CN112801145A - 安全监测方法、装置、计算机设备及存储介质 - Google Patents
安全监测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112801145A CN112801145A CN202110039131.0A CN202110039131A CN112801145A CN 112801145 A CN112801145 A CN 112801145A CN 202110039131 A CN202110039131 A CN 202110039131A CN 112801145 A CN112801145 A CN 112801145A
- Authority
- CN
- China
- Prior art keywords
- mobile terminal
- optimized
- module
- safety monitoring
- weak classifiers
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012806 monitoring device Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 238000009401 outcrossing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例涉及一种安全监测方法、装置、计算机设备及存储介质,方法包括:根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,使得目标移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值;将优化弱分类器和输入数据发送至目标移动终端;从目标移动终端接收目标移动终端根据优化弱分类器和输入数据计算的初步分类结果;根据初步分类结果确定安全监测结果。本申请可以在部分移动终端未能完成人工智能安全监测模型中的弱分类器的计算任务的条件下,保障基于移动边缘计算网络的安全监测模型的识别能力。
Description
技术领域
本申请涉及边缘计算技术领域,尤其涉及安全监测方法、装置、计算机设备及存储介质。
背景技术
移动边缘(MEC,mobile edge computing)将移动终端的计算任务卸载到边缘网络,解决了设备在资源存储、计算性能以及能效等方面存在的不足.同时相比于云计算中的计算卸载,MEC解决了网络资源的占用、高时延和额外网络负载等问题,发掘移动网络的内在计算能力,为用户提供更丰富的感知服务。
集成学习,顾名思义,通过将多个单个弱分类器集成/组合在一起,使它们共同完成学习任务。把各个学习结果进行整合往往可以获得比单个分类器更好的学习效果。
随着人工智能技术在安全监测领域的应用,越来越多的人工智能安全监测模型相继出现,例如基于神经网络的火灾识别模型;这些模型往往运行于服务器中,需要将传感器检测得到的各种环境输入数据发送至服务器,才能进行火灾等安全风险的识别。这样会出现较大的传输延迟。同时单个模型的识别能力也非常有限,常常出现误判和漏判。
移动终端往往比服务器更接近于安全监测区域,传输延时更短,但单个移动终端相比于服务器更容易受到电池寿命、网络质量、用户占用等多种因素的干扰,往往难以可靠地完成安全监测的计算任务。
发明内容
本申请实施例的目的在于提出一种安全监测方法,利用多个移动终端完成基于集成学习的人工智能安全监测模型中的弱分类器的计算任务,同时对弱分类器进行了优化,即使部分移动终端未能完成计算任务,基于集成学习的人工智能安全监测模型也能够正常识别安全风险。
本申请实施例提供了一种安全监测方法,用于移动边缘计算网络,所述移动边缘计算网络包括多个移动终端,所述方法包括:
步骤S201、根据移动终端的节点信息和基于集成学习的人工智能安全监测模型确定移动终端的完成任务概率,其中所述节点信息包括剩余电量信息和处理器型号信息;
步骤S202、根据完成任务概率指定多个移动终端作为参与计算任务的目标移动终端;
步骤S203、根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,并且根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值;
步骤S204、将优化弱分类器和输入数据发送至相应的目标移动终端;
步骤S205、从目标移动终端接收目标移动终端根据优化弱分类器和输入数据计算的初步分类结果,并根据初步分类结果确定安全监测结果。
优选地,所述步骤S201包括:根据人工智能安全监测模型的至少一个弱分类器和处理器型号信息在数据库中查询移动终端完成弱分类器的计算任务所需的目标电量,根据目标电量和剩余电量信息计算完成任务概率。
进一步地,所述步骤S203具体包括:
步骤S2031、对原始数据集进行随机有放回抽样,获得数量与目标移动终端数量相同的数据子集;
步骤S2032、将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
步骤S2033、利用数据子集分别训练多个弱分类器;
步骤S2034、利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
步骤S2035、根据适应度为个体对应的数据子集训练的弱分类器分配完成任务概率;
步骤S2036、根据弱分类器和完成任务概率计算集成学习结果;
步骤S2037、判断集成学习结果是否满足要求,若否则进入步骤S2038,若是则进入步骤S2039;
步骤S2038、根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并返回步骤S2033;
步骤S2039、输出个体对应的数据子集作为优化数据子集。
进一步地,所述步骤S2035包括:为适应度较大的个体分配较高的完成任务概率。
进一步地,所述步骤S2036包括:按完成任务概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组目标弱分类器的集成学习计算结果,对各组目标弱分类器的集成学习计算结果取平均值,得到集成学习结果。
本申请实施例还提供了一种安全监测装置,通过移动边缘计算网络与多个移动终端通信连接,所述装置包括:
节点管理模块,根据移动终端的节点信息和基于集成学习的人工智能安全监测模型确定移动终端的完成任务概率,其中所述节点信息包括剩余电量信息和处理器型号信息;
节点指定模块,根据完成任务概率指定多个移动终端作为参与计算任务的目标移动终端;
数据集优化模块,根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,并且根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值;
任务分配模块,将优化弱分类器和输入数据发送至相应的目标移动终端;
集成计算模块,从目标移动终端接收目标移动终端根据优化弱分类器和输入数据计算的初步分类结果,并根据初步分类结果确定安全监测结果。
进一步地,所述数据集优化模块包括:
所述数据集优化模块包括:
抽样模块,对原始数据集进行随机有放回抽样,获得数量与目标移动终端数量相同的数据子集;
初始化模块,将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
训练模块,利用数据子集分别训练多个弱分类器;
测试模块,利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
参与概率模块,根据适应度为个体对应的数据子集训练的弱分类器分配完成任务概率;
集成学习模块,根据弱分类器和完成任务概率计算集成学习结果;
判断模块,判断集成学习结果是否满足要求,若否则调用进化模块对个体进行交叉和变异,若是则调用输出模块,将个体对应的数据子集作为优化数据子集输出;
进化模块,根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并调用训练模块根据下一代群体进行弱分类器训练;
输出模块,输出个体对应的数据子集作为优化数据子集。
进一步地,所述集成学习模块按完成任务概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组目标弱分类器的集成学习计算结果,对各组目标弱分类器的集成学习计算结果取平均值,得到集成学习结果。
本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项安全监测方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项安全监测方法的步骤。
本发明的有益效果在于:本发明实施例根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,使得目标移动终端根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值,因此本发明可以充分利用移动终端的计算能力,在边缘端完成人工智能安全监测模型的计算任务,并且在部分移动终端未能完成人工智能安全监测模型中的弱分类器的计算任务的条件下,保障移动边缘计算网络的安全监测能力,提高基于移动边缘计算网络的安全监测模型的可靠性。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的安全监测方法的一个实施例的流程图;
图3是图2中步骤S203的一种具体实施方式的流程图;
图4是根据本申请的安全监测装置的一个实施例的结构示意图;
图5是图4所示数据集优化模块一种具体实施方式的结构示意图;
图6是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和边缘服务器105。网络104用以在终端设备101、102、103和边缘服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与边缘服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持分布式计算的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
边缘服务器105可以是提供各种边缘计算服务的设备,例如向终端设备101、102、103提供输入数据、数据子集等数据的各种设备。
需要说明的是,本申请实施例所提供的安全监测方法一般由边缘服务器执行,相应地,安全监测装置一般设置于边缘服务器中。
应该理解,图1中的终端设备、网络和边缘服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和边缘服务器。
继续参考图2,示出了根据本申请的安全监测方法的一个实施例的流程图。所述的安全监测方法用于移动边缘计算网络,所述移动边缘计算网络包括多个移动终端,所述方法包括以下步骤:
步骤S201、根据移动终端的节点信息和基于集成学习的人工智能安全监测模型确定移动终端的完成任务概率,其中所述节点信息包括剩余电量信息和处理器型号信息;
在一些实施例中,完成任务概率可以从过往的历史记录中获取,历史记录可以记录为具有相同处理器型号的各移动终端分配计算任务的次数,以及各移动终端正常取得计算结果的次数,从而根据分配计算任务的次数和正常取得计算结果的次数计算移动终端的完成任务概率。
在另一些实施例中,所述步骤S201可以包括:根据人工智能安全监测模型的至少一个弱分类器和处理器型号信息在数据库中查询移动终端完成弱分类器的计算任务所需的目标电量,根据目标电量和剩余电量信息获取完成任务概率,具体来说,可以针对各种主流处理器的移动终端预先进行实验,统计在不同剩余电量和目标电量下移动终端完成计算任务的概率数据,形成数据表,在实际运行过程中,根据目标电量和剩余电量在数据表中查询对应的概率数值作为完成任务概率。
在本实施例中,安全监测方法运行于其上的电子设备(例如图1所示的边缘服务器)可以通过有线连接方式或者无线连接方式从移动终端接收节点信息。需要指出的是,上述无线连接方式可以包括但不限于WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤202,根据完成任务概率指定多个移动终端作为参与计算任务的目标移动终端。
在本实施例中,可以将完成任务概率超过一定阈值的移动终端指定为目标移动终端,例如可以将完成任务概率超过80%的移动终端指定为目标移动终端。
步骤203,根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,并且根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值。
在本实施例的一些可选的实现方式中,所述智能优化算法包括进化算法。具体来说,可以对原始数据集进行有放回抽样,获得多个数据子集作为初始群体,每个数据子集可以包括预设数量的样本。数据子集的数量可以与目标移动终端数量相等。根据每个数据子集训练一个弱分类器,利用验证集评估弱分类器的误差,并将弱分类器的误差作为数据子集的适应度,根据适应度为每个弱分类器分配一个完成任务概率,以模拟弱分类器在移动终端运行可能出现的移动终端掉线或未能完成任务的状态。这样一个数据子集训练的弱分类器就与一个完成任务概率所属的移动终端进行绑定。计算弱分类器组成的强分类器的误差,当强分类器的误差高于预设阈值时,对数据子集进行交叉变异,例如可以将适应度较高的数据子集中的样本交换到适应度交底的数据子集中,获得新的数据子集,这些新的数据子集作为下一代群体继续进行优化,直到根据数据子集训练的弱分类器组成的强分类器的误差低于预设阈值,将弱分类器作为优化弱分类器,优化弱分类器对应的数据子集作为优化数据子集。
在本实施例中,弱分类器可以是BP神经网络模型或随机森林模型的分类器,也可以是其他机器学习模型的分类器。
步骤S204、将优化弱分类器和输入数据发送至相应的目标移动终端。
在本实施例中,可以将优化弱分类器的参数等数据和传感器采集的输入数据发送至相应的目标移动终端。需要说明的是,可以根据优化弱分类器的误差来确定对应的目标移动终端,例如可以将误差较低的优化弱分类器发送至完成任务概率较高的目标移动终端。
步骤S205、从目标移动终端接收目标移动终端根据优化弱分类器和输入数据计算的初步分类结果,并根据初步分类结果确定安全监测结果。
在本实施例中,各目标移动终端可以利用自身计算资源运行各自优化弱分类器,对输入数据进行处理,得到初步分类结果,然后将初步分类结果发送至边缘服务器。根据初步分类结果确定安全监测结果时,可以根据集成学习算法综合初步分类结果得到强分类器的安全监测结果。在一些实施例中,人工智能安全监测模型可以是火灾监测模型,用于识别一个监测区域的火灾风险,火灾监测模型可以包括多个分别运行于不同移动终端的优化弱分类器,每个优化弱分类器的输入数据可以是关于监测区域的监测数据,例如温度数据、氧气含量数据、一氧化碳含量数据、烟雾浓度数据等等,每个优化弱分类器的输出初步分类结果可以包括不同火灾类型(例如明火、阴燃火、无火)的概率值。
根据初步分类结果确定安全监测结果的过程可以利用投票法或平均法对初步分类结果进行处理。采用投票法时,可以根据弱分类器的初步分类结果中概率值最大的火灾类型进行投票,获得票数最多的火灾类型作为安全监测结果。
本发明实施例根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,使得目标移动终端根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值,因此本发明不但可以充分利用移动终端的计算能力在边缘端完成人工智能安全监测模型的计算任务,同时可以在部分移动终端未能完成人工智能安全监测模型中的弱分类器的计算任务的条件下,提高在移动边缘计算网络上运行的安全监测模型的可靠性。同时参考图3,在一些可选的实现方式中,所述步骤S203具体包括:
步骤S2031、对原始数据集进行随机有放回抽样,获得数量与目标移动终端数量相同的数据子集;其中,每个数据子集包括多条样本数据。
步骤S2032、将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;具体来说,每个个体的染色体对应于一个样本数据。
步骤S2033、利用数据子集分别训练多个弱分类器;
步骤S2034、利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
步骤S2035、根据适应度为个体对应的数据子集训练的弱分类器分配完成任务概率;
步骤S2036、根据弱分类器和完成任务概率计算集成学习结果;
步骤S2037、判断集成学习结果是否满足要求,若否则进入步骤S2038,若是则进入步骤S2039;具体来说,可以判断集成学习的识别正确率是否达到预设的目标正确率,如果是,则判断满足要求,否则判断不满足要求。也可以设定目标迭代次数,当迭代次数达到目标迭代次数以后,可以判断满足要求。
步骤S2038、根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并返回步骤S2033;具体来说,可以选择适应度较高的个体,将适应度较高的个体的染色体(即数据子集中的样本)交换到适应度较低的个体。
步骤S2039、输出个体对应的数据子集作为优化数据子集。
在本实施例中,根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,使得目标移动终端根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值,即使部分移动终端掉线,也能够使集成学习保持较高识别能力。
在一些可选的实现方式中,所述步骤S2035包括:为适应度较大的个体分配较高的完成任务概率。
在一些可选的实现方式中,所述步骤S2036包括:按完成任务概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组目标弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
具体来说,当完成任务概率是80%时,对相应的数据子集训练得到的弱分类器进行随机选择时,有80%的概率将该弱分类器选择作为目标弱分类器。对每个弱分类器按相应的完成任务概率选择以后,可以得到一组目标弱分类器。重复对弱分类器选择多次,可以获得多组不同的目标弱分类器。
本发明实施例根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,使得目标移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值,可以在部分移动终端未能完成人工智能安全监测模型中的弱分类器的计算任务的条件下,保障移动边缘计算网络的安全风险监测能力,提高基于移动边缘计算网络的安全监测模型的可靠性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种安全监测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的安全监测装置400包括:节点管理模块401、节点指定模块402、数据集优化模块403、任务分配模块404以及集成计算模块405,其中:
节点管理模块401用于根据移动终端的节点信息和基于集成学习的人工智能安全监测模型确定移动终端的完成任务概率,其中所述节点信息包括剩余电量信息和处理器型号信息;
节点指定模块402用于根据完成任务概率指定多个移动终端作为参与计算任务的目标移动终端;
数据集优化模块403用于根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,并且根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值;
任务分配模块404用于将优化弱分类器和输入数据发送至相应的目标移动终端;
集成计算模块405用于从目标移动终端接收目标移动终端根据优化弱分类器和输入数据计算的初步分类结果,并根据初步分类结果确定安全监测结果。
在本实施例中,根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,使得目标移动终端根据优化数据子集训练的弱分类器组成的强分类器的误差低于预设阈值,即使部分移动终端掉线,也能够使集成学习保持较高识别能力。
参阅图5,为所述数据集优化模块一种具体实施方式的结构示意图,所述数据集优化模块403包括:
抽样模块4031,对原始数据集进行随机有放回抽样,获得数量与目标移动终端数量相同的数据子集;
初始化模块4032,将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
训练模块4033,利用数据子集分别训练多个弱分类器;
测试模块4034,利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
参与概率模块4035,根据适应度为个体对应的数据子集训练的弱分类器分配完成任务概率;
集成学习模块4036,根据弱分类器和完成任务概率计算集成学习结果;
判断模块4037,判断集成学习结果是否满足要求,若否则调用进化模块4038对个体进行交叉和变异,若是则调用输出模块4039,将个体对应的数据子集作为优化数据子集输出;
进化模块4038,根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并调用训练模块4033根据下一代群体进行弱分类器训练;
输出模块4039,输出个体对应的数据子集作为优化数据子集。
在本实施例的一些可选的实现方式中,上述集成学习模块4036进一步用于:按完成任务概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组目标弱分类器的集成学习计算结果,对各组目标弱分类器的集成学习计算结果取平均值,得到集成学习结果。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图6,图6为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是,图中仅示出了具有组件61-63的计算机设备6,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑以及边缘服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器61可以是所述计算机设备6的内部存储单元,例如该计算机设备6的硬盘或内存。在另一些实施例中,所述存储器61也可以是所述计算机设备6的外部存储设备,例如该计算机设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中,所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件,例如安全监测方法的程序代码等。此外,所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中,所述处理器62用于运行所述存储器61中存储的程序代码或者处理数据,例如运行所述安全监测方法的程序代码。
所述网络接口63可包括无线网络接口或有线网络接口,该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有安全监测程序,所述安全监测程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的安全监测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,边缘服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种安全监测方法,用于移动边缘计算网络,所述移动边缘计算网络包括多个移动终端,其特征在于,所述方法包括下述步骤:
步骤S201、根据移动终端的节点信息和基于集成学习的人工智能安全监测模型确定移动终端的完成任务概率,其中所述节点信息包括剩余电量信息和处理器型号信息;
步骤S202、根据完成任务概率指定多个移动终端作为参与计算任务的目标移动终端;
步骤S203、根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,并且根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值;
步骤S204、将优化弱分类器和输入数据发送至相应的目标移动终端;
步骤S205、从目标移动终端接收目标移动终端根据优化弱分类器和输入数据计算的初步分类结果,并根据初步分类结果确定安全监测结果。
2.根据权利要求1所述的安全监测方法,其特征在于,所述步骤S201包括:根据人工智能安全监测模型的至少一个弱分类器和处理器型号信息在数据库中查询移动终端完成弱分类器的计算任务所需的目标电量,根据目标电量和剩余电量信息计算完成任务概率。
3.根据权利要求2所述的安全监测方法,其特征在于,所述步骤S203具体包括:
步骤S2031、对原始数据集进行随机有放回抽样,获得数量与目标移动终端数量相同的数据子集;
步骤S2032、将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
步骤S2033、利用数据子集分别训练多个弱分类器;
步骤S2034、利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
步骤S2035、根据适应度为个体对应的数据子集训练的弱分类器分配完成任务概率;
步骤S2036、根据弱分类器和完成任务概率计算集成学习结果;
步骤S2037、判断集成学习结果是否满足要求,若否则进入步骤S2038,若是则进入步骤S2039;
步骤S2038、根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并返回步骤S2033;
步骤S2039、输出个体对应的数据子集作为优化数据子集。
4.根据权利要求3所述的安全监测方法,其特征在于,所述步骤S2035包括:为适应度较大的个体分配较高的完成任务概率。
5.根据权利要求3所述的安全监测方法,其特征在于,所述步骤S2036包括:按完成任务概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组目标弱分类器的集成学习计算结果,对各组弱分类器的集成学习计算结果取平均值,得到集成学习结果。
6.一种安全监测装置,通过移动边缘计算网络与多个移动终端通信连接,其特征在于,所述装置包括:
节点管理模块,根据移动终端的节点信息和基于集成学习的人工智能安全监测模型确定移动终端的完成任务概率,其中所述节点信息包括剩余电量信息和处理器型号信息;
节点指定模块,根据完成任务概率指定多个移动终端作为参与计算任务的目标移动终端;
数据集优化模块,根据目标移动终端的完成任务概率利用智能优化算法对原始数据集进行优化获得优化数据集,其中优化数据集包括数量与目标移动终端数量相同的优化数据子集,并且根据优化数据子集训练的优化弱分类器组成的强分类器的误差低于预设阈值;
任务分配模块,将优化弱分类器和输入数据发送至相应的目标移动终端;
集成计算模块,从目标移动终端接收目标移动终端根据优化弱分类器和输入数据计算的初步分类结果,并根据初步分类结果确定安全监测结果。
7.根据权利要求6所述的安全监测装置,其特征在于,所述数据集优化模块包括:
抽样模块,对原始数据集进行随机有放回抽样,获得数量与目标移动终端数量相同的数据子集;
初始化模块,将数据子集作为初始化群体,每个数据子集对应于一个群体中的个体;
训练模块,利用数据子集分别训练多个弱分类器;
测试模块,利用测试集测试弱分类器,将弱分类器的识别率作为个体的适应度;
参与概率模块,根据适应度为个体对应的数据子集训练的弱分类器分配完成任务概率;
集成学习模块,根据弱分类器和完成任务概率计算集成学习结果;
判断模块,判断集成学习结果是否满足要求,若否则调用进化模块对个体进行交叉和变异,若是则调用输出模块,将个体对应的数据子集作为优化数据子集输出;
进化模块,根据适应度对个体进行交叉和变异产生下一代群体对应的数据子集,并调用训练模块根据下一代群体进行弱分类器训练;
输出模块,输出个体对应的数据子集作为优化数据子集。
8.根据权利要求7所述的安全监测装置,其特征在于,所述集成学习模块按完成任务概率对相应的弱分类器进行随机选择,获取多组目标弱分类器,根据集成学习算法计算每组目标弱分类器的集成学习计算结果,对各组目标弱分类器的集成学习计算结果取平均值,得到集成学习结果。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的安全监测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的安全监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039131.0A CN112801145B (zh) | 2021-01-12 | 安全监测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039131.0A CN112801145B (zh) | 2021-01-12 | 安全监测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801145A true CN112801145A (zh) | 2021-05-14 |
CN112801145B CN112801145B (zh) | 2024-05-28 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486354A (zh) * | 2021-08-20 | 2021-10-08 | 国网山东省电力公司电力科学研究院 | 一种固件安全评估方法、系统、介质及电子设备 |
CN115600891A (zh) * | 2022-12-16 | 2023-01-13 | 台昌树脂(佛山)有限公司(Cn) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101060443A (zh) * | 2006-04-17 | 2007-10-24 | 中国科学院自动化研究所 | 基于改进的自适应提升算法的互联网入侵检测方法 |
CN107862347A (zh) * | 2017-12-04 | 2018-03-30 | 国网山东省电力公司济南供电公司 | 一种基于随机森林的窃电行为的发现方法 |
CN109145965A (zh) * | 2018-08-02 | 2019-01-04 | 深圳辉煌耀强科技有限公司 | 基于随机森林分类模型的细胞识别方法和装置 |
US20190098035A1 (en) * | 2017-09-28 | 2019-03-28 | Yokogawa Electric Corporation | Systems, methods and computer program products for anomaly detection |
CN110134818A (zh) * | 2019-04-02 | 2019-08-16 | 深圳市中博科创信息技术有限公司 | 一种logo识别方法、装置及系统 |
CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
CN110516837A (zh) * | 2019-07-10 | 2019-11-29 | 马欣 | 一种基于ai的智能化诊断方法、系统及装置 |
CN110891283A (zh) * | 2019-11-22 | 2020-03-17 | 超讯通信股份有限公司 | 一种基于边缘计算模型的小基站监控装置及方法 |
CN111124639A (zh) * | 2019-12-11 | 2020-05-08 | 安徽大学 | 一种边缘计算系统的操作方法、系统及电子设备 |
CN111510500A (zh) * | 2020-04-21 | 2020-08-07 | 江苏卓易信息科技股份有限公司 | 一种基于边缘计算的水质监测数据校准方法 |
WO2020208445A1 (en) * | 2019-04-11 | 2020-10-15 | International Business Machines Corporation | Enhanced ensemble model diversity and learning |
CN111913077A (zh) * | 2020-08-19 | 2020-11-10 | 剑科云智(深圳)科技有限公司 | 一种配电网的智能故障定位系统 |
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101060443A (zh) * | 2006-04-17 | 2007-10-24 | 中国科学院自动化研究所 | 基于改进的自适应提升算法的互联网入侵检测方法 |
US20190098035A1 (en) * | 2017-09-28 | 2019-03-28 | Yokogawa Electric Corporation | Systems, methods and computer program products for anomaly detection |
CN107862347A (zh) * | 2017-12-04 | 2018-03-30 | 国网山东省电力公司济南供电公司 | 一种基于随机森林的窃电行为的发现方法 |
CN109145965A (zh) * | 2018-08-02 | 2019-01-04 | 深圳辉煌耀强科技有限公司 | 基于随机森林分类模型的细胞识别方法和装置 |
CN110134818A (zh) * | 2019-04-02 | 2019-08-16 | 深圳市中博科创信息技术有限公司 | 一种logo识别方法、装置及系统 |
WO2020208445A1 (en) * | 2019-04-11 | 2020-10-15 | International Business Machines Corporation | Enhanced ensemble model diversity and learning |
CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
CN110516837A (zh) * | 2019-07-10 | 2019-11-29 | 马欣 | 一种基于ai的智能化诊断方法、系统及装置 |
CN110891283A (zh) * | 2019-11-22 | 2020-03-17 | 超讯通信股份有限公司 | 一种基于边缘计算模型的小基站监控装置及方法 |
CN111124639A (zh) * | 2019-12-11 | 2020-05-08 | 安徽大学 | 一种边缘计算系统的操作方法、系统及电子设备 |
CN111510500A (zh) * | 2020-04-21 | 2020-08-07 | 江苏卓易信息科技股份有限公司 | 一种基于边缘计算的水质监测数据校准方法 |
CN111913077A (zh) * | 2020-08-19 | 2020-11-10 | 剑科云智(深圳)科技有限公司 | 一种配电网的智能故障定位系统 |
Non-Patent Citations (7)
Title |
---|
GEORGE PETRIDE 等: "Misclassification Cost-sensitive Ensemble Learning: A Unifying Framework", 《ARXIV》, 14 July 2020 (2020-07-14), pages 1 - 19 * |
GEORGIOS FRAGKOS 等: "Artificial Intelligent Multi-Access Edge Computing Servers Management", 《IEEE ACCESS》, 18 September 2020 (2020-09-18), pages 171292 - 171304, XP011811385, DOI: 10.1109/ACCESS.2020.3025047 * |
YITU WANG 等: "SECURE FACE RECOGNITION IN EDGE AND CLOUD NETWORKS: FROM THE ENSEMBLE LEARNING PERSPECTIVE", 《ICASSP 2020》, 9 April 2020 (2020-04-09), pages 2393 - 2397 * |
YONG YU 等: "Decentralized Ensemble Learning Based on Sample Exchange among Multiple Agents", 《BSCI’19》, 2 July 2019 (2019-07-02), pages 57 - 66 * |
YONG ZHANG 等: "Resource Allocation for Multi-user MEC System: Machine Learning Approaches", 《2018 INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND COMPUTATIONAL INTELLIGENCE (CSCI)》, 2 January 2020 (2020-01-02), pages 794 - 799 * |
张展 等: "面向边缘计算的目标追踪应用部署策略研究", 《软件学报》, vol. 31, no. 9, 14 January 2020 (2020-01-14), pages 2691 * |
袁培燕 等: "移动边缘计算中一种贪心策略的内容卸载方案", 《计算机应用》, vol. 39, no. 9, 20 May 2019 (2019-05-20), pages 2664 - 2668 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486354A (zh) * | 2021-08-20 | 2021-10-08 | 国网山东省电力公司电力科学研究院 | 一种固件安全评估方法、系统、介质及电子设备 |
CN115600891A (zh) * | 2022-12-16 | 2023-01-13 | 台昌树脂(佛山)有限公司(Cn) | 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN111831675A (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN112887371B (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN112686301A (zh) | 基于交叉验证的数据标注方法及相关设备 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN112181835A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
CN112328657A (zh) | 特征衍生方法、装置、计算机设备及介质 | |
CN116402625B (zh) | 客户评估方法、装置、计算机设备及存储介质 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN112764923B (zh) | 计算资源分配方法、装置、计算机设备及存储介质 | |
CN113935788B (zh) | 模型评估方法、装置、设备及计算机可读存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN112801145B (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN112801145A (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN114124460A (zh) | 工控系统入侵检测方法、装置、计算机设备及存储介质 | |
CN113240323A (zh) | 基于机器学习的水平评测方法、装置及相关设备 | |
CN116911304B (zh) | 一种文本推荐方法及装置 | |
CN113726785B (zh) | 网络入侵检测方法、装置、计算机设备以及存储介质 | |
CN115640896B (zh) | 多用户场景下的家庭用户电力负荷预测方法及相关设备 | |
CN116308468A (zh) | 客户对象分类方法、装置、计算机设备及存储介质 | |
CN115730259A (zh) | 面向分类模型的用户电联服务方法及其相关设备 | |
CN117853241A (zh) | 一种风险服务商识别方法、装置、设备及其存储介质 |
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 |