CN112235164A - 一种基于控制器的神经网络流量预测装置 - Google Patents
一种基于控制器的神经网络流量预测装置 Download PDFInfo
- Publication number
- CN112235164A CN112235164A CN202011226869.XA CN202011226869A CN112235164A CN 112235164 A CN112235164 A CN 112235164A CN 202011226869 A CN202011226869 A CN 202011226869A CN 112235164 A CN112235164 A CN 112235164A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- model
- kernel module
- sdn controller
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 29
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
- H04L41/0631—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
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于控制器的神经网络流量预测装置,该装置由x86架构的硬件平台及神经网络内核模块组成,硬件平台用于提供承载神经网络内核模块的操作系统;神经网络内核模块包括:SDN控制器、模型管理器、神经网络搭建平台。通过实施本发明,使得用户可以根据不同的网络应用场景灵活的选择使用的神经网络模型,并且利用SDN控制器采集历史网络流量数据及历史故障信息对神经网络模型进行训练及参数的调整,得到网络流量预测模型,然后利用该网络流量预测模型对实时网络流量进行预测,使网络流量工程、流量调优从“事后”变为“事前”极大提高系统运维的效率,提升网络管控智能化水平。
Description
技术领域
本发明涉及通信网络技术领域,具体涉及一种基于控制器的神经网络流量预测装置。
背景技术
随着通信网络技术及业务的迅猛发展,通信网络的用户数量以及用户对业务的流量需求急剧增加,但网络部署复杂、网络架构垂直且封闭以及电信业务总量与收入不匹配等诸多问题使得当今的网络面临着巨大挑战。软件定义网络(Software DefinedNetworking,SDN)架构的出现和发展极大地推进了通信网络架构从自动化向智能化的演进。而人工智能的迅速发展也为网络智能化提供了高效的手段。由于,通信网络的数据量与日俱增,因此,急需一种可以适应各类网络应用场景可灵活定制的网络流量预测装置对网络中的流量进行预测,以优化和提升整个通信网络的性能。
发明内容
有鉴于此,本发明实施例提供了一种基于控制器的神经网络流量预测装置以克服现有技术中网络流量预测方式难以适应不同网络应用场景的问题。
本发明实施例提供了一种基于控制器的神经网络流量预测装置,所述基于控制器的神经网络流量预测装置由x86架构的硬件平台及神经网络内核模块组成,
所述硬件平台用于提供承载所述神经网络内核模块的操作系统;
所述神经网络内核模块包括:SDN控制器、模型管理器、神经网络搭建平台,其中,
所述神经网络搭建平台用于根据用户操作信号确定神经网络模型,并将所述神经网络模型发送至所述模型管理器;
所述SDN控制器与各外部网络设备连接,用于采集各外部网络设备的历史网络流量数据及历史故障告警信息,并将所述历史网络流量数据及历史故障告警信息作为训练集发送至模型管理模块;
所述模型管理器用于采用所述训练集对所述神经网络模型进行模型训练,得到网络流量预测模型;
所述SDN控制器还用于采集各外部网络设备的实时流量数据,并将所述实时流量数据发送至所述模型管理器,
所述模型管理器还用于将所述实时流量数据输入至所述网络流量预测模型,得到故障告警信息,并将所述故障告警信息通过所述SDN控制器下发至网络转发设备。
可选地,所述硬件平台的操作系统为Linux系统。
可选地,所述硬件平台的网卡采用DPDK技术进行编译和绑定。
可选地,所述神经网络搭建平台为Tensroflow平台。
可选地,所述装置还包括:操作前台,所述操作前台与所述神经网络内核模块连接,用于建立用户与所述神经网络内核模块的交互。
可选地,所述装置还包括:数据库,所述数据库分别与所述操作前台及所述神经网络内核模块连接,用于存储用户的操作指令、训练集、网络流量预测模型及故障告警信息。
本发明技术方案,具有如下优点:
本发明实施例提供的基于控制器的神经网络流量预测装置,由x86架构的硬件平台及神经网络内核模块组成,硬件平台用于提供承载神经网络内核模块的操作系统;神经网络内核模块包括:SDN控制器、模型管理器、神经网络搭建平台,其中,神经网络搭建平台用于根据用户操作信号确定神经网络模型,并将神经网络模型发送至模型管理器;SDN控制器与各外部网络设备连接,用于采集各外部网络设备的历史网络流量数据及历史故障告警信息,并将历史网络流量数据及历史故障告警信息作为训练集发送至模型管理模块;模型管理器用于采用训练集对神经网络模型进行模型训练,得到网络流量预测模型;SDN控制器还用于采集各外部网络设备的实时流量数据,并将实时流量数据发送至模型管理器,模型管理器还用于将实时流量数据输入至网络流量预测模型,得到故障告警信息,并将故障告警信息通过SDN控制器下发至网络转发设备。从而使得用户可以根据不同的网络应用场景灵活的选择使用的神经网络模型,并且利用SDN控制器采集历史网络流量数据及历史故障信息对神经网络模型进行训练及参数的调整,得到网络流量预测模型,然后利用该网络流量预测模型对实时网络流量进行预测,使网络流量工程、流量调优从“事后”变为“事前”极大提高系统运维的效率,提升网络管控智能化水平。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,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为本发明实施例的基于控制器的神经网络流量预测装置结构示意图;
图2为本发明实施例的基于控制器的神经网络流量预测装置的另一结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作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。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
图1示出了根据本发明实施例的一种基于控制器的神经网络流量预测装置的结构示意图,如图1所示,该基于控制器的神经网络流量预测装置由x86架构的硬件平台1及神经网络内核模块2组成,硬件平台1用于提供承载神经网络内核模块2的操作系统。如图2所示,上述的神经网络内核模块2具体包括:SDN控制器101、模型管理器102、神经网络搭建平台103,其中,神经网络搭建平台103用于根据用户操作信号确定神经网络模型,并将神经网络模型发送至模型管理器102;SDN控制器101与各外部网络设备连接,用于采集各外部网络设备的历史网络流量数据及历史故障告警信息,并将历史网络流量数据及历史故障告警信息作为训练集发送至模型管理模块;模型管理器102用于采用训练集对神经网络模型进行模型训练,得到网络流量预测模型;SDN控制器101还用于采集各外部网络设备的实时流量数据,并将实时流量数据发送至模型管理器102,模型管理器102还用于将实时流量数据输入至网络流量预测模型,得到故障告警信息,并将故障告警信息通过SDN控制器101下发至网络转发设备。其中,模型管理器102所实现的功能可以采用现有技术中的相关技术来实现,在此不再进行赘述。
通过上述各个组成部分的协同合作,本发明实施例提供的基于控制器的神经网络流量预测装置,由x86架构的硬件平台及神经网络内核模块组成,硬件平台用于提供承载神经网络内核模块的操作系统;神经网络内核模块包括:SDN控制器、模型管理器、神经网络搭建平台,其中,神经网络搭建平台用于根据用户操作信号确定神经网络模型,并将神经网络模型发送至模型管理器;SDN控制器与各外部网络设备连接,用于采集各外部网络设备的历史网络流量数据及历史故障告警信息,并将历史网络流量数据及历史故障告警信息作为训练集发送至模型管理模块;模型管理器用于采用训练集对神经网络模型进行模型训练,得到网络流量预测模型;SDN控制器还用于采集各外部网络设备的实时流量数据,并将实时流量数据发送至模型管理器,模型管理器还用于将实时流量数据输入至网络流量预测模型,得到故障告警信息,并将故障告警信息通过SDN控制器下发至网络转发设备。从而使得用户可以根据不同的网络应用场景灵活的选择使用的神经网络模型,并且利用SDN控制器采集历史网络流量数据及历史故障信息对神经网络模型进行训练及参数的调整,得到网络流量预测模型,然后利用该网络流量预测模型对实时网络流量进行预测,使网络流量工程、流量调优从“事后”变为“事前”极大提高系统运维的效率,提升网络管控智能化水平。
具体地,在一实施例中,上述的硬件平台1的操作系统为Linux系统,在本发明实施例中采用采用的CentOS 8作为该神经网络内核模块2的承载操作系统,在实际应用中,也可以采用其他版本的Linux系统,本发明并不以此为限。
具体地,在一实施例中,硬件平台1的网卡采用DPDK技术进行编译和绑定,在本发明实施例中该硬件平台1使用的DPDK版本为20.08,在实际应用中,也可以采用其他版本的Linux系统,本发明并不以此为限。
具体地,在一实施例中,上述的神经网络搭建平台103为Tensroflow平台,用户可以基于Tensorflow平台自建神经网络模型,也可以通过该Tensorflow平台选择现有的神经网络模型,并进行相关参数的配置。
具体地,在一实施例中,如图2所示(硬件平台1在图2中未示出),上述的基于控制器的神经网络流量预测装置还包括:操作前台3,操作前台3与神经网络内核模块2连接,用于建立用户与神经网络内核模块2的交互。例如:用户可通过操作前台3的用户界面进行神经网络模型的选择及相关参数的配置,然后操作前台3将用户操作信息反馈至神经网络内核模块2。此外,该操作前台3的用户界面还可以实时显示神经网络内核模块2中不同运行阶段的各类参数或数据,例如:实时向用户汇报神经网络模型在训练过程中参数的变化情况或模型训练是否出现异常等。此外,当神经网络模型训练过程被网络管理人员通过用户界面主动叫停或者由于异常被动停止时,管理员可以通过该用户界面删除模型操作使该模型重新进入配置阶段,进而开启新一轮的模型训练。本发明并不以此为限。
具体地,在一实施例中,如图2所示,上述的基于控制器的神经网络流量预测装置还包括:数据库4,数据库4分别与操作前台3及神经网络内核模块2连接,用于存储用户的操作指令、训练集、网络流量预测模型及故障告警信息。在实际应用中,在没有网络流量预测需求时,上述的SDN控制器101可以实时采集各外部网络设备的网络流量数据及故障告警信息,并将这些数据作为训练集存储于数据库4中,以便于后续有网络流量预测需求时,提供充足的数据训练样本,并且,数据库4中存储的训练集还可以根据不同的网络应用场景进行分别存储,以实现对不同网络应用场景下网络流量的预测能力。此外,数据库4也可以按照不同的网络应用场景存储网络流量预测模型,后续有相同网络应用场景的网络流量预测需求时,可以直接调用,无需用户重新配置神经网络模型进行训练,随着网络流量预测模型的使用时间及应用场景的变化使得整个基于控制器的神经网络流量预测装置使用越来越灵活和便捷。
通过上述各个组成部分的协同合作,本发明实施例提供的基于控制器的神经网络流量预测装置,由x86架构的硬件平台及神经网络内核模块组成,硬件平台用于提供承载神经网络内核模块的操作系统;神经网络内核模块包括:SDN控制器、模型管理器、神经网络搭建平台,其中,神经网络搭建平台用于根据用户操作信号确定神经网络模型,并将神经网络模型发送至模型管理器;SDN控制器与各外部网络设备连接,用于采集各外部网络设备的历史网络流量数据及历史故障告警信息,并将历史网络流量数据及历史故障告警信息作为训练集发送至模型管理模块;模型管理器用于采用训练集对神经网络模型进行模型训练,得到网络流量预测模型;SDN控制器还用于采集各外部网络设备的实时流量数据,并将实时流量数据发送至模型管理器,模型管理器还用于将实时流量数据输入至网络流量预测模型,得到故障告警信息,并将故障告警信息通过SDN控制器下发至网络转发设备。从而使得用户可以根据不同的网络应用场景灵活的选择使用的神经网络模型,并且利用SDN控制器采集历史网络流量数据及历史故障信息对神经网络模型进行训练及参数的调整,得到网络流量预测模型,然后利用该网络流量预测模型对实时网络流量进行预测,使网络流量工程、流量调优从“事后”变为“事前”极大提高系统运维的效率,提升网络管控智能化水平。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (6)
1.一种基于控制器的神经网络流量预测装置,其特征在于,所述基于控制器的神经网络流量预测装置由x86架构的硬件平台及神经网络内核模块组成,
所述硬件平台用于提供承载所述神经网络内核模块的操作系统;
所述神经网络内核模块包括:SDN控制器、模型管理器、神经网络搭建平台,其中,
所述神经网络搭建平台用于根据用户操作信号确定神经网络模型,并将所述神经网络模型发送至所述模型管理器;
所述SDN控制器与各外部网络设备连接,用于采集各外部网络设备的历史网络流量数据及历史故障告警信息,并将所述历史网络流量数据及历史故障告警信息作为训练集发送至模型管理模块;
所述模型管理器用于采用所述训练集对所述神经网络模型进行模型训练,得到网络流量预测模型;
所述SDN控制器还用于采集各外部网络设备的实时流量数据,并将所述实时流量数据发送至所述模型管理器,
所述模型管理器还用于将所述实时流量数据输入至所述网络流量预测模型,得到故障告警信息,并将所述故障告警信息通过所述SDN控制器下发至网络转发设备。
2.根据权利要求1所述的装置,其特征在于,所述硬件平台的操作系统为Linux系统。
3.根据权利要求2所述的装置,其特征在于,所述硬件平台的网卡采用DPDK技术进行编译和绑定。
4.根据权利要求1所述的装置,其特征在于,所述神经网络搭建平台为Tensroflow平台。
5.根据权利要求1所述的装置,其特征在于,还包括:操作前台,所述操作前台与所述神经网络内核模块连接,用于建立用户与所述神经网络内核模块的交互。
6.根据权利要求5所述的装置,其特征在于,还包括:数据库,所述数据库分别与所述操作前台及所述神经网络内核模块连接,用于存储用户的操作指令、训练集、网络流量预测模型及故障告警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011226869.XA CN112235164A (zh) | 2020-11-05 | 2020-11-05 | 一种基于控制器的神经网络流量预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011226869.XA CN112235164A (zh) | 2020-11-05 | 2020-11-05 | 一种基于控制器的神经网络流量预测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112235164A true CN112235164A (zh) | 2021-01-15 |
Family
ID=74122203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011226869.XA Pending CN112235164A (zh) | 2020-11-05 | 2020-11-05 | 一种基于控制器的神经网络流量预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112235164A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113904948A (zh) * | 2021-11-12 | 2022-01-07 | 福州大学 | 基于跨层的多维参数的5g网络带宽预测系统及方法 |
CN114157718A (zh) * | 2021-11-12 | 2022-03-08 | 国网冀北电力有限公司信息通信分公司 | 一种sdn网络系统及sdn网络系统的控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106817363A (zh) * | 2016-12-24 | 2017-06-09 | 国网江苏省电力公司信息通信分公司 | 基于神经网络的智能电表异常检测方法 |
CN108809974A (zh) * | 2018-06-07 | 2018-11-13 | 深圳先进技术研究院 | 一种网络异常识别检测方法及装置 |
US20190349287A1 (en) * | 2018-05-10 | 2019-11-14 | Dell Products L. P. | System and method to learn and prescribe optimal network path for sdn |
CN111371644A (zh) * | 2020-02-28 | 2020-07-03 | 山东工商学院 | 基于gru的多域sdn网络流量态势预测方法及系统 |
CN213126061U (zh) * | 2020-11-05 | 2021-05-04 | 全球能源互联网研究院有限公司 | 一种基于控制器的神经网络流量预测装置 |
-
2020
- 2020-11-05 CN CN202011226869.XA patent/CN112235164A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106817363A (zh) * | 2016-12-24 | 2017-06-09 | 国网江苏省电力公司信息通信分公司 | 基于神经网络的智能电表异常检测方法 |
US20190349287A1 (en) * | 2018-05-10 | 2019-11-14 | Dell Products L. P. | System and method to learn and prescribe optimal network path for sdn |
CN108809974A (zh) * | 2018-06-07 | 2018-11-13 | 深圳先进技术研究院 | 一种网络异常识别检测方法及装置 |
CN111371644A (zh) * | 2020-02-28 | 2020-07-03 | 山东工商学院 | 基于gru的多域sdn网络流量态势预测方法及系统 |
CN213126061U (zh) * | 2020-11-05 | 2021-05-04 | 全球能源互联网研究院有限公司 | 一种基于控制器的神经网络流量预测装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113904948A (zh) * | 2021-11-12 | 2022-01-07 | 福州大学 | 基于跨层的多维参数的5g网络带宽预测系统及方法 |
CN114157718A (zh) * | 2021-11-12 | 2022-03-08 | 国网冀北电力有限公司信息通信分公司 | 一种sdn网络系统及sdn网络系统的控制方法 |
CN114157718B (zh) * | 2021-11-12 | 2023-07-25 | 国网冀北电力有限公司信息通信分公司 | 一种sdn网络系统及sdn网络系统的控制方法 |
CN113904948B (zh) * | 2021-11-12 | 2023-11-03 | 福州大学 | 基于跨层的多维参数的5g网络带宽预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6012152A (en) | Software fault management system | |
CN111741073B (zh) | 基于5g通信网络的电力数据传输系统 | |
CN112929187B (zh) | 网络切片管理方法、装置和系统 | |
CN110891283A (zh) | 一种基于边缘计算模型的小基站监控装置及方法 | |
CN111082960B9 (zh) | 数据的处理方法及装置 | |
CN111611351B (zh) | 在线客服会话的控制方法、装置和电子设备 | |
CN110020967A (zh) | 一种电网调度端变电站智能告警的信息处理方法及装置 | |
CN111385127B (zh) | 一种智能化处理系统及方法 | |
CN112235164A (zh) | 一种基于控制器的神经网络流量预测装置 | |
CN110995859A (zh) | 一种基于泛在物联网的变电站智能支撑平台系统 | |
CN105721194A (zh) | 移动网故障隐患智能定位系统 | |
CN110460454A (zh) | 基于深度学习的网络设备端口故障智能预测方法及原理 | |
CN109598427A (zh) | 机器人的管理方法、装置及电子设备 | |
CN213126061U (zh) | 一种基于控制器的神经网络流量预测装置 | |
CN115695470A (zh) | 一种物联网平台与边缘网关的端云协同系统、方法及装置 | |
CN116112175A (zh) | 基于区块链的数字孪生网络的业务处理方法、装置及介质 | |
CN112396070A (zh) | 一种模型训练方法、装置和系统,以及预测方法和装置 | |
CN101197714B (zh) | 一种移动数据业务状态集中采集的方法 | |
CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
CN114422322A (zh) | 一种告警压缩的方法、装置、设备及存储介质 | |
CN115037769B (zh) | 一种基于soa的空中交通管制自动化系统及其实现方法 | |
CN116824734A (zh) | 一种基于数字孪生的设备远程故障诊断方法、系统和装置 | |
CN100403273C (zh) | 基于双向信息流的分布式监控方法 | |
CN117240682A (zh) | 网络故障处理系统 | |
Macleish | Mapping the integration of artificial intelligence into telecommunications |
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 |