CN112468568A - 一种移动边缘计算网络的任务中继卸载方法 - Google Patents
一种移动边缘计算网络的任务中继卸载方法 Download PDFInfo
- Publication number
- CN112468568A CN112468568A CN202011318708.3A CN202011318708A CN112468568A CN 112468568 A CN112468568 A CN 112468568A CN 202011318708 A CN202011318708 A CN 202011318708A CN 112468568 A CN112468568 A CN 112468568A
- Authority
- CN
- China
- Prior art keywords
- cun
- task
- time slot
- mobile edge
- edge computing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point
-
- 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
本发明公开了一种移动边缘计算网络的任务中继卸载方法,包括集成了毫米波和频率低于6GHz电磁波(Sub‑6GHz)的移动边缘计算网络,Sub‑6GHz实现用户设备的全覆盖,设置基站和用户设备预先执行了波束训练和对齐机制,因此能够在建立数据连接时配置适当的波束。由于每个用户设备都是独立的个体,因此,采用平均场博弈MFG的框架最大程度的减少功耗,针对MFG优化方法的限制,将公式化的MFG简化为马尔可夫决策过程MDP,利用MDP优化问题求得MFG的均衡解,即通过采用强化学习框架,最大化CUs的价值函数,在强化学习的指导下得到均衡解,实现任务的成功卸载,并减少系统能耗。
Description
技术领域
本发明涉及无线通信系统中任务中继及卸载技术,尤其涉及一种移动边缘计算网络的任务中继卸载方法。
背景技术
随着5G时代的到来,移动设备成为处理飞速增长的计算数据密集型应用程序的平台,其中包括导航、面部识别、增强/虚拟现实以及在线游戏。由于移动设备计算能力、内存以及电池容量的局限性,无法为一些应用程序提供较高的服务质量,给无线通信带来了挑战。
为了解决这些严峻的挑战,提出了移动边缘计算(MEC)作为可行的解决方案。将MEC部署在网络边缘的计算基站,例如小型基站(SBS),从而显着减少SBS到云链路上的流量负载,同时减少卸载延迟。MEC提供了具有超低延迟和高带宽的强大计算服务环境,移动设备可以卸载任务到其中以减轻对计算和延迟要求严格的任务。
毫米波(mmWave)技术成为提供更大带宽和更快数据速率的5G通信蜂窝系统的新前沿。但是,毫米波的独特无线电传播特性挑战了无线通信系统的设计,由于毫米波信号的传输距离短,毫米波基站需要密集部署才能实现全覆盖,这会导致运营商的支出高昂。
在博弈论领域中的平均场博弈(MFG),已应用于许多工程问题。MFG将博弈建模为一个玩家与所有其他玩家的集体行为进行交互,并提供平衡解决方案,将复杂问题简化为每个玩家的个别问题。因此,MFG适合大量玩家的场景,适用于在多设备之间进行多项任务的调度任务。
发明内容
发明目的:本发明目的是针对毫米波频段的高路径损耗以及用户设备计算能力的不足,提供一种移动边缘计算网络的任务中继卸载方法,即提供一种基于分布式强化学习指导的MFG方法,解决了一些用户设备难以通过直接卸载来处理任务数据的困境,将D2D链路作为中继链路,提高任务卸载的成功率,同时尽可能减少系统能耗。
技术方案:本发明提供一种移动边缘计算网络的任务中继卸载方法,包括以下步骤:
步骤s1:构建一个毫米波和频率低于6GHz电磁波(Sub-6GHz)的移动边缘计算网络,其中,Sub-6GHz实现用户设备的全覆盖,毫米波实现用户部分覆盖;所述移动边缘计算网络中共有U个用户设备在Sub-6GHz的覆盖范围内,n个中心用户设备(Central User,CU)可以直接将计算任务卸载到移动边缘计算MEC服务器中,m个拓展用户设备(ExpandedUser,EU)不在毫米波的覆盖范围内,CUs为毫米波覆盖范围内的所有CU,每个用户设备有一个长度为J的队列用于储存任务,通过D2D中继链路来改善不在毫米波覆盖范围内用户的数据卸载体验;
步骤s2:CUn中继EUm中需要卸载的任务,在通信范围内,CUn和处于毫米波覆盖范围内的其他CUs交换任务数据,处理队列中的任务;
步骤s3:根据CUn处理队列中的任务导致的系统能量消耗建立代价函数,列出平均场博弈MFG中的FPK(Fokker-Planck-Kolmogoroy)方程和HJB(Hamilton-Jacobi-Bellman)方程;
步骤s4:将公式化的MFG转换为马尔可夫决策过程MDP,通过采用强化学习框架最大化CU n的价值函数,求得MFG的均衡解。
在步骤s1中,将MEC服务器部署在网络边缘的计算基站内。
在步骤s2中,CUn处理队列中任务的工作模式包括本地计算以及卸载任务到MEC服务器。
在步骤s3中具体包括:
an是CU n的动作空间,表示为其中dn,m为二进制索引{0,1},如果CUn选择EUm的任务进行中继,则dn,m=1,否则为0;cn∈{0,1},当CUn选择本地计算,则cn=1,否则为0;和分别表示CUn需要处理的中继任务数据和自身任务数据;
sn为CUn的状态空间,表示为sn={in,hn},其中In表示CU n队列中的任务大小,hn表示CU n和接入点AP之间信道的增益;
CUn获得的奖励取决于CUs在每个状态的分布;
在时隙t中CUs在状态中的分布表示为其中表示在状态中CUs的比例,对CUn建立前向FPK方程,表示为 其中表示在时隙t中中的CUn转换为的概率,取决于CUn的动作,表示时隙t中状态空间sn中的第i个状态,表示时隙t中状态空间sn中的第j个状态;
在时隙t中CUn的价值函数,称为后向HJB方程,定义为: 其中μ表示在状态下选择动作an的策略,r[an|sn]表示时隙t中CUn在状态sn采取动作an后得到的奖励,表示在时隙t+1遵循策略μ获得的预期累计奖励,γ∈[0,1]为折扣因子。
在步骤s4中具体包括:
智能体n在完成一次经历后进行Q值更新,更新公式表示为Q(sn,an)←Q(sn,an)+α[r+γmaxa′Q(s′n,a′n)-Q(sn,an)],其中α是学习率,s′n表示下一时隙智能体n所处的状态,a′n表示智能体n在下一时隙采取的动作。
在步骤s4中还包括:通过不断迭代更新得到最优Q值,即得到平均场博弈的均衡解,若达到设定的迭代次数后,强化学习模型仍未收敛,则调整学习率,重新进行迭代训练。
有益效果:与现有技术相比,本发明具有如下显著的优点:CUn选择需要卸载任务的EUm进行中继,在通信范围内,CUn和处于毫米波覆盖范围内的其他CUs交换任务数据,采用平均场博弈MFG最小化能耗,考虑到难以求得均衡解,将其转换为MDP过程,并采用强化学习框架最大化其价值函数得到最佳方案,本发明可以提高任务卸载的成功率,实现更快的收敛速度以及更低的系统能耗。
附图说明
图1为本发明的系统模型图;
图2为本发明的求解平均场博弈流程图;
图3为本发明的任务中继卸载示意图;
图4为本发明的强化学习流程图。
具体实施方式
下面结合附图及实例具体讲述基于平均场博弈-强化学习的任务中继卸载流程的过程。具体实现步骤如下:
步骤1:建立系统模型。如图1所示,假设在一个由完全覆盖Sub-6GHz和部分覆盖毫米波的移动边缘计算网络中,移动边缘计算MEC服务器有足够的计算能力,毫米波的覆盖半径为70m,在Sub-6GHz的覆盖范围内一共有12个用户,其中有5个用户不在毫米波的覆盖范围,每个用户设备有一个500MB的队列用于储存任务。中心用户设备(Central User,CU)可以直接将计算任务卸载到MEC服务器中,拓展用户设备(Expanded User,EU)不在毫米波的覆盖范围内。
步骤2:EU 2通过信道增益3dBi的前向信道将50MB的计算任务卸载到CU 1,CU1在15m的通信范围内和处于毫米波覆盖范围内的其他CUs交换任务数据,并选择两种模式(即本地计算以及卸载任务到MEC服务器)处理队列中的任务。假设每个CU在每个时隙最多只能中继一个任务。
步骤3:采用平均场博弈MFG求解。首先定义MFG中的基本要素:
CUs为MFG中的玩家,表示为n={1,2...7};an是CUn的动作空间,表示为其中dn,m为二进制索引{0,1},如果CU1选择EU2的任务进行中继,则d1,2=1,否则为0;cn∈{0,1},当CU1选择本地计算,则c1=1,否则为0;和分别表示CUn需要处理的中继任务数据和自身任务数据;
sn为CUn的状态空间,表示为sn={in,hn},其中In表示CU n队列中的任务大小,hn表示CU n和接入点AP之间信道的增益。
通过不断迭代更新得到最优Q值,即得到平均场博弈的均衡解,若达到10000次迭代后,强化学习模型仍未收敛,则调整学习率,重新进行迭代训练。
Claims (6)
1.一种移动边缘计算网络的任务中继卸载方法,其特征在于,包括以下步骤:
步骤s1:构建一个毫米波和频率低于6GHz电磁波Sub-6GHz的移动边缘计算网络,其中,Sub-6GHz实现用户设备的全覆盖,毫米波实现用户部分覆盖;所述移动边缘计算网络中共有U个用户设备在Sub-6GHz的覆盖范围内,n个中心用户设备CU可以直接将计算任务卸载到移动边缘计算MEC服务器中,m个拓展用户设备EU不在毫米波的覆盖范围内,CUs为毫米波覆盖范围内的所有CU,每个用户设备有一个长度为J的队列用于储存任务,不在毫米波覆盖范围内的用户通过D2D中继链路完成数据卸载;
步骤s2:CUn中继EUm中需要卸载的任务,在通信范围内,CUn和处于毫米波覆盖范围内的其他CUs交换任务数据,处理队列中的任务;
步骤s3:根据CUn处理队列中的任务导致的系统能量消耗建立代价函数,列出平均场博弈MFG中的FPK方程和HJB方程;
步骤s4:将公式化的MFG转换为马尔可夫决策过程MDP,通过采用强化学习框架最大化CU n的价值函数,求得MFG的均衡解。
2.根据权利要求1所述的移动边缘计算网络的任务中继卸载方法,其特征在于,所述步骤s1中,将MEC服务器部署在网络边缘的计算基站内。
3.根据权利要求1所述的移动边缘计算网络的任务中继卸载方法,其特征在于,所述步骤s2中,CUn处理队列中任务的工作模式包括本地计算以及卸载任务到MEC服务器。
4.根据权利要求1所述的移动边缘计算网络的任务中继卸载方法,其特征在于,所述步骤s3中包括:
an是CU n的动作空间,表示为其中dn,m为二进制索引{0,1},如果CUn选择EUm的任务进行中继,则dn,m=1,否则为0;cn∈{0,1},当CUn选择本地计算,则cn=1,否则为0;和分别表示CUn需要处理的中继任务数据和自身任务数据;
sn为CUn的状态空间,表示为sn={in,hn},其中In表示CU n队列中的任务大小,hn表示CUn和接入点AP之间信道的增益;
CUn获得的奖励取决于CUs在每个状态的分布;
在时隙t中CUs在状态中的分布表示为其中表示在状态中CUs的比例,对CUn建立前向FPK方程,表示为 其中表示在时隙t中中的CUn转换为的概率,取决于CUn的动作,表示时隙t中状态空间sn中的第i个状态,表示时隙t中状态空间sn中的第j个状态;
6.根据权利要求5所述的移动边缘计算网络的任务中继卸载方法,其特征在于,所述步骤s4中还包括:通过不断迭代更新得到最优Q值,即得到平均场博弈的均衡解,若达到设定的迭代次数后,强化学习模型仍未收敛,则调整学习率,重新进行迭代训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011318708.3A CN112468568B (zh) | 2020-11-23 | 2020-11-23 | 一种移动边缘计算网络的任务中继卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011318708.3A CN112468568B (zh) | 2020-11-23 | 2020-11-23 | 一种移动边缘计算网络的任务中继卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112468568A true CN112468568A (zh) | 2021-03-09 |
CN112468568B CN112468568B (zh) | 2024-04-23 |
Family
ID=74798757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011318708.3A Active CN112468568B (zh) | 2020-11-23 | 2020-11-23 | 一种移动边缘计算网络的任务中继卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112468568B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113206694A (zh) * | 2021-04-22 | 2021-08-03 | 南京航空航天大学 | 一种基于混合波束成形的毫米波移动边缘计算系统中计算效率优化方法 |
CN113285740A (zh) * | 2021-05-20 | 2021-08-20 | 东南大学 | 一种基于强化学习的波束训练方法 |
CN113411394A (zh) * | 2021-06-16 | 2021-09-17 | 广东电网有限责任公司电力调度控制中心 | 一种超密集网络场景下卸载任务的处理的方法及装置 |
CN113641504A (zh) * | 2021-09-24 | 2021-11-12 | 天津大学 | 用于提升多智能体强化学习边缘计算效果的信息交互方法 |
CN115460080A (zh) * | 2022-08-22 | 2022-12-09 | 昆明理工大学 | 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 |
CN116744261A (zh) * | 2023-08-16 | 2023-09-12 | 深圳市永达电子信息股份有限公司 | 一种毫米波通信网络与边缘计算融合方法 |
CN117857559A (zh) * | 2024-03-07 | 2024-04-09 | 北京邮电大学 | 基于平均场博弈的城域光网络任务卸载方法及边缘服务器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377353A (zh) * | 2019-05-21 | 2019-10-25 | 湖南大学 | 计算任务卸载系统与方法 |
CN111142883A (zh) * | 2019-12-03 | 2020-05-12 | 沈阳航空航天大学 | 基于sdn架构的车辆计算任务卸载方法 |
CN111800828A (zh) * | 2020-06-28 | 2020-10-20 | 西北工业大学 | 一种超密集网络的移动边缘计算资源分配方法 |
-
2020
- 2020-11-23 CN CN202011318708.3A patent/CN112468568B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377353A (zh) * | 2019-05-21 | 2019-10-25 | 湖南大学 | 计算任务卸载系统与方法 |
CN111142883A (zh) * | 2019-12-03 | 2020-05-12 | 沈阳航空航天大学 | 基于sdn架构的车辆计算任务卸载方法 |
CN111800828A (zh) * | 2020-06-28 | 2020-10-20 | 西北工业大学 | 一种超密集网络的移动边缘计算资源分配方法 |
Non-Patent Citations (2)
Title |
---|
吕洁娜;张家波;张祖凡;甘臣权;: "移动边缘计算卸载策略综述", 小型微型计算机系统, no. 09, pages 1866 - 1877 * |
赵临东;庄文芹;陈建新;周亮;: "异构蜂窝网络中分层任务卸载:建模与优化", 通信学报, no. 04, pages 34 - 44 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113206694A (zh) * | 2021-04-22 | 2021-08-03 | 南京航空航天大学 | 一种基于混合波束成形的毫米波移动边缘计算系统中计算效率优化方法 |
CN113285740A (zh) * | 2021-05-20 | 2021-08-20 | 东南大学 | 一种基于强化学习的波束训练方法 |
CN113411394A (zh) * | 2021-06-16 | 2021-09-17 | 广东电网有限责任公司电力调度控制中心 | 一种超密集网络场景下卸载任务的处理的方法及装置 |
CN113641504A (zh) * | 2021-09-24 | 2021-11-12 | 天津大学 | 用于提升多智能体强化学习边缘计算效果的信息交互方法 |
CN113641504B (zh) * | 2021-09-24 | 2023-09-01 | 天津大学 | 用于提升多智能体强化学习边缘计算效果的信息交互方法 |
CN115460080A (zh) * | 2022-08-22 | 2022-12-09 | 昆明理工大学 | 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 |
CN115460080B (zh) * | 2022-08-22 | 2024-04-05 | 昆明理工大学 | 一种区块链辅助的时变平均场博弈边缘计算卸载优化方法 |
CN116744261A (zh) * | 2023-08-16 | 2023-09-12 | 深圳市永达电子信息股份有限公司 | 一种毫米波通信网络与边缘计算融合方法 |
CN116744261B (zh) * | 2023-08-16 | 2023-11-28 | 深圳市永达电子信息股份有限公司 | 一种毫米波通信网络与边缘计算融合方法 |
CN117857559A (zh) * | 2024-03-07 | 2024-04-09 | 北京邮电大学 | 基于平均场博弈的城域光网络任务卸载方法及边缘服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN112468568B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112468568A (zh) | 一种移动边缘计算网络的任务中继卸载方法 | |
Cui et al. | Latency and energy optimization for MEC enhanced SAT-IoT networks | |
CN109391681B (zh) | 基于mec的v2x移动性预测与内容缓存卸载方案 | |
CN111414252B (zh) | 一种基于深度强化学习的任务卸载方法 | |
CN111586696A (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN112511336B (zh) | 一种边缘计算系统中的在线服务放置方法 | |
CN111526592B (zh) | 一种用于无线干扰信道中的非协作多智能体功率控制方法 | |
CN113626104B (zh) | 边云架构下基于深度强化学习的多目标优化卸载策略 | |
CN110311723B (zh) | 基于定价策略的月球空间站通信系统计算资源分配方法 | |
CN110769514A (zh) | 一种异构蜂窝网络d2d通信资源分配方法及系统 | |
CN113760511B (zh) | 一种基于深度确定性策略的车辆边缘计算任务卸载方法 | |
CN113115344B (zh) | 基于噪声优化的无人机基站通信资源分配策略预测方法 | |
CN114938381B (zh) | 一种基于深度强化学习的d2d-mec卸载方法 | |
CN114169234A (zh) | 一种无人机辅助移动边缘计算的调度优化方法及系统 | |
Du et al. | Maddpg-based joint service placement and task offloading in MEC empowered air-ground integrated networks | |
CN114650567A (zh) | 一种无人机辅助v2i网络任务卸载方法 | |
CN115065678A (zh) | 一种基于深度强化学习的多智能设备任务卸载决策方法 | |
CN112579290B (zh) | 一种基于无人机的地面终端设备的计算任务迁移方法 | |
CN117499867A (zh) | 一种多无人机辅助移动边缘计算中通过策略梯度算法实现高能效计算卸载的方法 | |
CN109874154B (zh) | 一种基于深度强化学习的c-ran用户关联和计算资源分配方法 | |
CN114980205A (zh) | 多天线无人机视频传输系统QoE最大化方法和装置 | |
CN113207150B (zh) | 一种基于背向散射通信的主被动混合卸载方法和装置 | |
CN114025359B (zh) | 基于深度强化学习的资源分配与计算卸载方法、系统、设备及介质 | |
CN115756873A (zh) | 一种基于联邦强化学习的移动边缘计算卸载方法和平台 | |
CN110933687A (zh) | 一种基于解耦的用户上下行接入方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210707 Address after: No.333 Xishan Avenue, Xishan District, Wuxi City, Jiangsu Province Applicant after: Binjiang College of Nanjing University of Information Engineering Applicant after: ICTEHI TECHNOLOGY DEVELOPMENT Co.,Ltd. Address before: No.333 Xishan Avenue, Xishan District, Wuxi City, Jiangsu Province Applicant before: Binjiang College of Nanjing University of Information Engineering |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |