警B衍生出历史告警A的置信度(NB→A/NB);最后,根据既定的置信度的阈值来统计出高出阈值的根源衍生历史告警对。
以上两种情况挖掘收集的告警根源衍生规则经运维专家鉴定后形成最终的有效规则库,之后线网一旦有故障发生,告警则经过以上预处理、聚类和基于有效规则库的告警根源衍生规则匹配即可得到相应标记。
基于“U型业务路径告警簇”以及对其中的历史告警进行根源衍生标记,是本发明实施例的深度神经网络模型的前提和基石。
传统人工排障过程往往是先从海量告警中先找到根源告警,由于产生该根源告警的原因可能有多种,所以线网运维专家需要针对性地去查看其他一些信息来最终定位到其中某个故障原因,这个过程复杂多变,且耗时耗力。本发明实施例立足解决人工排障的痛点难点,取代运维专家去完成故障诊断和定位工作,所以需要在充分了解和借鉴专家累积的既有领域知识的基础上,应用深度学习神经网络技术去训练和拟合出线网故障诊断规律的模型来实现。
步骤S120包括:
S121基于专家故障诊断数据和告警根源衍生规则,在每个历史故障所属的业务路径中,提取根节点以及与根节点关联的业务节点上的告警和性能状态指标,得到该历史故障的诊断因子集。
S122对所有诊断因子集进行并集整合后得到统一诊断因子矩阵。
具体的,专家故障诊断数据包括用于诊断每个历史故障的历史告警数据和历史性能状态数据。
具体而言,专家故障诊断数据可以包括线网历史故障案例数据和实验室模拟故障数据,根据线网历史故障案例数据和实验室模拟故障数据,梳理出不同故障排查时所参看的业务拓扑的业务节点上的历史告警和性能状态数据,而这些历史告警和性能状态数据都集中在故障发生的该业务路径上根源告警产生的业务节点(即根节点)周围或对端,这些根节点本身、根节点的周围及对端的业务节点上相关历史告警和性能状态数据共同构成了该线网故障的诊断因子集。
示例性的,假设历史故障C需要参看根节点的告警、上游(发端)节点的性能指标1、下游(收端)节点的性能指标2,而历史故障D需要参看根节点的告警、对端节点的告警和状态指标1,则并集处理为了保证深度神经网络模型能鉴别出历史故障C和D,则在深度神经网络模型的输入需要同时包含两个故障的诊断因子集,即根节点的告警、上游节点性能1、下游节点性能2、对端节点的告警、对端节点的状态指标1,如此对所有历史故障的诊断因子集做并集整合处理后,将形成一个统一诊断因子矩阵来作为深度神经网络模型的最终输入,这也是本发明实施例的端到端深度学习诊断故障方案的特点。
在以上示例中,历史故障C和D在相同或者不同的业务路径中。
作为一个可选的实施方式,统一诊断因子矩阵为二维矩阵,二维矩阵的每行表示根节点或者与根节点关联的一个业务节点上的告警和性能状态指标,性能状态指标包括性能指标和状态指标。
参见图3所示的统一诊断因子矩阵的示例,行表示用于所有故障诊断相关的业务路径上的重要业务节点(以根节点为核心),列表示其中一个业务节点上的故障诊断相关数据的类别(包括告警、性能指标和状态指标)。
通过历史故障案例和通信领域专家知识梳理获得的诸多线网故障及其对应的诊断因子集和统一诊断因子矩阵,是本发明实施例深度神经网络模型的基础和依据。
作为一个可选的实施方式,故障原因类型的概率向量为softmax概率向量,其中的每个元素表示一种故障的发生概率。
具体的,先将不同线网的故障类型进行编号、组合形成一个一维列向量,为该列向量设计一个一一对应的softmax概率向量作为深度神经网络模型的输出,该深度神经网络模型输出的softmax概率向量的每个元素值均介于0和1之间,代表该深度神经网络模型预测出的相应故障原因发生的概率,整个softmax概率向量的所有元素之和为1。
在梳理完深度神经网络模型的输入和输出后,接下来最重要的就是选择深度神经网络模型中间隐含层的架构。
进一步的,深度神经网络模型包括依次相连的输入层、基于Inception机制的初始隐含层、至少一个二维卷积层、至少一个全连接的隐含层以及输出层。
具体的,二维卷积层的数量以及全连接的隐含层的数量根据深度神经网络模型的样本数据数量确定,当样本数据数量较大时,可以设置多个二维卷积层和多个全连接的隐含层。
初始隐含层包括分别与统一诊断因子矩阵的行、列对应的一维行向量和一维列向量,一维行向量和一维列向量进行一维卷积核的混合计算结果输入二维卷积层。
具体的,步骤S130包括:
S131设计深度神经网络模型的中间隐含层架构。
考虑到深度神经网络模型输入结构下故障诊断过程中的“二维相关性”,即无论从行、列方向观察图3所示的m×n统一诊断因子矩阵时,各元素之间都有一定的关联性:行方向表示每个业务节点的不同诊断因子的并发关系,列方向表示一类诊断因子在故障相关业务路径上不同业务节点的出现规律,所以本发明实施例基于统一诊断因子矩阵的内在规律,在深度神经网络模型的初始隐含层上引入Inception机制设计一维列向量m×1和一维行向量1×n两种卷积核进行混合计算,接着通过二维卷积层,综合计算学习内在推导规律,最后通过全连接的隐含层收敛诊断抽象特征,并通过输出层计算得到故障原因类型的概率向量。
参见图4所示,Input为输入层;Conv m×1用于训练学习单诊断因子在不同业务节点上相伴相生规律;Conv1×n用于训练学习单业务节点上所有诊断因子的并发关系;Concat表示一维列向量m×1和一维行向量1×n两种卷积核进行混合计算;Conv m×n表示一个二维卷积层,Full_connected表示一个全连接的隐含层,Output为输出层,Output层输出softmax概率向量。
图4中仅显示一个二维卷积层和一个全连接的隐含层,当样本数据数量较大时,深度神经网络模型可以包括多个二维卷积层和多个全连接的隐含层。
深度神经网络也称多层神经网络,可以理解为具有很多层隐含层的神经网络。
S132样本训练,拟合模型,并交叉进行测试验证。
故障诊断的深度神经网络模型设计和构建之后,对样本数据进行告警根源衍生标记,按统一诊断因子矩阵中的业务节点提取和梳理故障的各类数据后,得到深度神经网络模型的输入数据,在深度神经网络模型中进行训练,并在训练集和测试集上验证拟合效果。
S133导出深度神经网络模型。
深度神经网络模型训练完毕并通过验证测试后,可以导出成独立的模型文件,模型文件保存有整个深度神经网络模型的架构、模型参数和超级参数等。
为了解决现有的网络故障诊断的深度学习方案面临的诸多问题,本发明实施例获取线网历史案例和实验室模拟等手段采集的故障发生时的告警、网络拓扑、性能和设备状态等数据,梳理这些诊断因子数据,形成基于故障相关的业务路径的端到端统一诊断因子矩阵作为深度神经网络模型的输入,对应的故障原因类型组成的概率向量为深度神经网络模型输出,会同故障原因和定位信息形成标记训练样本数据,最后通过标记训练样本数据进行深度神经网络模型训练。
本发明实施例中基于故障相关的业务拓扑是基于故障发生的标志性数据:告警的定位信息以及网络拓扑关系表逐层映射关联而来。
考虑到网络的规模、性能指标和状态指标的多样性,采集网络所有的性能指标和状态指标的实时数据会给网管带来极大负担,所以本发明实施例只采集人工排障时会验看的各种有参考价值的数据,即诊断因子集的数据。另外,考虑到故障发生与业务拓扑天然的关联性,本发明实施例对性能指标和状态指标的实时数据的采集正是位于故障相关的业务拓扑的端口或节点上,两方面的策略大大减少了数据采集和处理对网管系统性能的影响。由于除了实时采集告警,还实时采集诊断因子集中性能指标和状态指标的数据,因此,用于故障诊断的数据采集具有充分性、当时性和有效性。
本发明实施例采用端到端深度神经网络模型,避免卷积神经网络(ConvolutionalNeuron Network,RNN)和层次多子网的多次输入、并行组合的复杂性缺陷,模型训练直接高效,基于业务拓扑的故障诊断定位快速准确,针对性强,在线网有极高的应用价值,随着训练数据的丰富可以快速取代人工排障,为运营商降本增效。
参见图5所示,本发明实施例还提供一种的故障诊断方法,故障诊断方法包括:
S210获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据。
S220对于每条业务路径,根据深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入深度神经网络模型,深度神经网络模型是基于前述实施例的构建方法得到的。
S230根据深度神经网络模型输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
本发明实施例提供了一种基于统一诊断因子矩阵的端到端深度神经网络的网络故障诊断方法,在一个示例中,可以根据深度神经网络模型的统一诊断因子矩阵的告警和性能状态指标,在目标网络中直接获取所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据。在另一个示例中,从现有网络中实时采集的所有告警数据和性能状态数据中,根据深度神经网络模型的统一诊断因子矩阵的告警和性能状态指标,提取所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据。
以一条业务路径为例,将一条业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据,输入统一诊断因子矩阵,得到深度神经网络模型的一个输入矩阵,深度神经网络模型输出故障原因类型的概率向量表示该条业务路径的各种故障的发生概率,元素的最大值表示在该条业务路径中该种故障发生的概率最大。
参见图6所示,本发明实施例还提供一种深度神经网络模型的构建系统,用于实现前述实施例深度神经网络模型的构建方法,深度神经网络模型的构建系统包括告警分析模块、故障分析模块和构建模块。
告警分析模块用于确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系,告警根源衍生规则包括根源告警和衍生告警之间的关联关系。
故障分析模块用于基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点。
构建模块用于以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络模型,并使用样本数据进行训练和验证。
作为一个可选的实施方式,告警分析模块用于获取基于业务的网络拓扑信息和历史告警数据,历史告警数据包括历史告警发生的时间、历史告警标识ID、业务ID和网络位置信息;以及对每条业务路径的业务节点上的历史告警进行聚类,得到基于业务路径的告警簇,对所有基于业务路径的告警簇进行分析和统计,确定告警根源衍生规则。
作为一个可选的实施方式,专家故障诊断数据包括用于诊断每个历史故障的历史告警数据和历史性能状态数据;
故障分析模块用于基于专家故障诊断数据和告警根源衍生规则,在每个历史故障所属的业务路径中,提取根节点以及与根节点关联的业务节点上的告警和性能状态指标,得到该历史故障的诊断因子集;以及对所有诊断因子集进行并集整合后得到统一诊断因子矩阵。
作为一个可选的实施方式,统一诊断因子矩阵为二维矩阵,二维矩阵的每行表示根节点或者与根节点关联的一个业务节点上的告警和性能状态指标,性能状态指标包括性能指标和状态指标。
进一步的,深度神经网络模型包括依次相连的输入层、基于Inception机制的初始隐含层、至少一个二维卷积层、至少一个全连接的隐含层以及输出层。
初始隐含层包括分别与统一诊断因子矩阵的行、列对应的一维行向量和一维列向量,一维行向量和一维列向量进行一维卷积核的混合计算结果输入二维卷积层。
作为一个可选的实施方式,故障原因类型的概率向量为softmax概率向量,其中的每个元素表示一种故障的发生概率。
参见图7所示,本发明实施例还提供一种故障诊断系统,故障诊断系统包括处理模块、获取模块和诊断模块。
处理模块中部署有基于前述实施例的构建方法得到的深度神经网络模型。
获取模块用于获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据,对于每条业务路径,根据深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入处理模块。
诊断模块用于根据处理模块输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
本发明实施例还提供一种故障诊断系统,故障诊断系统包括前述实施例的构建系统、获取模块和诊断模块。
获取模块用于获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据,对于每条业务路径,根据深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入处理模块。
诊断模块用于根据前述实施例构建系统输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
具体的,可以将前述实施例得到的深度神经网络模型的模型文件部署在网管系统上,或者,将前述实施例得到的深度神经网络模型的模型文件及相应的前期告警相关性分析代码、故障诊断因子预处理代码部署在网管系统上,即可实时投入应用,以替代人工进行故障的监控和诊断。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (13)
1.一种深度神经网络模型的构建方法,其特征在于,其包括:
确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系,告警根源衍生规则包括根源告警和衍生告警之间的关联关系;
基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点;
以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络模型,并使用样本数据进行训练和验证;
确定所述告警根源衍生规则,包括步骤:
获取基于业务的网络拓扑信息和历史告警数据,历史告警数据包括历史告警发生的时间、历史告警标识ID、业务ID和网络位置信息;
对每条所述业务路径的所述业务节点上的历史告警进行聚类,得到基于所述业务路径的告警簇,对所有基于所述业务路径的告警簇进行分析和统计,确定所述告警根源衍生规则。
2.如权利要求1所述的深度神经网络模型的构建方法,其特征在于:
所述专家故障诊断数据包括用于诊断每个历史故障的历史告警数据和历史性能状态数据;
基于所述专家故障诊断数据和所述告警根源衍生规则,在每个历史故障所属的所述业务路径中,提取所述根节点以及与所述根节点关联的业务节点上的告警和性能状态指标,得到该历史故障的诊断因子集;
对所有诊断因子集进行并集整合后得到所述统一诊断因子矩阵。
3.如权利要求1所述的深度神经网络模型的构建方法,其特征在于:
所述统一诊断因子矩阵为二维矩阵,二维矩阵的每行表示所述根节点或者与所述根节点关联的一个业务节点上的告警和性能状态指标,性能状态指标包括性能指标和状态指标。
4.如权利要求3所述的深度神经网络模型的构建方法,其特征在于:
所述深度神经网络模型包括依次相连的输入层、基于Inception机制的初始隐含层、至少一个二维卷积层、至少一个全连接的隐含层以及输出层;
初始隐含层包括分别与所述统一诊断因子矩阵的行、列对应的一维行向量和一维列向量,一维行向量和一维列向量进行一维卷积核的混合计算结果输入二维卷积层。
5.如权利要求1所述的深度神经网络模型的构建方法,其特征在于:
所述故障原因类型的概率向量为softmax概率向量,其中的每个元素表示一种故障的发生概率。
6.一种故障诊断方法,其特征在于,其包括:
获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据;
对于每条业务路径,根据深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入所述深度神经网络模型,所述深度神经网络模型是基于如权利要求1至5任一项所述的构建方法得到的;
根据所述深度神经网络模型输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
7.一种深度神经网络模型的构建系统,其特征在于,其包括:
告警分析模块,其用于确定基于业务路径的告警根源衍生规则,在目标网络的业务拓扑中,从源端到宿端的业务路径中的相邻业务节点为客户层和服务层关系,告警根源衍生规则包括根源告警和衍生告警之间的关联关系;
故障分析模块,其用于基于专家故障诊断数据构建用于诊断业务路径中故障的统一诊断因子矩阵,统一诊断因子矩阵包括根节点以及与根节点关联的业务节点上的告警和性能状态指标,根节点是生成根源告警的业务节点;
构建模块,其用于以统一诊断因子矩阵为输入,以故障原因类型的概率向量为输出,构建深度神经网络模型,并使用样本数据进行训练和验证;
所述告警分析模块用于获取基于业务的网络拓扑信息和历史告警数据,历史告警数据包括历史告警发生的时间、历史告警标识ID、业务ID和网络位置信息;以及对每条所述业务路径的所述业务节点上的历史告警进行聚类,得到基于所述业务路径的告警簇,对所有基于所述业务路径的告警簇进行分析和统计,确定所述告警根源衍生规则。
8.如权利要求7所述的深度神经网络模型的构建系统,其特征在于:
所述专家故障诊断数据包括用于诊断每个历史故障的历史告警数据和历史性能状态数据;
所述故障分析模块用于基于所述专家故障诊断数据和所述告警根源衍生规则,在每个历史故障所属的所述业务路径中,提取所述根节点以及与所述根节点关联的业务节点上的告警和性能状态指标,得到该历史故障的诊断因子集;以及对所有诊断因子集进行并集整合后得到所述统一诊断因子矩阵。
9.如权利要求7所述的深度神经网络模型的构建系统,其特征在于:
所述统一诊断因子矩阵为二维矩阵,二维矩阵的每行表示所述根节点或者与所述根节点关联的一个业务节点上的告警和性能状态指标,性能状态指标包括性能指标和状态指标。
10.如权利要求9所述的深度神经网络模型的构建系统,其特征在于:
所述深度神经网络模型包括依次相连的输入层、基于Inception机制的初始隐含层、至少一个二维卷积层、至少一个全连接的隐含层以及输出层;
初始隐含层包括分别与所述统一诊断因子矩阵的行、列对应的一维行向量和一维列向量,一维行向量和一维列向量进行一维卷积核的混合计算结果输入二维卷积层。
11.如权利要求7所述的深度神经网络模型的构建系统,其特征在于:
所述故障原因类型的概率向量为softmax概率向量,其中的每个元素表示一种故障的发生概率。
12.一种故障诊断系统,其特征在于,其包括:
处理模块,其中部署有基于如权利要求1至5任一项所述的构建方法得到的深度神经网络模型;
获取模块,其用于获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据,对于每条业务路径,根据所述深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入处理模块;
诊断模块,其用于根据处理模块输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
13.一种故障诊断系统,其特征在于,其包括:
如权利要求7至11任一项所述的构建系统;
获取模块,其用于获取目标网络中所有业务路径的根节点以及与根节点关联的业务节点上的告警和性能状态指标的实时采集数据,对于每条业务路径,根据所述深度神经网络模型的统一诊断因子矩阵得到一个输入矩阵,将输入矩阵输入处理模块;
诊断模块,其用于根据所述构建系统输出的故障原因类型的发生概率,对业务路径中的故障进行原因诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081937.1A CN111342997B (zh) | 2020-02-06 | 2020-02-06 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010081937.1A CN111342997B (zh) | 2020-02-06 | 2020-02-06 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111342997A CN111342997A (zh) | 2020-06-26 |
CN111342997B true CN111342997B (zh) | 2022-08-09 |
Family
ID=71183568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010081937.1A Active CN111342997B (zh) | 2020-02-06 | 2020-02-06 | 一种深度神经网络模型的构建方法、故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111342997B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112003718B (zh) * | 2020-09-25 | 2021-07-27 | 南京邮电大学 | 一种基于深度学习的网络告警定位方法 |
CN111897673B (zh) * | 2020-07-31 | 2022-10-21 | 平安科技(深圳)有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
CN111628898B (zh) * | 2020-07-31 | 2020-11-24 | 北京东方通科技股份有限公司 | 一种网络通信业务影响分析模型建立的方法及系统 |
CN112181758B (zh) * | 2020-08-19 | 2023-07-28 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN112152852B (zh) * | 2020-09-23 | 2023-02-03 | 创新奇智(北京)科技有限公司 | 根因分析方法、装置、设备及计算机存储介质 |
CN112866052B (zh) * | 2020-12-31 | 2022-08-05 | 清华大学 | 网络链路状态的检测方法、检验矩阵的训练方法和装置 |
CN113037365B (zh) * | 2021-03-02 | 2022-06-24 | 烽火通信科技股份有限公司 | 一种识别光通道生命周期运维状态的方法与装置 |
CN113030722B (zh) * | 2021-03-05 | 2023-08-29 | 青岛大学 | 一种多相电机驱动系统开路故障在线检测方法 |
CN113518367B (zh) * | 2021-04-09 | 2023-04-28 | 广东电网有限责任公司电力调度控制中心 | 5g网络切片下基于服务特征的故障诊断方法及系统 |
CN113378893B (zh) * | 2021-05-21 | 2024-04-09 | 商汤集团有限公司 | 数据管理方法及装置、电子设备和存储介质 |
CN113721581A (zh) * | 2021-07-20 | 2021-11-30 | 深圳市风云实业有限公司 | 一种基于关键路径的故障诊断显示装置及方法 |
CN115774855A (zh) * | 2021-09-06 | 2023-03-10 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
CN115278741B (zh) * | 2022-06-15 | 2024-06-18 | 清华大学 | 一种基于多模态数据依赖关系的故障诊断方法和装置 |
CN114968727B (zh) * | 2022-06-29 | 2023-02-10 | 北京柏睿数据技术股份有限公司 | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 |
CN115022231B (zh) * | 2022-06-30 | 2023-11-03 | 武汉烽火技术服务有限公司 | 一种基于深度强化学习的最优路径规划的方法和系统 |
CN115174355B (zh) * | 2022-07-26 | 2024-01-19 | 杭州东方通信软件技术有限公司 | 故障根因定位模型的生成方法,故障根因定位方法和装置 |
CN116055287A (zh) * | 2022-11-17 | 2023-05-02 | 烽火通信科技股份有限公司 | 一种传输设备故障根因自动定位的方法与装置 |
CN115589608B (zh) * | 2022-12-05 | 2023-03-07 | 合肥工业大学 | 物联网数据异常检测模型训练方法、异常检测方法和系统 |
CN116094981B (zh) * | 2022-12-09 | 2024-05-28 | 烽火通信科技股份有限公司 | 一种跨层业务的创建方法及相应的装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130783A (zh) * | 2011-01-24 | 2011-07-20 | 浪潮通信信息系统有限公司 | 神经网络的智能化告警监控方法 |
CN103378980A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种层网络告警与业务相关性分析方法和装置 |
CN106250288A (zh) * | 2016-07-29 | 2016-12-21 | 浪潮软件集团有限公司 | 一种基于数据挖掘的根告警分析识别方法 |
CN108600009A (zh) * | 2018-04-25 | 2018-09-28 | 北京思特奇信息技术股份有限公司 | 一种基于告警数据分析的网络告警根源定位方法 |
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、系统、存储介质及计算机设备 |
CN110493042A (zh) * | 2019-08-16 | 2019-11-22 | 中国联合网络通信集团有限公司 | 故障诊断方法、装置及服务器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570513B (zh) * | 2015-10-13 | 2019-09-13 | 华为技术有限公司 | 大数据网络系统的故障诊断方法和装置 |
-
2020
- 2020-02-06 CN CN202010081937.1A patent/CN111342997B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130783A (zh) * | 2011-01-24 | 2011-07-20 | 浪潮通信信息系统有限公司 | 神经网络的智能化告警监控方法 |
CN103378980A (zh) * | 2012-04-16 | 2013-10-30 | 中兴通讯股份有限公司 | 一种层网络告警与业务相关性分析方法和装置 |
CN106250288A (zh) * | 2016-07-29 | 2016-12-21 | 浪潮软件集团有限公司 | 一种基于数据挖掘的根告警分析识别方法 |
CN108600009A (zh) * | 2018-04-25 | 2018-09-28 | 北京思特奇信息技术股份有限公司 | 一种基于告警数据分析的网络告警根源定位方法 |
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、系统、存储介质及计算机设备 |
CN110493042A (zh) * | 2019-08-16 | 2019-11-22 | 中国联合网络通信集团有限公司 | 故障诊断方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111342997A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111342997B (zh) | 一种深度神经网络模型的构建方法、故障诊断方法及系统 | |
CN110445665B (zh) | 基于改进gsp的电力通信网络告警关联挖掘方法 | |
CN109787817A (zh) | 网络故障诊断方法、装置和计算机可读存储介质 | |
CN106932670B (zh) | 一种基于d-s证据理论的配电自动化终端状态诊断方法 | |
CN113189451A (zh) | 配电网故障定位研判方法、系统、计算机设备和存储介质 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN110032463A (zh) | 一种基于贝叶斯网络的系统故障定位方法和系统 | |
CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN114579407B (zh) | 一种因果关系检验和微服务指标预测报警方法 | |
CN109858140A (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN103914482B (zh) | 基于cmdb的集中监控事件影响性确定方法 | |
CN111126437A (zh) | 基于加权动态网络表示学习的异常群体检测方法 | |
CN107911762A (zh) | 一种基于决策树的onu故障诊断方法 | |
CN115865625A (zh) | 一种通信设备故障根因的分析方法和装置 | |
CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
TWI662809B (zh) | 影像串流服務的障礙定位系統及維運方法 | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
CN110213087A (zh) | 一种基于动态多层耦合网络的复杂系统故障定位方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
Zhang et al. | Root cause analysis of concurrent alarms based on random walk over anomaly propagation graph | |
CN113489602A (zh) | 基于数据挖掘的通信故障定位方法及系统 | |
CN115438093A (zh) | 一种电力通信设备故障判断方法与检测系统 | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 |
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 |