CN113722607B - 一种基于改进聚类的托攻击检测方法 - Google Patents

一种基于改进聚类的托攻击检测方法 Download PDF

Info

Publication number
CN113722607B
CN113722607B CN202110712405.8A CN202110712405A CN113722607B CN 113722607 B CN113722607 B CN 113722607B CN 202110712405 A CN202110712405 A CN 202110712405A CN 113722607 B CN113722607 B CN 113722607B
Authority
CN
China
Prior art keywords
user
items
profile
common
attack
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.)
Active
Application number
CN202110712405.8A
Other languages
English (en)
Other versions
CN113722607A (zh
Inventor
徐颖
韩立新
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202110712405.8A priority Critical patent/CN113722607B/zh
Publication of CN113722607A publication Critical patent/CN113722607A/zh
Application granted granted Critical
Publication of CN113722607B publication Critical patent/CN113722607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本文发明公开了一种基于改进聚类的托攻击检测方法，包括以下步骤：a)混合概貌数据集；b)构建用户深层相似度矩阵；c)混合数据集聚类分析；d)获取共同关注项；e)过滤共同关注项；f)特征指标提取与压缩。本发明能够深度挖掘用户特征信息，利用改进聚类的方法实现用户分类，通过过滤共同关注项，消减流行项目评分对特征指标提取的影响，对特征指标进行二次提取与压缩，突出类间可分性，保证攻击概貌与普通概貌集合于空间地两端，最终达到识别攻击概貌的效果。

Description

一种基于改进聚类的托攻击检测方法
技术领域
本发明属于推荐系统安全和机器学习领域，具体涉及一种基于改进聚类的托攻击检测方法。
背景技术
协同过滤推荐是目前各大运营公司的主要运用的推荐技术，通过分析系统用户的各种行为操作，帮助其找到对口信息，在一定程度上极大地促进了网上交易量的增加，社会经济的发展，也使得“信息爆炸”现象得到缓解。
但这同时也引起了一些不法分子的关注，攻击者通过虚假用户恶意篡改推荐系统评分，从中获利。托攻击就是攻击者利用协同过滤具有开放性的特点使得线上信任关系岌岌可危。
因此，为了最大程度上解决这个问题，研究人员提出了多种托攻击检测方法，但随着攻击手段提高，用户评分数据集显得极为关键，因此如何提取出数据集中的用户隐式特征信息，设计出一种更加准确检测出攻击概貌的方法变得至关重要。
发明内容
发明目的：本发明针对现有技术在用户评分数据集中利用程度不高，无法提取深层用户隐式特征的缺陷，提供一种基于改进聚类的托攻击检测方法。
技术方案：为解决上述技术问题，本发明的一种基于改进聚类的托攻击检测方法采用如下技术方案：一种基于改进聚类的托攻击检测方法，包括以下步骤：
1、混合概貌数据集，将攻击概貌数据集以及普通用户概貌数据集集合到同一数据集中；
2、构建用户深层相似度矩阵，针对已有的用户相似度矩阵难以提取更深层用户隐式特征信息的缺点，现提出一种用户深层相似度矩阵构建的方法；
3、混合数据集聚类分析，对该混入攻击概貌的数据集进行聚类分析，根据步骤2中获取的用户深层相似度矩阵，确定聚类中心K的个数，并初始化聚类中心，通过Pearson相关系数定义距离度量和分类决策规则；
4、获取共同关注项，根据步骤3中获取到的簇集，在同一簇集中根据评分次数获取不同用户的共同关注项；
5、过滤共同关注项，为了防止流行项目的干扰，先根据步骤3和步骤4相似地获取普通用户概貌的共同关注项，在此基础上，对于步骤4中所获得的共同关注项进行过滤操作。在推荐系统中，由于每个用户的最近邻不是完全相同，这也就导致它们所需要过滤的共同关注项也是不尽相同的，所以在过滤前就需要先将每个进入推荐系统的普通用户使用改进聚类划分到不同的簇集中，最终再过滤普通用户概貌的共同关注项；
6、特征指标提取与压缩，采用类内散布矩阵的单类模式特征提取方法，二次提取用户的特征指标的特征向量，这不仅保留了鉴别信息特征，也使得该特征得到突出强调，最终实现攻击概貌与普通概貌的分类。
本发明的有益效果具体表述如下：
1)区别于以往发明直接利用人工特征提取用户信息，本发明利用点互信息深度挖掘用户项目评分数据集中用户间的隐式关系，构建用户-用户共现矩阵。
2)对用户-用户共现矩阵，通过余弦相似度地提取，获得用户深层相似度矩阵，使得相似(不相似或弱相似)用户间的相似程度相对增强(减弱)，增强聚类后的效果。
3)利用用户深层相似度矩阵改进聚类方法，对聚类个数K及聚类中心进行再定义，通过Pearson相关系数定义距离度量和分类决策规则。
4)针对AoP攻击更偏重于对流行项目进行评分，对混合用户数据集及普通用户数据集，分别根据聚类过后得到的同一簇集中评分次数，获取不同用户的共同关注项，过滤掉流行项目评分，削弱AoP攻击的伪装性。
5)利用类内散布矩阵的单类模式特征提取的方法对特征指标二次提取，突出类间可分性，保证攻击概貌和普通概貌集合于簇集的两端，大幅度提高了识别AoP攻击概貌的准确性。
附图说明
图1为本发明实施例的算法流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明所述的一种基于改进聚类的托攻击检测方法，如图1所示，包括以下步骤：
101、混合概貌数据集，将攻击概貌数据集以及普通用户概貌数据集集合到同一数据集中；
102、构建用户深层相似度矩阵，针对已有的用户相似度矩阵难以提取更深层用户隐式特征信息的缺点，现提出一种用户深层相似度矩阵构建的方法；
103、混合数据集聚类分析，对该混入攻击概貌的数据集进行聚类分析，根据步骤102中获取的用户深层相似度矩阵，确定聚类中心K的个数，并初始化聚类中心，通过Pearson相关系数定义距离度量和分类决策规则；
104、获取共同关注项，根据步骤103中获取到的簇集，在同一簇集中根据评分次数获取不同用户的共同关注项；
105、过滤共同关注项，为了防止流行项目的干扰，先根据步骤103和步骤104相似地获取普通用户概貌的共同关注项，在此基础上，对于步骤104中所获得的共同关注项进行过滤操作。在推荐系统中，由于每个用户的最近邻不是完全相同，这也就导致它们所需要过滤的共同关注项也是不尽相同的，所以在过滤前就需要先将每个进入推荐系统的普通用户使用改进聚类划分到不同的簇集中，最终再过滤普通用户概貌的共同关注项；
106、特征指标提取与压缩，采用类内散布矩阵的单类模式特征提取方法对特征指标二次提取与压缩，实现攻击概貌与普通概貌的分类。
步骤102所述构建用户深层相似度矩阵，包括以下步骤：
(1)基于单词和上下文的信息度量构建的点互信PMI衍生出用户-用户的共现矩阵UPPMI，PMI公式如下：
其中#(i,j)表示为用户i和用户j评价过的相同项目的数量，|D|表示为用户对项目评分的总对数，#(i)表示用户i对项目评分的数量，#(j)是用户j对项目评分的数量。PMI(i,j)表示用户i和用户j的点互信息。
(2)对UPPMI使用余弦相似度进行行与行之间的相似度计算，求取步骤为：
Ci，.和Cj，.表示用户-用户共现矩阵UPPMI中的每两行向量。
(3)通过计算用户-用户共现矩阵UPPMI的余弦相似度，得到相似矩阵simcos l×l。
聚类中心K的个数以及初始聚类K的选定对于最终K-Means算法的聚类效果具有重要影响。
步骤103所述聚类中心K的个数以及初始聚类中心K的选定，包括以下步骤：
(1)鉴于simcos l×l矩阵的对称性，只考虑矩阵上三角的系统用户的相关系数，又因为负数表明两者评分有很大的差别，所以只选用simcos ij>0的上三角数据。
simcos l×l公式表示如下：
(2)将选取好的simcos l×l上三角数据投影到X轴坐标上，为保证之后划分精度，投影值保留有效位数3位。
(3)按次算投影在X轴坐标上相邻simcos数据的间隔差，并根据simcos的精度以及相邻simcos数据的间隔差选定θ，若是|simcos i-simcos j|≥θ，则作为一个划分。(4)计算K个划分中的个数tK，并设置临界点tmin＝存在simcos大于0的用户个数/K。若是tK＜＜tmin，即对于该范围区间的用户仅存在个别与其相关的用户，则不用考虑该区间的划分，划分区间的个数K则需要减1。
(5)选择UPPMI矩阵中行数和最大的uk个用户作为初始聚类中心Mi0(1≤i≤K)，即表示该用户和其他用户有较多相似评分项目，成为其他用户的近邻的可能性更高。uk表示用户中具有相似评分项目最多的第k个用户。Mi0表示第i个簇集的初始聚类中心。
(6)计算用户与初始聚类中心Mi0(1≤i≤K)的Pearson相关系数，依次将用户划分到与其相关性最大的簇集中，根据K个簇集中用户对项目的评分均值，更新聚类中心为Mi(1≤i≤K)。Pearson相关系数的公式为：
其中sir表示用户i对项目r的评分；sjr表示用户j对项目r的评分，表示用户i的平均评分，/>表示用户j的平均分数。
(2)若新得到的聚类中心Mi(l+1)与之前的聚类中心之间的相似度大于等于σ，停止聚类，即simPear(Mi(l),Mi(l+1))≥σ。若是相似度小于σ，则重复(6)的操作。
步骤104中所述在同一簇集中根据评分次数获取不同用户的共同关注项。每个簇集都有其区别于其他簇集的共同关注项，但是这些共同关注项都会可能成为近邻用户关注的项目。对于协同过滤推荐系统来说，近邻用户是进行定向推荐的基础，用来计算预测值，一般情况，近邻个数的提高能够有效保障推荐的准确性，但是这确是以计算效率作为代价，所以选择合适的近邻个数，能够最大的帮助分析数据集中的概貌差异。
对于在同一簇集的用户，分别统计其评分次数，若是其中某个项目的被评分次数大于等于用户近邻个数的项目合集，那么该项目就是这一簇集的共同关注项。表示为：
Ik focus＝(Ik 1,Ik 2,Ik 3,...,Ik i),if(Ik i≥uneighbor)
其中Ik i是在簇集k中第i个项目的被评分次数；uneighbor是推荐系统在预测项目评分时所设定的用户近邻个数。
步骤105所述过滤步骤104所取得的共同关注项方法包括以下步骤：
(1)在推荐系统中，需要考虑到流行项对于共同关注项目的影响，通过上述步骤c对普通用户概貌进行聚类分析及步骤d获取普通用户之间的共同关注项Iu。
(2)对用户共同关注项目集合Iu与Ik focus进行一个交集操作，获得交集Iu∩Ik focus；
(3)过滤用户共同关注项Ik focus＝Ik focus-Iu∩Ik focus。
步骤106所述对特征指标二次提取与压缩，实现攻击概貌与普通概貌的分类，包括以下步骤：
(1)定义一个特征指标向量，目的是用来区分攻击概貌与普通用户概貌，如下表示：
R＝[r1,r2,r3,...,rm]
其中rm表示不同攻击类型确定的特征指标。
(2)根据(1)中定义好的特征指标向量，再定义标记用户特征指标矩阵，如下所示：
其中r11表示标记用户1的第1个特征指标，rnm表示标记用户n的第m个特征指标。
(3)筛选每个用户的四个特征值，分别为近邻平均用户相似度、均值方差、加权评分一致度，攻击项目的卡方估计值。如下依次表示为：
其中，表示的是Pearson相似度的累加和，u和v表示的是数据集里的两个用户，k指用户u的最近邻数目；Pu,F是用户u的所有评分项目中把最高的评分减去之后剩下的集合项目；|Pu,F|是该项目合集里的项目总数；hu,j是用户u对填充项目j的评分值；/>为用户u对项目的平均评分；Nu表示用户u评价过的项目个数；NRi表示项目i被评价过的次数；hu,i指的是用户u对项目i的评分；/>指的是项目i的平均评分；I表示数据集中所有的项目；A表示既属于评分项目集合又属于攻击项目集合的个数；B表示属于有评分的项目集合但不属于攻击项目集合的个数；C表示不属于有评分项目集合但属于攻击项目集合的个数；D表示既不属于有评分项目集合又不属于攻击项目集合的个数。
(4)特征指标值的均值向量表示为：
Umr＝E(r)
(5)特征指标协方差矩阵表示为：
Ucr＝E{(R-Umr)(R-Umr)T}
其中，R为4个特征值的4维向量；Ucr为4×4的实对称矩阵。
(6)根据(5)中得出的Ucr，计算出其对应的特征向量后再进行归一化，得出了最后的正交矩阵Ccr：
Ccr T＝[w1,w2,w3,w4]
式中：wi为归一化后的特征向量，i＝1,2,3,4。
(7)使用Ccr对标记用户的特征指标样本进行变换，计算变换后的类内距离：
其中，R*＝CcrR；Ccr TCcr＝E。
从上式中可以看出，变换后的标记用户的类内距离与原先的相比是保持不变的。由于在(3)中已经对选取的特征进行了压缩选取，对于Ucr的4个特征值进行升序排序，可以自由选取前三个，或者前两个，组成压缩变换矩阵Ctr(3×4)或者Ctr(2×4)，则特征指标向量压缩表示为：
R*＝CtrR
对输入用户特征指标压缩值进行排序，并计算压缩值的均值差，差值为正或者差值为负且绝对值小于阈值η，为攻击概貌，否则为普通用户概貌。

Claims (3)

1.一种基于改进聚类的托攻击检测方法，包括以下步骤：
a、混合概貌数据集，将攻击概貌数据集以及普通用户概貌数据集集合到同一数据集中；
b、构建用户深层相似度矩阵，针对已有的用户相似度矩阵难以提取更深层用户隐式特征信息的缺点，现提出一种用户深层相似度矩阵构建的方法；
c、混合数据集聚类分析，对该混入攻击概貌的数据集进行聚类分析，根据步骤b中获取的用户深层相似度矩阵，确定聚类中心K的个数，并初始化聚类中心，通过Pearson相关系数定义距离度量和分类决策规则；
所述构建用户深层相似度矩阵，包括以下步骤：
(1)基于单词和上下文的信息度量构建的点互信PMI衍生出用户-用户的共现矩阵UPPMI，PMI公式如下：
其中#(i,j)表示为用户i和用户j评价过的相同项目的数量，|D|表示为用户对项目评分的总对数，#(i)表示用户i对项目评分的数量，#(j)是用户j对项目评分的数量，PMI(i,j)表示用户i和用户j的点互信息；
(2)对UPPMI使用余弦相似度进行行与行之间的相似度计算，求取步骤为：
Ci，·和Cj，·表示用户-用户共现矩阵UPPMI中的每两行向量；
(3)通过计算用户-用户共现矩阵UPPMI的余弦相似度，得到相似矩阵simcos l×l，聚类中心K的个数以及初始聚类K的选定对于最终K-Means算法的聚类效果具有重要影响；
d、获取共同关注项，根据步骤c中获取到的簇集，在同一簇集中根据评分次数获取不同用户的共同关注项；
e、过滤共同关注项，为了防止流行项目的干扰，先根据步骤c和步骤d相似地获取普通用户概貌的共同关注项，在此基础上，对于步骤d中所获得的共同关注项进行过滤操作，在推荐系统中，由于每个用户的最近邻不是完全相同，这也就导致它们所需要过滤的共同关注项也是不尽相同的，所以在过滤前就需要先将每个进入推荐系统的普通用户使用改进聚类划分到不同的簇集中，最终再过滤普通用户概貌的共同关注项项；
f、特征指标提取与压缩，采用类内散布矩阵的单类模式特征提取方法对特征指标二次提取与压缩，实现攻击概貌与普通概貌的分类。
2.如权利要求1所述的一种基于改进聚类的托攻击检测方法，其特征在于，步骤c中所述混合数据集聚类分析，其中聚类中心K的个数和初始聚类中心的选定对于最终K-Means算法的聚类效果具有很重要的影响。
3.如权利要求1所述的一种基于改进聚类的托攻击检测方法，其特征在于，步骤d中所述在同一簇集中根据评分次数获取不同用户的共同关注项，每个簇集都有其区别于其他簇集的共同关注项，但是这些共同关注项都会可能成为近邻用户关注的项目，对于协同过滤推荐系统来说，近邻用户是进行定向推荐的基础，用来计算预测值，一般情况，近邻个数的提高能够有效保障推荐的准确性，但是这确是以计算效率作为代价，所以选择合适的近邻个数，能够最大的帮助分析数据集中的概貌差异。
CN202110712405.8A 2021-06-25 2021-06-25 一种基于改进聚类的托攻击检测方法 Active CN113722607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110712405.8A CN113722607B (zh) 2021-06-25 2021-06-25 一种基于改进聚类的托攻击检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110712405.8A CN113722607B (zh) 2021-06-25 2021-06-25 一种基于改进聚类的托攻击检测方法

Publications (2)

Publication Number Publication Date
CN113722607A CN113722607A (zh) 2021-11-30
CN113722607B true CN113722607B (zh) 2023-12-08

Family

ID=78673071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110712405.8A Active CN113722607B (zh) 2021-06-25 2021-06-25 一种基于改进聚类的托攻击检测方法

Country Status (1)

Country Link
CN (1) CN113722607B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154178A (zh) * 2017-12-25 2018-06-12 北京工业大学 基于改进的svm-knn算法的半监督托攻击检测方法
CN109948677A (zh) * 2019-03-06 2019-06-28 长安大学 一种基于混合特征值的托攻击检测方法
CN110417765A (zh) * 2019-07-22 2019-11-05 南京邮电大学 一种基于信任的托攻击用户的检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5011234B2 (ja) * 2008-08-25 2012-08-29 株式会社日立情報システムズ 攻撃ノード群判定装置およびその方法、ならびに情報処理装置および攻撃対処方法、およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154178A (zh) * 2017-12-25 2018-06-12 北京工业大学 基于改进的svm-knn算法的半监督托攻击检测方法
CN109948677A (zh) * 2019-03-06 2019-06-28 长安大学 一种基于混合特征值的托攻击检测方法
CN110417765A (zh) * 2019-07-22 2019-11-05 南京邮电大学 一种基于信任的托攻击用户的检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于堆叠稀疏自编码的模糊C-均值聚类算法;段宝彬;韩立新;谢进;计算机工程与应用;第51卷(第4期);154-157 *
针对商品推荐系统的混淆托攻击半监督检测研究;卫星君;李海霞;科技促进发展;第16卷(第009期);1125-1133 *

Also Published As

Publication number Publication date
CN113722607A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN110413924B (zh) 一种半监督多视图学习的网页分类方法
CN100530222C (zh) 图像匹配方法
CN105205501B (zh) 一种多分类器联合的弱标注图像对象检测方法
CN105389326B (zh) 基于弱匹配概率典型相关性模型的图像标注方法
CN106250925B (zh) 一种基于改进的典型相关分析的零样本视频分类方法
CN108537137B (zh) 基于标签鉴别相关分析的多模态生物特征融合识别方法
CN105930873B (zh) 一种基于子空间的自步跨模态匹配方法
CN102663447B (zh) 基于判别相关分析的跨媒体检索方法
CN112732748B (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
CN106203483A (zh) 一种基于语义相关多模态映射方法的零样本图像分类方法
CN106202999B (zh) 基于不同尺度tuple词频的微生物高通量测序数据分析协议
CN113489685A (zh) 一种基于核主成分分析的二次特征提取及恶意攻击识别方法
Wang et al. S 3 d: scalable pedestrian detection via score scale surface discrimination
CN112784921A (zh) 任务注意力引导的小样本图像互补学习分类算法
CN111428064B (zh) 小面积指纹图像快速索引方法、装置、设备及存储介质
WO2022011855A1 (zh) 一种假阳性结构变异过滤方法、存储介质及计算设备
CN113722607B (zh) 一种基于改进聚类的托攻击检测方法
CN109902690A (zh) 图像识别技术
CN109886151A (zh) 一种虚假身份属性检测方法
Ma et al. Non-traditional spectral clustering algorithms for the detection of community structure in complex networks: a comparative analysis
CN104778478A (zh) 一种手写数字识别方法
CN106778775B (zh) 一种基于sift特征软匹配的图像分类方法
CN114896575B (zh) 一种基于虚假属性检测的可信身份辨识方法及装置
Liu et al. Global optimal path-based clustering algorithm

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