CN114157578B - 网络状态预测方法及装置 - Google Patents
网络状态预测方法及装置 Download PDFInfo
- Publication number
- CN114157578B CN114157578B CN202111406409.XA CN202111406409A CN114157578B CN 114157578 B CN114157578 B CN 114157578B CN 202111406409 A CN202111406409 A CN 202111406409A CN 114157578 B CN114157578 B CN 114157578B
- Authority
- CN
- China
- Prior art keywords
- electronic device
- network state
- network
- estimation error
- state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 claims description 92
- 230000007704 transition Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000036316 preload Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
-
- 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
Abstract
本公开关于一种网络状态预测方法及装置。该网络状态预测方法包括:获取电子装置在当前时刻的测量网速;基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定网络状态的卡尔曼增益;基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态,从而提高网络状态预测的准确性。
Description
技术领域
本公开涉及互联网技术领域。更具体地,本公开涉及一种网络状态预测方法及装置。
背景技术
相关技术中,状态估计是一种普遍存在的场景。在估计出网络状态之后,应用针对不同的网络状态使用不同的策略。例如,在网速快的情况下,看高清视频无压力,在网速慢的情况下,看高清不合适,将视频从高清转为非高清更能保障观看者的观看体验。
发明内容
本公开的示例性实施例在于提供一种网络状态预测方法及装置,以至少解决相关技术中的网络状态预测的问题,也可不解决任何上述问题。
根据本公开的示例性实施例,提供一种网络状态预测方法,包括:获取电子装置在当前时刻的测量网速;基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定网络状态的卡尔曼增益;基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态。
可选地,确定网络状态的卡尔曼增益的步骤可包括:基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值;基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定卡尔曼增益。
可选地,基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态的步骤可包括:基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态,确定电子装置在当前时刻的网络状态估计迭代值;基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的网络状态。
可选地,当前时刻的测量网速可以是第一网速、第二网速和第三网速之一,其中,第一网速可以是电子装置在当前时刻下载资源的网速,第二网速可以是基于与电子装置的网络状态相关的数据预测出的电子装置的网速,第三网速可以是电子装置的历史网速,其中,与电子装置的网络状态相关的数据可包括电子装置的位置、机型、网络类型、网络信号强度中的至少一个。
可选地,所述网络状态预测方法还可包括:基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差。
可选地,基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态,确定电子装置在当前时刻的网络状态估计迭代值的步骤可包括:将预设的第一状态转移系数作为电子装置在上一预测时刻的网络状态的权重,并将预设的第二状态转移系数作为上一预测时刻到当前时刻的控制量的权重;基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态、以及上一预测时刻到当前时刻的控制量的权重与电子装置在上一预测时刻的网络状态的权重,计算上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态的加权和,并将所述加权和作为电子装置在当前时刻的网络状态估计迭代值。
可选地,基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的网络状态的步骤可包括:基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的状态测量误差;将卡尔曼增益与电子装置在当前时刻的状态测量误差执行乘积操作,得到第一乘积;计算电子装置在当前时刻的网络状态估计迭代值与第一乘积之和,并将所述和作为电子装置在当前时刻的网络状态。
可选地,基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差的步骤可包括:将卡尔曼增益与网络状态的状态量到测量量的系数执行乘积操作,得到第二乘积;计算单位向量与第二乘积的差;将所述差与电子装置在当前时刻的网络状态估计误差迭代值执行乘积操作,得到第三乘积,并将第三乘积作为电子装置在当前时刻的网络状态估计误差。
可选地,基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值的步骤可包括:基于第一关系模型计算电子装置在当前时刻的网络状态估计误差迭代值,其中,第一关系模型包括其中,/>表示当前时刻的网络状态估计误差迭代值,Pk-1表示上一预测时刻的网络状态估计误差,Q表示当前时刻的网络状态估计误差的方差,AT表示A的转置,A表示所述预设的第一状态转移系数。
可选地,基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定卡尔曼增益的步骤可包括:基于第二关系模型计算卡尔曼增益,其中,第二关系模型包括其中,Kk表示卡尔曼增益,/>表示当前时刻的网络状态估计误差迭代值,HT表示H的转置,H表示网络状态的状态量到测量量的系数,R表示当前时刻的网络状态测量误差的方差,/>表示/>的倒数。
根据本公开的示例性实施例,提供一种网络状态预测装置,包括:测量网速获取单元,被配置为获取电子装置在当前时刻的测量网速;增益确定单元,被配置为基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定网络状态的卡尔曼增益;和网络状态确定单元,被配置为基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态。
可选地,增益确定单元可被配置为:基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值;基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定卡尔曼增益。
可选地,网络状态确定单元可被配置为:基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态,确定电子装置在当前时刻的网络状态估计迭代值;基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的网络状态。
可选地,当前时刻的测量网速可以是第一网速、第二网速和第三网速之一,其中,第一网速可以是电子装置在当前时刻下载资源的网速,第二网速可以是基于与电子装置的网络状态相关的数据预测出的电子装置的网速,第三网速可以是电子装置的历史网速,其中,与电子装置的网络状态相关的数据可包括电子装置的位置、机型、网络类型、网络信号强度中的至少一个。
可选地,所述网络状态预测装置还可包括:估计误差确定单元,被配置为基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差。
可选地,网络状态确定单元可被配置为:将预设的第一状态转移系数作为电子装置在上一预测时刻的网络状态的权重,并将预设的第二状态转移系数作为上一预测时刻到当前时刻的控制量的权重;基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态、以及上一预测时刻到当前时刻的控制量的权重与电子装置在上一预测时刻的网络状态的权重,计算上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态的加权和,并将所述加权和作为电子装置在当前时刻的网络状态估计迭代值。
可选地,网络状态确定单元可被配置为:基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的状态测量误差;将卡尔曼增益与电子装置在当前时刻的状态测量误差执行乘积操作,得到第一乘积;计算电子装置在当前时刻的网络状态估计迭代值与第一乘积之和,并将所述和作为电子装置在当前时刻的网络状态。
可选地,估计误差确定单元可被配置为:将卡尔曼增益与网络状态的状态量到测量量的系数执行乘积操作,得到第二乘积;计算单位向量与第二乘积的差;将所述差与电子装置在当前时刻的网络状态估计误差迭代值执行乘积操作,得到第三乘积,并将第三乘积作为电子装置在当前时刻的网络状态估计误差。
可选地,增益确定单元可被配置为:基于第一关系模型计算电子装置在当前时刻的网络状态估计误差迭代值,其中,第一关系模型包括 其中,/>表示当前时刻的网络状态估计误差迭代值,Pk-1表示上一预测时刻的网络状态估计误差,Q表示当前时刻的网络状态估计误差的方差,AT表示A的转置,A表示所述预设的第一状态转移系数。
可选地,增益确定单元可被配置为:基于第二关系模型计算卡尔曼增益,其中,第二关系模型包括其中,Kk表示卡尔曼增益,/>表示当前时刻的网络状态估计误差迭代值,HT表示H的转置,H表示网络状态的状态量到测量量的系数,R表示当前时刻的网络状态测量误差的方差,/>表示/>的倒数。
根据本公开的示例性实施例,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现根据本公开的示例性实施例的网络状态预测方法。
根据本公开的示例性实施例,提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被电子设备的处理器执行时,使得电子设备执行根据本公开的示例性实施例的网络状态预测方法。
根据本公开的示例性实施例,提供一种计算机程序产品,包括计算机程序/指令,当所述计算机程序/指令被处理器执行时,实现根据本公开的示例性实施例的网络状态预测方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
提高网络状态预测的准确性;
提高制定的自适应的网络策略的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1示出本公开的示例性实施例可以应用于其中的示例性系统架构100。
图2示出根据本公开的示例性实施例的网络状态预测方法的流程图。
图3示出了基于根据本公开的示例性实施例的网络状态预测方法和用户观看时长预测来制定自适应的预加载策略。
图4示出了根据本公开的示例性实施例的网速测量的时序图。
图5示出根据本公开的示例性实施例的网络状态预测装置的框图。
图6是根据本公开的示例性实施例的电子设备600的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在此需要说明的是,在本公开中出现的“若干项之中的至少一项”均表示包含“该若干项中的任意一项”、“该若干项中的任意多项的组合”、“该若干项的全体”这三类并列的情况。例如“包括A和B之中的至少一个”即包括如下三种并列的情况:(1)包括A;(2)包括B;(3)包括A和B。又例如“执行步骤一和步骤二之中的至少一个”,即表示如下三种并列的情况:(1)执行步骤一;(2)执行步骤二;(3)执行步骤一和步骤二。
网速是反映网络状态的一个指标,并且是最常用的指标。绝大多数情况下,用户都希望获得最精确的网络状态信息。使用网速来反映网络状态是最理想的,但是获取真实网速是一件很难的事情。为此,可首先尝试测量网速,预测当前网速是多少。然而,网速测量是有一个陷阱的,测量网速是用下载资源/所用时间。网速测量的结果会因所下载的资源内容和大小而不同。为此,在本申请中,例如,使用的网络的类型(诸如wifi、4G、5G等)、所在区域的网络质量、所在区域的周围电子装置的网络情况、所在位置等来预测网络状态。
一般来说可通过多种方式来测量网速,如果只使用任意一种测量网速的方式来确定网速,则会陷入一种“以偏概全”的陷阱。合理科学地结合多种信息来源进行网络状态的预测,才会得到更加精准的预测结果。在本公开中,基于“卡尔曼滤波”来进行网络状态估计。
一般称“卡尔曼滤波”是指线性卡尔曼滤波,这里的“线性”是指对系统状态(x)的转移方程设定为线性,即,xk=Axk-1+Buk-1+wk-1,设定zk=Hxk+vk,并且设定网络状态误差w和测量误差v相互独立,网络状态误差w和测量误差v均为正态分布,p(w)~N(0,Q),p(v)~N(0,R)。这里,A、B表示状态转移系数,xk表示k时刻的网络状态,uk-1表示k-1时刻到k时刻的控制量,wk表示k时刻的误差,H表示网络状态的状态量到测量量的系数,zk表示k时刻的测量网速,vk表示k时刻网络状态的测量误差,Q表示网络状态误差w的方差,R表示测量误差v的方差。
下面,将参照图1至图6具体描述根据本公开的示例性实施例的网络状态预测方法及装置。
图1示出本公开的示例性实施例可以应用于其中的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器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上可以安装有各种应用,例如音视频应用、音视频通话软件、音视频录制软件、即使通信软件、会议软件、邮箱客户端、社交平台软件等。终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中,其可以实现成多个软件或软件模块(例如,用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供网络状态预测或者各种网络策略的服务器,例如,提供短视频推荐内容、推荐清晰度、预加载方式、码率自适应、视频转码方式等的服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如,用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的网络状态预测方法通常由终端设备执行,但是也可由服务器执行,或者也可以由终端设备和服务器协作执行。相应地,网络状态预测装置可设置在终端设备中、服务器中或者设置在终端设备和服务器两者中。
应该理解,图1中的终端设备、网络和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、网络和服务器,本公开对此并无限制。
图2示出根据本公开的示例性实施例的网络状态预测方法的流程图。
参照图2,在步骤S201,获取电子装置在当前时刻的测量网速。这里,在步骤S201之前,已在上一预测时刻预测出上一预测时刻的网络状态(可表示为例如,)与网络状态估计误差(可表示为例如,/>)。
在本公开的示例性实施例中,当前时刻的测量网速可以是第一网速、第二网速和第三网速之一。第一网速可以是电子装置在当前时刻下载资源的网速,第二网速可以是基于与电子装置的网络状态相关的数据预测出的电子装置的网速,第三网速可以是电子装置的历史网速。与电子装置的网络状态相关的数据可以包括电子装置的位置、机型、网络类型、网络信号强度中的至少一个。
在步骤S202,基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定网络状态的卡尔曼增益。
在本公开的示例性实施例中,在确定网络状态的卡尔曼增益时,可首先基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值,然后基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定卡尔曼增益。
在本公开的示例性实施例中,在基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值时,可基于第一关系模型计算电子装置在当前时刻的网络状态估计误差迭代值。这里,第一关系模型包括 表示当前时刻的网络状态估计误差迭代值,Pk-1表示上一预测时刻的网络状态估计误差,Q表示当前时刻的网络状态估计误差的方差,AT表示A的转置,A表示所述预设的第一状态转移系数。
在本公开的示例性实施例中,在基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定卡尔曼增益时,可基于公式第二关系模型计算卡尔曼增益。这里,第二关系模型包括Kk表示卡尔曼增益,/>表示当前时刻的网络状态估计误差迭代值,HT表示H的转置,H表示网络状态的状态量到测量量的系数,R表示当前时刻的网络状态测量误差的方差,/>表示/>的倒数。
在步骤S203,基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态。
在本公开的示例性实施例中,在基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态时,可首先基于上一预测时刻到当前时刻的网络状态的控制量与电子装置在上一预测时刻的网络状态,确定电子装置在当前时刻的网络状态估计迭代值,然后基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的网络状态。
在本公开的示例性实施例中,在基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态,确定电子装置在当前时刻的网络状态估计迭代值时,可首先将预设的第一状态转移系数作为电子装置在上一预测时刻的网络状态的权重,并将预设的第二状态转移系数作为上一预测时刻到当前时刻的控制量的权重,然后基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态、以及上一预测时刻到当前时刻的控制量的权重与电子装置在上一预测时刻的网络状态的权重,计算上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态的加权和,并将所述加权和作为电子装置在当前时刻的网络状态估计迭代值。
例如,可通过公式计算电子装置在当前时刻的网络状态估计迭代值。这里,/>表示电子装置在当前时刻的网络状态估计迭代值,/>表示电子装置在上一预测时刻的网络状态,uk-1表示上一预测时刻到当前时刻的控制量,A表示预设的第一状态转移系数,B表示预设的第二状态转移系数。
在本公开的示例性实施例中,在基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的网络状态时,可首先基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的状态测量误差,将卡尔曼增益与电子装置在当前时刻的状态测量误差执行乘积操作,得到第一乘积,然后计算电子装置在当前时刻的网络状态估计迭代值与第一乘积之和,并将所述和作为电子装置在当前时刻的网络状态。
例如,可通过公式来计算电子装置在当前时刻的网络状态。这里,/>表示电子装置在当前时刻的网络状态,/>表示电子装置在当前时刻的网络状态估计迭代值,Kk表示卡尔曼增益,zk表示k时刻的测量网速,H表示网络状态的状态量到测量量的系数。
在本公开的示例性实施例中,在步骤S202确定出卡尔曼增益之后,还可基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差。
在本公开的示例性实施例中,在基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差时,可首先将卡尔曼增益与网络状态的状态量到测量量的系数执行乘积操作,得到第二乘积,计算单位向量与第二乘积的差,然后将所述差与电子装置在当前时刻的网络状态估计误差迭代值执行乘积操作,得到第三乘积,并将第三乘积作为电子装置在当前时刻的网络状态估计误差。
例如,可通过公式来计算电子装置在当前时刻的网络状态估计误差。这里,Pk表示当前时刻的网络状态估计误差,/>表示当前时刻的网络状态估计误差迭代值,Kk表示卡尔曼增益,H表示网络状态的状态量到测量量的系数。
图3示出了基于根据本公开的示例性实施例的网络状态预测方法和用户观看时长预测来制定自适应的预加载策略。图4示出了根据本公开的示例性实施例的网速测量的时序图。
图3针对短视频场景,利用基于“卡尔曼滤波”的状态估计来融合多种网速预测的结果从而给出更加精准的网络状态预测(网络状态预测包括网速)。基于网络状态预测可制定自适应的网络策略,从而提升用户的体验。
在图4中,每一个时刻ti(t1至t6)都有一个网速观测值(或测量值)zi(z1至z6)和网速真实状态值xi(x1至x6)。其中,测量值zi的来源是网速测量1得到的第一网速、网速测量2得到的第二网速、以及网速测量3得到的第三网速,它们由于来源不一样在时间上往往不是同时,因此在时序上呈现出先后次序,鉴于此按照其先后次序进行数据融合即可。通过每一次观测完成一次卡尔曼滤波的迭代过程来更新对网速真实状态值xi的估计。
在卡尔曼滤波的迭代过程中参数A、B、P、Q、R需要确定。在图3所示的场景中,由于在无其他因素下可认为前后间隔时间短时网速状态不变,因此,可设定A=1,B=0。P衡量了网速真实状态x的整体波动情况,这个值视具体情况而定,一个做法是取过去一段时间的实际网速测量值(网速测量1得到的第一网速)的方差。Q来源于网速状态的整体干扰,表示的是网速状态整体的波动情况,与P类似,不同之处在于P具体是某一次的估计值,Q是理论模型设定值。R同样表示的一次测量的误差大小,根据不同的测量方式其值不同。
以上已经结合图1至图4对根据本公开的示例性实施例的网络状态预测方法进行了描述。在下文中,将参照图5对根据本公开的示例性实施例的网络状态预测装置及其单元进行描述。
图5示出根据本公开的示例性实施例的网络状态预测装置的框图。
参照图5,网络状态预测装置包括测量网速获取单元51、增益确定单元52和网络状态确定单元53。
测量网速获取单元51被配置为获取电子装置在当前时刻的测量网速。
在本公开的示例性实施例中,测量网速获取单元51获取的当前时刻的测量网速可以是第一网速、第二网速和第三网速之一,其中,第一网速可以是电子装置在当前时刻下载资源的网速,第二网速可以是基于与电子装置的网络状态相关的数据预测出的电子装置的网速,第三网速可以是电子装置的历史网速,其中,与电子装置的网络状态相关的数据可包括电子装置的位置、机型、网络类型、网络信号强度中的至少一个。
增益确定单元52被配置为基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定网络状态的卡尔曼增益。
在本公开的示例性实施例中,增益确定单元52可被配置为:基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值;基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定卡尔曼增益。
在本公开的示例性实施例中,增益确定单元52可被配置为:基于第一关系模型计算电子装置在当前时刻的网络状态估计误差迭代值,其中,第一关系模型包括其中,/>表示当前时刻的网络状态估计误差迭代值,Pk-1表示上一预测时刻的网络状态估计误差,Q表示当前时刻的网络状态估计误差的方差,AT表示A的转置,A表示所述预设的第一状态转移系数。
在本公开的示例性实施例中,增益确定单元52可被配置为:基于第二关系模型计算卡尔曼增益,其中,第二关系模型包括其中,Kk表示卡尔曼增益,/>表示当前时刻的网络状态估计误差迭代值,HT表示H的转置,H表示网络状态的状态量到测量量的系数,R表示当前时刻的网络状态测量误差的方差,/>表示/>的倒数。
网络状态确定单元53被配置为基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态。
在本公开的示例性实施例中,网络状态确定单元53可被配置为:基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态,确定电子装置在当前时刻的网络状态估计迭代值;基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的网络状态。
在本公开的示例性实施例中,网络状态确定单元53可被配置为:将预设的第一状态转移系数作为电子装置在上一预测时刻的网络状态的权重,并将预设的第二状态转移系数作为上一预测时刻到当前时刻的控制量的权重;基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态、以及上一预测时刻到当前时刻的控制量的权重与电子装置在上一预测时刻的网络状态的权重,计算上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态的加权和,并将所述加权和作为电子装置在当前时刻的网络状态估计迭代值。
在本公开的示例性实施例中,网络状态确定单元53可被配置为:基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的状态测量误差;将卡尔曼增益与电子装置在当前时刻的状态测量误差执行乘积操作,得到第一乘积;计算电子装置在当前时刻的网络状态估计迭代值与第一乘积之和,并将所述和作为电子装置在当前时刻的网络状态。
在本公开的示例性实施例中,所述网络状态预测装置还可包括估计误差确定单元(未示出),被配置为基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差。
在本公开的示例性实施例中,估计误差确定单元可被配置为:将卡尔曼增益与网络状态的状态量到测量量的系数执行乘积操作,得到第二乘积;计算单位向量与第二乘积的差;将所述差与电子装置在当前时刻的网络状态估计误差迭代值执行乘积操作,得到第三乘积,并将第三乘积作为电子装置在当前时刻的网络状态估计误差。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上已经结合图5对根据本公开的示例性实施例的网络状态预测装置进行了描述。接下来,结合图6对根据本公开的示例性实施例的电子设备进行描述。
图6是根据本公开的示例性实施例的电子设备600的框图。
参照图6,电子设备600包括至少一个存储器601和至少一个处理器602,所述至少一个存储器601中存储有计算机可执行指令集合,当计算机可执行指令集合被至少一个处理器602执行时,执行根据本公开的示例性实施例的网络状态预测的方法。
在本公开的示例性实施例中,电子设备600可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里,电子设备600并非必须是单个的电子设备,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。电子设备600还可以是集成控制系统或系统管理器的一部分,或者可被配置为与本地或远程(例如,经由无线传输)以接口互联的便携式电子设备。
在电子设备600中,处理器602可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理器602可运行存储在存储器601中的指令或代码,其中,存储器601还可以存储数据。指令和数据还可经由网络接口装置而通过网络被发送和接收,其中,网络接口装置可采用任何已知的传输协议。
存储器601可与处理器602集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储器601可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器601和处理器602可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器602能够读取存储在存储器中的文件。
此外,电子设备600还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。电子设备600的所有组件可经由总线和/或网络而彼此连接。
根据本公开的示例性实施例,还提供一种包括指令的计算机可读存储介质,例如包括指令的存储器601,上述指令可由装置600的处理器602执行以完成上述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
根据本公开的示例性实施例,还可提供一种计算机程序产品,该计算机程序产品包括计算机程序/指令,当所述计算机程序/指令被处理器执行时,实现根据本公开的示例性实施例的网络状态预测的方法。
以上已参照图1至图6描述了根据本公开的示例性实施例的网络状态预测方法及装置。然而,应该理解的是:图5中所示的网络状态预测装置及其单元可分别被配置为执行特定功能的软件、硬件、固件或上述项的任意组合,图6中所示的电子设备并不限于包括以上示出的组件,而是可根据需要增加或删除一些组件,并且以上组件也可被组合。
根据本公开的网络状态预测方法及装置,通过首先获取电子装置在当前时刻的测量网速,然后基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定网络状态的卡尔曼增益,标签基于电子装置在当前时刻的测量网速以及卡尔曼增益确定电子装置在当前时刻的网络状态,从而提高网络状态预测的准确性。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
1.一种网络状态预测方法,其特征在于,包括:
获取电子装置在当前时刻的测量网速;
基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值;
基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定网络状态的卡尔曼增益;
将预设的第一状态转移系数作为电子装置在上一预测时刻的网络状态的权重,并将预设的第二状态转移系数作为上一预测时刻到当前时刻的控制量的权重;
基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态、以及上一预测时刻到当前时刻的控制量的权重与电子装置在上一预测时刻的网络状态的权重,计算上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态的加权和,并将所述加权和作为电子装置在当前时刻的网络状态估计迭代值;
基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的状态测量误差;
将卡尔曼增益与电子装置在当前时刻的状态测量误差执行乘积操作,得到第一乘积;
计算电子装置在当前时刻的网络状态估计迭代值与第一乘积之和,并将所述和作为电子装置在当前时刻的网络状态。
2.根据权利要求1所述的网络状态预测方法,其特征在于,当前时刻的测量网速是第一网速、第二网速和第三网速之一,
其中,第一网速是电子装置在当前时刻下载资源的网速,
第二网速是基于与电子装置的网络状态相关的数据预测出的电子装置的网速,
第三网速是电子装置的历史网速,
其中,与电子装置的网络状态相关的数据包括电子装置的位置、机型、网络类型、网络信号强度中的至少一个。
3.根据权利要求1所述的网络状态预测方法,其特征在于,还包括:
基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差。
4.根据权利要求3所述的网络状态预测方法,其特征在于,基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差的步骤包括:
将卡尔曼增益与网络状态的状态量到测量量的系数执行乘积操作,得到第二乘积;
计算单位向量与第二乘积的差;
将所述差与电子装置在当前时刻的网络状态估计误差迭代值执行乘积操作,得到第三乘积,并将第三乘积作为电子装置在当前时刻的网络状态估计误差。
5.根据权利要求1所述的网络状态预测方法,其特征在于,基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值的步骤包括:
基于第一关系模型计算电子装置在当前时刻的网络状态估计误差迭代值,
其中,第一关系模型包括
其中,表示当前时刻的网络状态估计误差迭代值,Pk-1表示上一预测时刻的网络状态估计误差,Q表示当前时刻的网络状态估计误差的方差,AT表示A的转置,A表示所述预设的第一状态转移系数。
6.根据权利要求1所述的网络状态预测方法,其特征在于,基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定卡尔曼增益的步骤包括:
基于第二关系模型计算卡尔曼增益,
其中,第二关系模型包括
其中,Kk表示卡尔曼增益,表示当前时刻的网络状态估计误差迭代值,HT表示H的转置,H表示网络状态的状态量到测量量的系数,R表示当前时刻的网络状态测量误差的方差,表示/>的倒数。
7.一种网络状态预测装置,其特征在于,包括:
测量网速获取单元,被配置为获取电子装置在当前时刻的测量网速;
增益确定单元,被配置为基于电子装置在上一预测时刻的网络状态估计误差与电子装置的网络状态估计误差的方差,确定电子装置在当前时刻的网络状态估计误差迭代值,基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值与电子装置的网络状态测量误差的方差,确定网络状态的卡尔曼增益;和
网络状态确定单元,被配置为将预设的第一状态转移系数作为电子装置在上一预测时刻的网络状态的权重,并将预设的第二状态转移系数作为上一预测时刻到当前时刻的控制量的权重,基于上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态、以及上一预测时刻到当前时刻的控制量的权重与电子装置在上一预测时刻的网络状态的权重,计算上一预测时刻到当前时刻的控制量与电子装置在上一预测时刻的网络状态的加权和,并将所述加权和作为电子装置在当前时刻的网络状态估计迭代值,基于网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计迭代值与测量网速,确定电子装置在当前时刻的状态测量误差,将卡尔曼增益与电子装置在当前时刻的状态测量误差执行乘积操作,得到第一乘积,计算电子装置在当前时刻的网络状态估计迭代值与第一乘积之和,并将所述和作为电子装置在当前时刻的网络状态。
8.根据权利要求7所述的网络状态预测装置,其特征在于,当前时刻的测量网速是第一网速、第二网速和第三网速之一,
其中,第一网速是电子装置在当前时刻下载资源的网速,
第二网速是基于与电子装置的网络状态相关的数据预测出的电子装置的网速,
第三网速是电子装置的历史网速,
其中,与电子装置的网络状态相关的数据包括电子装置的位置、机型、网络类型、网络信号强度中的至少一个。
9.根据权利要求7所述的网络状态预测装置,其特征在于,还包括:
估计误差确定单元,被配置为基于卡尔曼增益、网络状态的状态量到测量量的系数、以及电子装置在当前时刻的网络状态估计误差迭代值,确定电子装置在当前时刻的网络状态估计误差。
10.根据权利要求9所述的网络状态预测装置,其特征在于,估计误差确定单元被配置为:
将卡尔曼增益与网络状态的状态量到测量量的系数执行乘积操作,得到第二乘积;
计算单位向量与第二乘积的差;
将所述差与电子装置在当前时刻的网络状态估计误差迭代值执行乘积操作,得到第三乘积,并将第三乘积作为电子装置在当前时刻的网络状态估计误差。
11.根据权利要求7所述的网络状态预测装置,其特征在于,增益确定单元被配置为:
基于第一关系模型计算电子装置在当前时刻的网络状态估计误差迭代值,
其中,第一关系模型包括
其中,表示当前时刻的网络状态估计误差迭代值,Pk-1表示上一预测时刻的网络状态估计误差,Q表示当前时刻的网络状态估计误差的方差,AT表示A的转置,A表示所述预设的第一状态转移系数。
12.根据权利要求7所述的网络状态预测装置,其特征在于,增益确定单元被配置为:
基于第二关系模型计算卡尔曼增益,
其中,第二关系模型包括
其中,Kk表示卡尔曼增益,表示当前时刻的网络状态估计误差迭代值,HT表示H的转置,H表示网络状态的状态量到测量量的系数,R表示当前时刻的网络状态测量误差的方差,表示/>的倒数。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的网络状态预测方法。
14.一种计算机可读存储介质,存储有计算机程序,其特征在于,当所述计算机程序被电子设备的处理器执行时,使得电子设备执行如权利要求1至6中任一项所述的网络状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406409.XA CN114157578B (zh) | 2021-11-24 | 2021-11-24 | 网络状态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406409.XA CN114157578B (zh) | 2021-11-24 | 2021-11-24 | 网络状态预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114157578A CN114157578A (zh) | 2022-03-08 |
CN114157578B true CN114157578B (zh) | 2023-10-31 |
Family
ID=80457857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111406409.XA Active CN114157578B (zh) | 2021-11-24 | 2021-11-24 | 网络状态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114157578B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115080143A (zh) * | 2022-06-14 | 2022-09-20 | 北京字跳网络技术有限公司 | 页面资源预加载方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10317587A1 (de) * | 2003-04-16 | 2004-11-11 | Siemens Ag | Stochastischer Zustandsschätzer |
WO2016123497A1 (en) * | 2015-01-29 | 2016-08-04 | Vid Scale, Inc. | Bandwidth prediction and prefetching for enhancing the qoe of applications over wireless networks |
WO2016169227A1 (zh) * | 2015-04-23 | 2016-10-27 | 和芯星通科技(北京)有限公司 | Gnss单点定位的方法及装置 |
CN107592647A (zh) * | 2016-07-06 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 一种无线网络速率估计方法、装置及系统 |
JP2018101205A (ja) * | 2016-12-19 | 2018-06-28 | 株式会社豊田中央研究所 | ネットワーク状態推定装置及びプログラム |
CN112019398A (zh) * | 2020-07-16 | 2020-12-01 | 中国人民财产保险股份有限公司 | 网络流量的预测方法和装置 |
-
2021
- 2021-11-24 CN CN202111406409.XA patent/CN114157578B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10317587A1 (de) * | 2003-04-16 | 2004-11-11 | Siemens Ag | Stochastischer Zustandsschätzer |
WO2016123497A1 (en) * | 2015-01-29 | 2016-08-04 | Vid Scale, Inc. | Bandwidth prediction and prefetching for enhancing the qoe of applications over wireless networks |
WO2016169227A1 (zh) * | 2015-04-23 | 2016-10-27 | 和芯星通科技(北京)有限公司 | Gnss单点定位的方法及装置 |
CN107592647A (zh) * | 2016-07-06 | 2018-01-16 | 阿里巴巴集团控股有限公司 | 一种无线网络速率估计方法、装置及系统 |
JP2018101205A (ja) * | 2016-12-19 | 2018-06-28 | 株式会社豊田中央研究所 | ネットワーク状態推定装置及びプログラム |
CN112019398A (zh) * | 2020-07-16 | 2020-12-01 | 中国人民财产保险股份有限公司 | 网络流量的预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114157578A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108880931B (zh) | 用于输出信息的方法和装置 | |
WO2019090954A1 (zh) | 一种预测方法及终端、服务器 | |
CN110058936B (zh) | 用于确定专用处理资源的资源量的方法、设备和计算机程序产品 | |
CN111612377A (zh) | 信息推送方法、装置、电子设备和计算机可读介质 | |
CN114157578B (zh) | 网络状态预测方法及装置 | |
CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
CN109117442A (zh) | 一种应用推荐方法及装置 | |
WO2021139335A1 (zh) | 物理机销售数据预测方法、装置、计算机设备及存储介质 | |
WO2014190498A1 (en) | Application ranking calculating apparatus and usage information collecting apparatus | |
CN111130984B (zh) | 用于处理信息的方法和装置 | |
US9537740B2 (en) | Monitoring device usage | |
CN113312156A (zh) | 用于确定任务的执行进度的方法、设备和计算机程序产品 | |
CN111385150A (zh) | 用于获取信息的方法及装置 | |
CN112989203B (zh) | 素材投放方法、装置、设备和介质 | |
CN114257521A (zh) | 流量预测方法、装置、电子设备和存储介质 | |
CN115865826A (zh) | 资源传输控制方法、装置、计算机设备、存储介质和产品 | |
CN113626734B (zh) | 用户行为引导方法、装置、电子设备及存储介质 | |
CN112669091B (zh) | 数据处理方法、装置及存储介质 | |
CN115086194A (zh) | 云应用的数据传输方法、计算设备及计算机存储介质 | |
CN114281504A (zh) | 一种任务调度方法、装置、电子设备及计算机可读介质 | |
KR102255252B1 (ko) | 대용량 원천데이터로부터 써머리값을 결정하는 방법 및 서버 | |
CN111367637B (zh) | 任务处理方法及装置 | |
US10169182B2 (en) | Monitoring levels of utilization of device | |
CN113779103B (zh) | 用于检测异常数据的方法和装置 | |
CN112348587B (zh) | 信息推送方法、装置和电子设备 |
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 |