CN111580943A - 一种面向低时延边缘计算中多跳卸载的任务调度方法 - Google Patents

一种面向低时延边缘计算中多跳卸载的任务调度方法 Download PDF

Info

Publication number
CN111580943A
CN111580943A CN202010253532.1A CN202010253532A CN111580943A CN 111580943 A CN111580943 A CN 111580943A CN 202010253532 A CN202010253532 A CN 202010253532A CN 111580943 A CN111580943 A CN 111580943A
Authority
CN
China
Prior art keywords
tasks
task
computing
unloading
calculation
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
Application number
CN202010253532.1A
Other languages
English (en)
Other versions
CN111580943B (zh
Inventor
王玮
孟宪令
张朝阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010253532.1A priority Critical patent/CN111580943B/zh
Publication of CN111580943A publication Critical patent/CN111580943A/zh
Application granted granted Critical
Publication of CN111580943B publication Critical patent/CN111580943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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

Abstract

本发明公开了一种面向低时延边缘计算中多跳卸载的任务调度方法，属于通信领域。它的步骤为：获取移动终端待处理的计算任务负载、目标终端的计算任务负载、移动终端本地计算速度、计算卸载的通信速度等信息，基于背压式平均化发送节点与接收节点的负载的基本思想，把各类任务各类计算任务按照数据量和计算量的比例系数进行排序，采用多类计算任务间跨类别调度的方式，确定调度任务的平均比例系数，通过一维线性搜索得到本地计算任务调度策略和卸载任务调度策略。使边缘计算的通信与计算吞吐量最大，进而降低计算任务完成的总时延。本发明可以用于多跳移动边缘计算网络的计算卸载，以获得低时延完成计算任务的有益效果。

Description

一种面向低时延边缘计算中多跳卸载的任务调度方法
技术领域
本发明涉及无线通信领域，具体涉及一种面向低时延边缘计算中多跳卸载的任务调度方法。
背景技术
随着移动设备的普及和移动互联网的发展，未来将呈现万物互联的发展趋势，而物联网中海量的终端连接和实时的操控技术都离不开高效的通信技术，考虑到物联网中大部分设备本地的计算是有限的，要想可靠且快速的完成任务的分析处理，需要依靠具有丰富计算资源的云端来协助，由于网络带宽资源受限和云计算自身的集中式处理和远距离传输特性将会产生明显的高时延问题，因此利用移动基站大规模分布在终端用户和数据源附近，可以允许移动设备大规模接入到边缘服务器，从而实现计算卸载，降低计算时延。该网络架构具有节点规模大、离终端距离近、调度灵活等优点，能够较好的解决网络资源占用、高时延等问题。
为了克服计算资源对终端设备处理数据的限制，满足实时业务和用户对时延的基本需求，人们研究了以低时延为目标的移动边缘计算卸载问题。由于计算卸载是利用终端用户的通信能力换取卸载服务器的计算能力，因此在对计算任务进行选择和调度时需要同时考虑计算任务固有的数据量和计算量两种性质，同时，根据数据量和计算量的不同，计算任务将分为不同种类。在考虑移动终端和卸载服务器的计算过程时，影响任务计算速率的主要因素是任务的计算量；而在考虑移动终端和卸载服务器间的通信过程时，影响任务通信速率的主要因素是任务的数据量。
针对上述实际场景所考虑的问题，不同类型的计算任务在进行本地计算和多跳卸载时给节点带来不同的数据量和计算量的变化，因此有必要对网络内每个节点进行本地计算和计算卸载的任务调度，从而低时延完成计算任务。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种面向低时延边缘计算中多跳卸载的任务调度方法，通过最大化终端之间通信与计算吞吐量的基本思想，采用多类计算任务间跨类别调度的方式，对本地计算和计算卸载的计算任务进行选择与调度，使移动终端和卸载目标终端间的通信与计算吞吐量最大，进而降低计算任务完成的总时延。
面向低时延边缘计算中多跳卸载的任务调度方法，步骤如下：
在每个调度周期t开始前，获取移动终端i的待处理计算任务所包含的数据量
Figure BDA0002435852960000029
和计算量
Figure BDA0002435852960000021
目标卸载终端j的待处理计算任务所包含的总数据量Dj(t)和总计算量Uj(t)，移动终端进行本地计算的计算速率{ri(t)}和卸载通信速率{cij(t)}，其中
Figure BDA0002435852960000022
和
Figure BDA0002435852960000023
表示移动终端i的第k类计算任务所对应的数据量和计算量。
首先将移动终端i的各类计算任务按照数据量和计算量的比例系数γk从小到大的顺序进行排列得到任务列表。
本地计算的任务调度策略
Figure BDA0002435852960000024
的获得方法是按比例系数从小到大选择，所取任务数量不超过该种任务的待处理任务数量，直到本地计算的计算速率不能满足更多任务或者所有计算任务都被选择。
定义卸载平均比例系数βij(t)为
Figure BDA0002435852960000025
为了最大化边缘计算的通信与计算吞吐量，基于背压式平均化发送节点与接收节点的负载的基本思想，不考虑可选任务约束的情况下的最优卸载平均比例系数为
Figure BDA0002435852960000026
由于任务调度须满足单位时间内处理的任务数量不超过待处理任务数量，即
Figure BDA0002435852960000027
且
Figure BDA0002435852960000028
在上述约束条件下可得到最小卸载平均比例系数和最大卸载平均比例系数。最小卸载平均比例系数βij，min(t)通过在本地计算任务选择后剩下的任务中按比例系数从小到大选择，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择，这些任务的平均比例系数为最小卸载平均比例系数。类似的，最大卸载平均比例系数βij，max(t)通过在本地计算任务选择后剩下的任务中按比例系数从大到小选择，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择，这些任务的平均比例系数为最大卸载平均比例系数。考虑到上述约束，卸载平均比例系数βij(t)应选择为
Figure BDA0002435852960000031
在移动终端i的待处理计算任务按比例系数从小到大排列的任务列表中，除本地计算任务选择的任务外，在任务列表中从某个位置开始连续选择计算任务作为卸载的计算任务，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择。通过一维搜索列表中连续任务的开始位置，找到卸载任务的平均比例系数离βij(t)最近的一种卸载任务选择方案作为最终的卸载任务调度策略
Figure BDA0002435852960000032
本发明的有益效果：
本发明通过最大化移动终端和卸载目标终端间的通信与计算吞吐量，平衡移动终端和卸载目标终端的节点负载，设计出一种面向低时延边缘计算中多跳卸载的任务调度方法，考虑了移动终端和卸载目标终端各自的计算任务种类和负载情况，在本地计算任务调度和卸载任务调度两方面均作出了优化，最大化了通信与计算吞吐量，降低了计算任务处理总时延，有效平衡了节点间的计算负载。
附图说明
图1是面向低时延边缘计算中多跳卸载的任务调度系统模型；
图2是随着系统中节点平均功率的变化，本发明方法与其他对比方法控制下的平均队列负载的比较；
图3是随着系统中节点任务平均到达速率的变化，本发明方法与其他对比方法控制下的平均队列负载的比较；
图4是随着系统中信道质量的变化，本发明方法与其他对比方法控制下的平均队列负载的比较。
具体实施方式
以下结合附图和实施例进一步说明本发明。
面向低时延边缘计算中多跳卸载的任务调度方法模型如图1所示，每个移动终端具有不同类型的计算任务，不同类型的计算任务构成了计算负载和数据负载(图中单个节点的双重性质负载)，根据卸载目标终端的负载情况对自身的本地计算任务和卸载任务进行调度，本发明依据最大化终端间的计算与通信吞吐量，求得移动终端的最优任务调度方法。
一种面向低时延边缘计算中多跳卸载的任务调度方法，包括以下步骤：
步骤1：获取移动终端需要处理的计算任务所包含各类任务的数据量和计算量，目标卸载终端需要处理的计算任务的总数据量和总计算量，以及移动终端用于处理计算任务的本地计算速率和计算卸载速率等信息；
步骤2：根据上述信息定义最大化通信与计算吞吐量的优化问题；
步骤3：根据最大化通信与计算吞吐量的目标，选取相关比例系数最小的计算任务进行本地计算；
步骤4：根据最大化通信与计算吞吐量的目标，采用背压式控制策略，通过一维线性搜索，选取满足最优平均相关比例系数的计算任务进行计算卸载。
作为一个较好的实施例子，首先获取移动终端需要处理的计算任务所包含各类任务的数据量
Figure BDA0002435852960000041
和计算量
Figure BDA0002435852960000042
目标卸载终端需要处理的计算任务的总数据量Dj(t)和总计算量Uj(t)，以及移动终端用于处理计算任务的本地计算速率{ri(t)}和计算卸载速率{cij(t)}。根据移动终端和目标卸载终端的负载状态，建立以最小化李雅普诺夫偏移(即最大化通信与计算吞吐量)为目标的优化问题：
Figure BDA0002435852960000043
Figure BDA0002435852960000051
Figure BDA0002435852960000052
表示移动终端i的李雅普诺夫偏移，第一条和第二条约束条件表示本地计算速率和卸载速率约束，第三条约束条件表示任务分配可行约束，其需要保证对于任意类型的计算任务，一个时隙内的处理量不能超过原负载量，即
Figure BDA0002435852960000053
Figure BDA0002435852960000054
且
Figure BDA0002435852960000055
其中γk表示第k类计算任务的计算量与数据量的比。
对于上述优化问题，本地计算的任务调度策略
Figure BDA0002435852960000058
的获得方法是按比例系数从小到大选择，所取任务数量不超过该种任务的待处理任务数量，直到本地计算的计算速率不能满足更多任务或者所有计算任务都被选择。
定义卸载平均比例系数βij(t)为
Figure BDA0002435852960000056
为了最大化边缘计算的通信与计算吞吐量，基于背压式平均化发送节点与接收节点的负载的基本思想，不考虑可选任务约束的情况下的最优卸载平均比例系数为
Figure BDA0002435852960000057
由于任务调度须满足单位时间内处理的任务数量不超过待处理任务数量，在上述约束条件下可得到最小卸载平均比例系数和最大卸载平均比例系数。最小卸载平均比例系数βij，min(t)通过在本地计算任务选择后剩下的任务中按比例系数从小到大选择，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择，这些任务的平均比例系数为最小卸载平均比例系数。类似的，最大卸载平均比例系数βij，max(t)通过在本地计算任务选择后剩下的任务中按比例系数从大到小选择，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择，这些任务的平均比例系数为最大卸载平均比例系数。考虑到上述约束，卸载平均比例系数βij(t)应选择为
Figure BDA0002435852960000061
在移动终端i的待处理计算任务按比例系数从小到大排列的任务列表中，除本地计算任务选择的任务外，在任务列表中从某个位置开始连续选择计算任务作为卸载的计算任务，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择。通过一维搜索列表中连续任务的开始位置，找到卸载任务的平均比例系数离βij(t)最近的一种卸载任务选择方案作为最终的卸载任务调度策略
Figure BDA0002435852960000062
作为一个较好的实施例子，假设存在9个移动终端和3个边缘服务器组网情况下的随机网络，边缘服务器的计算能力是移动终端的100倍，系统中共存在5种独立不同的计算任务，各任务相关比例系数为[γ1，γ2，γ3，γ4，γ5]＝[0.1，0.2，1，5，10]，平均功率，平均任务到达速率，和信道质量在不作为调整变量时，分别设置为Pavg＝800mW，λ＝5数据包/秒，信道质量H＝100，通过计算机仿真运行100次以获取平均性能，每次仿真考虑500个时隙以保证系统稳定。
如图2、3、4所示，与三个常见算法，仅利用数据队列进行任务调度卸载(基于数据队列卸载)，仅利用计算队列进行任务调度卸载(基于计算队列卸载)和仅利用发送端队列信息进行任务调度卸载(自私卸载)相比，可以发现本方法相比其他三个基准算法都有比较大的性能提升，这是由于本发明可以基于各移动终端以及各MEC服务器的数据队列状态、计算队列状态以及信道状态，动态的对计算任务进行选择。具体的，本发明可以同时平衡发送端移动终端和接收端卸载目标终端的计算负载和数据负载，相比于仅利用数据量进行控制的算法和仅利用计算量进行控制的算法，本发明通过任务调度实现了两类负载的同时均衡，避免了大量数据和高密度计算在网络内个别节点的累积。
综合以上性能比较，本发明通过优化本地计算和卸载的任务调度在吞吐量性能和时延性能上优于只考虑计算任务某一类性质的对比方法，且在多跳大规模网络中优势突出。

Claims (2)

1.一种面向低时延边缘计算中多跳卸载的任务调度方法，其特征在于：包括如下步骤：
在每个调度周期t开始前，获取移动终端i的待处理计算任务所包含的数据量
Figure FDA0002435852950000011
和计算量
Figure FDA0002435852950000012
目标卸载终端j的待处理计算任务所包含的总数据量Dj(t)和总计算量Uj(t)，移动终端进行本地计算的计算速率{ri(t)}和卸载通信速率{cij(t)}，其中
Figure FDA0002435852950000013
和
Figure FDA0002435852950000014
表示移动终端i的第k类计算任务所对应的数据量和计算量；基于上述信息，将移动终端i的各类计算任务按照数据量和计算量的比例系数γk从小到大的顺序进行排列，得到本地计算任务调度策略
Figure FDA0002435852950000015
和卸载任务调度策略
Figure FDA0002435852950000016
2.根据权利要求1所述的方法,其特征在于：
所述的本地计算的任务调度策略
Figure FDA0002435852950000017
的获得方法是按比例系数从小到大选择，所取任务数量不超过该种任务的待处理任务数量，直到本地计算的计算速率不能满足更多任务或者所有计算任务都被选择；
定义卸载平均比例系数βij(t)为
Figure FDA0002435852950000018
为了最大化边缘计算的通信与计算吞吐量，基于背压式平均化发送节点与接收节点的负载的基本思想，不考虑可选任务约束的情况下的最优卸载平均比例系数为
Figure FDA0002435852950000021
任务调度须满足单位时间内处理的任务数量不超过待处理任务数量，即
Figure FDA0002435852950000022
且
Figure FDA0002435852950000023
在上述约束条件下可得到最小卸载平均比例系数和最大卸载平均比例系数；最小卸载平均比例系数βij,min(t)通过在本地计算任务选择后剩下的任务中按比例系数从小到大选择，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择，这些任务的平均比例系数为最小卸载平均比例系数；类似的，最大卸载平均比例系数βij,max(t)通过在本地计算任务选择后剩下的任务中按比例系数从大到小选择，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择，这些任务的平均比例系数为最大卸载平均比例系数；考虑到上述约束，卸载平均比例系数βij(t)应选择为
Figure FDA0002435852950000024
在移动终端i的待处理计算任务按比例系数从小到大排列的任务列表中，除本地计算任务选择的任务外，在任务列表中从某个位置开始连续选择计算任务作为卸载的计算任务，直到卸载通信速率cij(t)不能满足更多任务或者所有计算任务都被选择；通过一维搜索列表中连续任务的开始位置，找到卸载任务的平均比例系数离βij(t)最近的一种卸载任务选择方案作为最终的卸载任务调度策略
Figure FDA0002435852950000025
CN202010253532.1A 2020-04-01 2020-04-01 一种面向低时延边缘计算中多跳卸载的任务调度方法 Active CN111580943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010253532.1A CN111580943B (zh) 2020-04-01 2020-04-01 一种面向低时延边缘计算中多跳卸载的任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010253532.1A CN111580943B (zh) 2020-04-01 2020-04-01 一种面向低时延边缘计算中多跳卸载的任务调度方法

Publications (2)

Publication Number Publication Date
CN111580943A true CN111580943A (zh) 2020-08-25
CN111580943B CN111580943B (zh) 2023-03-14

Family

ID=72111684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010253532.1A Active CN111580943B (zh) 2020-04-01 2020-04-01 一种面向低时延边缘计算中多跳卸载的任务调度方法

Country Status (1)

Country Link
CN (1) CN111580943B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590339A (zh) * 2021-08-16 2021-11-02 重庆大学 一种面向批量计算任务的物联网终端协作方法
CN113766037A (zh) * 2021-11-10 2021-12-07 中南大学 面向大规模边缘计算系统的任务卸载控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130160017A1 (en) * 2011-12-14 2013-06-20 Robert Scott Hartog Software Mechanisms for Managing Task Scheduling on an Accelerated Processing Device (APD)
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN109905470A (zh) * 2019-02-18 2019-06-18 南京邮电大学 一种基于边缘网关系统的开销优化任务调度方法
CN109976909A (zh) * 2019-03-18 2019-07-05 中南大学 边缘计算网络中基于学习的低延时任务调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130160017A1 (en) * 2011-12-14 2013-06-20 Robert Scott Hartog Software Mechanisms for Managing Task Scheduling on an Accelerated Processing Device (APD)
CN108920280A (zh) * 2018-07-13 2018-11-30 哈尔滨工业大学 一种单用户场景下的移动边缘计算任务卸载方法
CN109905470A (zh) * 2019-02-18 2019-06-18 南京邮电大学 一种基于边缘网关系统的开销优化任务调度方法
CN109976909A (zh) * 2019-03-18 2019-07-05 中南大学 边缘计算网络中基于学习的低延时任务调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MENG XIANLING等: "Delay-constrained hybrid computation of-floading with cloud and fog computing", 《IEEE》 *
于博文等: "移动边缘计算任务卸载和基站关联协同决策问题研究", 《计算机研究与发展》 *
吴柳青等: "基于边-端协同的任务卸载资源分配联合优化算法", 《电信科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590339A (zh) * 2021-08-16 2021-11-02 重庆大学 一种面向批量计算任务的物联网终端协作方法
CN113590339B (zh) * 2021-08-16 2023-06-23 重庆大学 一种面向批量计算任务的物联网终端协作方法
CN113766037A (zh) * 2021-11-10 2021-12-07 中南大学 面向大规模边缘计算系统的任务卸载控制方法及系统
CN113766037B (zh) * 2021-11-10 2022-02-11 中南大学 面向大规模边缘计算系统的任务卸载控制方法及系统

Also Published As

Publication number Publication date
CN111580943B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN113950103B (zh) 一种移动边缘环境下多服务器完全计算卸载方法及系统
CN107995660B (zh) 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法
CN110087257B (zh) 一种支持移动边缘计算的任务卸载装置及方法
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN111475274B (zh) 云协同多任务调度方法及装置
CN113810233B (zh) 一种在随机网络中基于算网协同的分布式计算卸载方法
CN112600921A (zh) 一种面向异构移动边缘网络的动态任务卸载方法
CN111953758A (zh) 一种边缘网络计算卸载和任务迁移方法及装置
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
CN111163143B (zh) 一种面向移动边缘计算的低时延任务卸载方法
US20230421501A1 (en) Joint optimization method and system for delay and spectrum occupation in cloud-edge collaborative network
CN110519776B (zh) 一种雾计算系统中的均衡聚类和联合资源分配方法
CN112416603B (zh) 一种基于雾计算的联合优化系统和方法
CN111580943B (zh) 一种面向低时延边缘计算中多跳卸载的任务调度方法
CN109639833A (zh) 一种基于无线城域网微云负载均衡的任务调度方法
CN112000388A (zh) 基于多边缘集群协同的并发任务调度方法及装置
CN113918240A (zh) 任务卸载方法及装置
CN109151077A (zh) 一种基于目标导向的计算卸载方法
CN113992677A (zh) 一种延迟与能耗联合优化的mec计算卸载方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN112040512A (zh) 一种基于公平的雾计算任务卸载方法及系统
CN117579701A (zh) 一种移动边缘网络计算卸载方法及系统
CN113032146A (zh) 一种面向多接入边缘计算环境的健壮性服务供应方法
CN111162852B (zh) 一种基于匹配学习的泛在电力物联网接入方法
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法

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