CN112069028A - 一种异常检测方法 - Google Patents
一种异常检测方法 Download PDFInfo
- Publication number
- CN112069028A CN112069028A CN202010907880.6A CN202010907880A CN112069028A CN 112069028 A CN112069028 A CN 112069028A CN 202010907880 A CN202010907880 A CN 202010907880A CN 112069028 A CN112069028 A CN 112069028A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- performance index
- calculating
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000007635 classification algorithm Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000002955 isolation Methods 0.000 claims description 8
- 238000010162 Tukey test Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明一种异常检测方法,属于运行状态异常检测技术领域,包括S1,获取被监控设备的某个性能指标历史检测值进行数据处理,包括数据清洗、特征工程和数据标记;S2,根据历史标记数据训练回归模型和分类模型;S3,根据被监控设备的某个性能指标的历史检测值通过调用回归模型预测出将来一段时间的指标预测值,并形成该性能指标的动态基线;S4,根据该性能指标当前时刻的检测值与所述当前时刻的预测值确定当前时刻的差值、比值,生成对比特征标签,通过分类算法生成异常标记。本发明的有益效果是,能根据该性能指标当前时刻的检测值与所述当前时刻的预测值确定当前时刻的差值、比值,生成对比特征标签,通过分类算法生成异常标记。
Description
技术领域
本发明涉及运行状态异常检测技术领域,尤其涉及一种异常检测方法。
背景技术
随着信息技术的发展,各种应用、网站层出不穷,对计算设备的性能提出了更高的要求。对各项性能指标进行监控,实时获取计算设备的运行状态并排查异常,是提高其计算性能的必要步骤。一般来说,监控的性能指标包括CPU利用率、吞吐量、响应时间,等等。
现有的技术方案中多采用阈值来进行异常检测,即针对某个性能指标设置固定的阈值,若性能指标的检测值超出阈值范围,则判定该检测值为异常值。在上述方法中,阈值的取值对异常检测的准确性有很大的影响,然而对于阈值的设置却缺少系统的方法,导致该异常检测方法往往准确性不高。此外,需要对不同的性能指标分别设置阈值,费时费力。
发明内容
本发明的目的是提供一种异常检测方法,已解决现有技术中因阈值的取值对异常检测的准确性有很大的影响问题,同时,由于对于阈值的设置却缺少系统的方法,导致该异常检测方法往往准确性不高的问题。
为实现上述目的,本发明提出一种异常检测方法,包括以下步骤:
S1,获取被监控设备的某个性能指标历史检测值进行数据处理,包括数据清洗、特征工程和数据标记;
S2,根据历史标记数据训练回归模型和分类模型;
S3,根据被监控设备的某个性能指标的历史检测值通过调用回归模型预测出将来一段时间的指标预测值,并形成该性能指标的动态基线;
S4,根据该性能指标当前时刻的检测值与所述当前时刻的预测值确定当前时刻的差值、比值,生成对比特征标签,通过分类算法生成异常标记。
优选地,所述S1中的数据标记工作采用3-sigema算法和Tukey’s Test算法实现。
优选地,所述3-sigema算法包括以下步骤:
S31,根据被监控设备的某个性能指标历史检测值计算数据列的平均值;
S32,根据历史检测值的平均值计算数据列的标准差;
S33,比较数据列中的每个值与平均值的排查是否超过3倍的标准差,标记是否是异常值。
优选地,所述Tukey’s Test算法包括以下步骤:
S41,根据被监控设备的某个性能指标历史检测值升序排序,得到历史检测值有序队列;
S42,根据有序队列计算出数据列的中位数;
S43,根据有序队列计算出数据列的下四分位,数据列中最小的25%的数据在这个点以下;
S44,根据有序队列计算出数据列的上四分位,数据列中最大的25%数据都在这个点以上;
S45,根据上四分位和下四分位的差乘以1.5得到值a,上四分位加上a得到上围,下四分位减去a得到下围,从而得到数据列的两个内围值;
S46,根据内围与数据列中的每个值比对,在内围值外的值为异常值,从而标记出异常值。
优选地,所述S2中采用LightGBM算法构建回归模型。
优选地,所述LightGBM算法包括以下步骤:
S61,根据被监控设备的某个性能指标历史检测值计算数据列划分为N个不同的区域,再求得每个区域的常识值c;
S62,根据每个区域的常识值c确定数据具体的切分点;
S63,根据每个区域的切分点求得回归树公式;
S64,根据回归树公式拟合训练数据得到数据残差;
S65,根据数据残差计算训练数据的平方损失差;
S66,根据你和数据的平方损失误差循环以上步骤得到回归树公式T2、T3...Tn;
S67,根据Tn你和训练数据的平方损失误差满足误差要求时,得到回归树公式Tn。
优选地,所述S61采用以下公式求得每个区域的常识值c:
所述S62采用以下公式:
所述S65采用以下公式:
所述S67采用以下公式:
优选地,所述S2中采用Isolation Forest算法和One Class SVM算法构建分类模型,Isolation Forest算法包括以下步骤:
S81,根据被监控设备的某个性能指标历史检测值计算数据列训练出T棵孤立树;
S82,根据孤立树将每个监测值带入森林中的每棵孤立树中,计算平均高度;
S83,根据平均高度再计算每个样本点的异常值分数。
优选地,所述S81采用以下公式:
所述S83根据平均高度再计算每个样本点的异常值分数所用公式如下:
其中:
优选地,One Class SVM算法包括:
S11,根据被监控设备的某个性能指标历史检测值数据列计算出数据的中心样本;所述S11采用如下公式:
S12,根据数据的展现样本计算出检测值数据列中每个样本数据距离中心的距离,距离大于样本半径的为异常样本;所述S12采用如下公式:
本发明中的有益效果为:
本发明采用3-sigema算法和Tukey’s Test算法进行数据标记;根据历史标记数据训练回归模型和分类模型,采用LightGBM算法构建回归模型,采用Isolation Forest算法和OneClass SVM算法构建分类模型;根据被监控设备的某个性能指标的历史检测值通过调用回归模型预测出将来一段时间(一天、一周)的指标预测值,并形成该性能指标的动态基线;根据该性能指标当前时刻的检测值与所述当前时刻的预测值确定当前时刻的差值、比值,生成对比特征标签,通过分类算法生成异常标记。
附图说明
图1为本发明提出的一种异常检测方法的历史检测值有序队列图;
图2为本发明提出的一种异常检测方法的异常值标记图。
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,而不是全部的实施例。
参照图1-2,一种异常检测方法,在根据本发明的异常检测方法中,获取被监控设备的某个性能指标历史检测值进行数据处理步骤中的数据标记工作采用3-sigema算法和Tukey’s Test算法实现。
本发明中,在根据本发明的异常检测方法中,3-sigema算法包括:根据被监控设备的某个性能指标历史检测值计算数据列的平均值;根据历史检测值的平均值计算数据列的标准差;根据比较数据列中的每个值与平均值的排查是否超过3倍的标准差,标记是否是异常值。
本发明中,在根据本发明的异常检测方法中,Tukey’s Test算法包括:根据被监控设备的某个性能指标历史检测值升序排序,得到历史检测值有序队列;根据有序队列计算出数据列的中位数;根据有序队列计算出数据列的下四分位,数据列中最小的25%的数据在这个点以下;根据有序队列计算出数据列的上四分位,数据列中最大的25%数据都在这个点以上;根据上四分位和下四分位的差乘以1.5得到值a,上四分位加上a得到上围,下四分位减去a得到下围,从而得到数据列的两个内围值;根据内围与数据列中的每个值比对,在内围值外的值为异常值,从而标记出异常值。
本发明中,在根据本发明的异常检测方法中,根据历史标记数据训练预测模型步骤采用LightGBM算法构建回归模型。
本发明中,在根据本发明的异常检测方法中,LightGBM算法包括:根据被监控设备的某个性能指标历史检测值计算数据列划分为N个不同的区域,再求得每个区域的常识值c;根据每个区域的常识值c确定数据具体的切分点;根据每个区域的切分点求得回归树公式;根据回归树公式拟合训练数据得到数据残差;根据数据残差计算训练数据的平方损失差;根据你和数据的平方损失误差循环以上步骤得到回归树公式T2、T3...Tn;根据Tn你和训练数据的平方损失误差满足误差要求时,得到回归树公式Tn。
本发明中,所述根据被监控设备的某个性能指标历史检测值计算数据列划分为N个不同的区域,再求得每个区域的常识值c步骤采用以下公式:
本发明中,所述根据每个区域的常识值c确定数据具体的切分点步骤采用以下公式:
本发明中,所述根据数据残差计算训练数据的平方损失差步骤可采用以下公式:
本发明中,所述根据你和数据的平方损失误差循环以上步骤得到回归树公式T2、T3...Tn;根据Tn你和训练数据的平方损失误差满足误差要求时,得到回归树公式Tn步骤可采用以下公式:
本发明中,在根据本发明的异常检测方法中,根据历史标记数据训练异常检测模型步骤采用Isolation Forest算法和One Class SVM算法构建异常检测模型。
本发明中,在根据本发明的异常检测方法中,Isolation Forest算法包括:根据被监控设备的某个性能指标历史检测值计算数据列训练出T棵孤立树;根据孤立树将每个监测值带入森林中的每棵孤立树中,计算平均高度;根据平均高度再计算每个样本点的异常值分数。
本发明中,所述根据被监控设备的某个性能指标历史检测值计算数据列训练出T棵孤立树步骤所用公式如下:
本发明中,所述根据平均高度再计算每个样本点的异常值分数所用公式如下:
其中:
本发明中,在根据本发明的异常检测方法中,One Class SVM算法包括:根据被监控设备的某个性能指标历史检测值数据列计算出数据的中心样本;根据数据的展现样本计算出检测值数据列中每个样本数据距离中心的距离,距离大于样本半径的为异常样本。
本发明中,所述根据被监控设备的某个性能指标历史检测值数据列计算出数据的中心样本步骤所用公式如下:
本发明中,所述根据数据的展现样本计算出检测值数据列中每个样本数据距离中心的距离,距离大于样本半径的为异常样本步骤所用公式如下:
本发明中,根据被监控设备的某个性能指标的历史检测值通过调用回归模型预测出将来一段时间(一天、一周)的指标预测值,并形成该性能指标的动态基线步骤采用LightGBM算法训练的回归树模型生成的动态基线检测值,将动态基线检测值载入到运维中台中,以作为异常检测的动态标准。
本发明中前时刻的差值、比值,生成对比特征标签,通过分类算法生成异常标记步骤采用了Isolation Forest算法和One Class SVM算法构建的异常检测模型中,生成指标检测值的异常对比特征标签并加载到运维数据中台中,以作为告警信息的异常故障内容。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种异常检测方法,其特征在于,包括以下步骤:
S1,获取被监控设备的某个性能指标历史检测值进行数据处理,包括数据清洗、特征工程和数据标记;
S2,根据历史标记数据训练回归模型和分类模型;
S3,根据被监控设备的某个性能指标的历史检测值通过调用回归模型预测出将来一段时间的指标预测值,并形成该性能指标的动态基线;
S4,根据该性能指标当前时刻的检测值与所述当前时刻的预测值确定当前时刻的差值、比值,生成对比特征标签,通过分类算法生成异常标记。
2.根据权利要求1所述的异常检测方法,其特征在于,所述S1中的数据标记工作采用3-sigema算法和Tukey’s Test算法实现。
3.根据权利要求2所述的异常检测方法,其特征在于,所述3-sigema算法包括以下步骤:
S31,根据被监控设备的某个性能指标历史检测值计算数据列的平均值;
S32,根据历史检测值的平均值计算数据列的标准差;
S33,比较数据列中的每个值与平均值的排查是否超过3倍的标准差,标记是否是异常值。
4.根据权利要求2所述的异常检测方法,其特征在于,所述Tukey’s Test算法包括以下步骤:
S41,根据被监控设备的某个性能指标历史检测值升序排序,得到历史检测值有序队列;
S42,根据有序队列计算出数据列的中位数;
S43,根据有序队列计算出数据列的下四分位,数据列中最小的25%的数据在这个点以下;
S44,根据有序队列计算出数据列的上四分位,数据列中最大的25%数据都在这个点以上;
S45,根据上四分位和下四分位的差乘以1.5得到值a,上四分位加上a得到上围,下四分位减去a得到下围,从而得到数据列的两个内围值;
S46,根据内围与数据列中的每个值比对,在内围值外的值为异常值,从而标记出异常值。
5.根据权利要求1所述的异常检测方法,其特征在于,所述S2中采用LightGBM算法构建回归模型。
6.根据权利要求5所述的异常检测方法,其特征在于,所述LightGBM算法包括以下步骤:
S61,根据被监控设备的某个性能指标历史检测值计算数据列划分为N个不同的区域,再求得每个区域的常识值c;
S62,根据每个区域的常识值c确定数据具体的切分点;
S63,根据每个区域的切分点求得回归树公式;
S64,根据回归树公式拟合训练数据得到数据残差;
S65,根据数据残差计算训练数据的平方损失差;
S66,根据你和数据的平方损失误差循环以上步骤得到回归树公式T2、T3...Tn;
S67,根据Tn你和训练数据的平方损失误差满足误差要求时,得到回归树公式Tn。
8.根据权利要求1所述的异常检测方法,其特征在于,所述S2中采用Isolation Forest算法和One Class SVM算法构建分类模型,Isolation Forest算法包括以下步骤:
S81,根据被监控设备的某个性能指标历史检测值计算数据列训练出T棵孤立树;
S82,根据孤立树将每个监测值带入森林中的每棵孤立树中,计算平均高度;
S83,根据平均高度再计算每个样本点的异常值分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907880.6A CN112069028B (zh) | 2020-09-02 | 2020-09-02 | 一种异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907880.6A CN112069028B (zh) | 2020-09-02 | 2020-09-02 | 一种异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069028A true CN112069028A (zh) | 2020-12-11 |
CN112069028B CN112069028B (zh) | 2024-07-12 |
Family
ID=73665194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010907880.6A Active CN112069028B (zh) | 2020-09-02 | 2020-09-02 | 一种异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069028B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114116431A (zh) * | 2022-01-25 | 2022-03-01 | 深圳市明源云科技有限公司 | 系统运行健康检测方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160219067A1 (en) * | 2015-01-28 | 2016-07-28 | Korea Internet & Security Agency | Method of detecting anomalies suspected of attack, based on time series statistics |
CN106324273A (zh) * | 2015-06-18 | 2017-01-11 | 上海金艺检测技术有限公司 | 角速度检测装置及其角速度数据的处理方法 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109440515A (zh) * | 2018-11-30 | 2019-03-08 | 华南理工大学 | 一种基于梯度增强回归树的造纸过程打浆度软测量方法 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
-
2020
- 2020-09-02 CN CN202010907880.6A patent/CN112069028B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160219067A1 (en) * | 2015-01-28 | 2016-07-28 | Korea Internet & Security Agency | Method of detecting anomalies suspected of attack, based on time series statistics |
CN106324273A (zh) * | 2015-06-18 | 2017-01-11 | 上海金艺检测技术有限公司 | 角速度检测装置及其角速度数据的处理方法 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109440515A (zh) * | 2018-11-30 | 2019-03-08 | 华南理工大学 | 一种基于梯度增强回归树的造纸过程打浆度软测量方法 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114116431A (zh) * | 2022-01-25 | 2022-03-01 | 深圳市明源云科技有限公司 | 系统运行健康检测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112069028B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111475804B (zh) | 一种告警预测方法及系统 | |
US10599501B2 (en) | Information processing device, information processing method, and recording medium | |
CN110378386B (zh) | 基于有监督的无标记异常识别方法、装置及存储介质 | |
CN109543765A (zh) | 一种基于改进IForest的工业数据去噪方法 | |
CN104317681A (zh) | 针对计算机系统的行为异常自动检测方法及检测系统 | |
CN114386538B (zh) | 一种标记监测指标的kpi曲线的波段特征的方法 | |
CN111367777A (zh) | 告警处理的方法、装置、设备及计算机可读存储介质 | |
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 | |
CN114338195A (zh) | 基于改进孤立森林算法的web流量异常检测方法及装置 | |
CN106354125A (zh) | 一种利用分块pca检测化工过程故障的方法 | |
CN110413703A (zh) | 基于人工智能的监控指标数据的分类方法及相关设备 | |
CN110673568B (zh) | 玻璃纤维制造业工业设备故障顺序确定方法及系统 | |
CN112069028A (zh) | 一种异常检测方法 | |
CN116708038A (zh) | 基于资产测绘的工业互联网企业网络安全威胁识别方法 | |
CN116523284A (zh) | 基于机器学习的业务操作流程自动化评估方法、系统 | |
CN117791856B (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
CN109918901A (zh) | 实时检测基于Cache攻击的方法 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN117389779A (zh) | 一种微服务故障根因定位方法 | |
Flotzinger et al. | Building inspection toolkit: Unified evaluation and strong baselines for damage recognition | |
CN116756659A (zh) | 智能运维管理方法、装置、设备及存储介质 | |
CN108761250B (zh) | 一种基于工控设备电压电流的入侵检测方法 | |
CN116662466A (zh) | 通过大数据进行土地全生命周期维护系统 | |
CN116723157A (zh) | 终端行为检测模型构建方法、装置、设备和存储介质 | |
TWI639908B (zh) | 製程偵錯與診斷方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 210046 building D15, Nanjing Zidong International Creative Park, No.2, Zidong Road, Maqun street, Qixia District, Nanjing City, Jiangsu Province Applicant after: Jiangsu Zhenyun Technology Co.,Ltd. Address before: 210000 building D15, Nanjing Zidong International Creative Park, No.2, Zidong Road, Maqun street, Qixia District, Nanjing City, Jiangsu Province Applicant before: Jiangsu Dakoyun Data Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |