CN114584801B - 一种基于图神经网络推荐算法的视频资源缓存方法 - Google Patents
一种基于图神经网络推荐算法的视频资源缓存方法 Download PDFInfo
- Publication number
- CN114584801B CN114584801B CN202210034887.0A CN202210034887A CN114584801B CN 114584801 B CN114584801 B CN 114584801B CN 202210034887 A CN202210034887 A CN 202210034887A CN 114584801 B CN114584801 B CN 114584801B
- Authority
- CN
- China
- Prior art keywords
- video
- user
- edge server
- neural network
- server
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/231—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion
- H04N21/23106—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion involving caching operations
-
- 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
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/251—Learning process for intelligent management, e.g. learning user preferences for recommending movies
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及一种基于图神经网络推荐算法的视频资源缓存方法,属于边缘计算技术领域。首先将边缘服务器划分为不同的区域,每个边缘服务器只向其区域内用户提供服务。然后,在云服务器使用图神经网络实现推荐算法,计算出每个用户的推荐视频列表。根据不同用户的推荐列表,选取其最靠前的若干视频文件执行缓存策略,将其缓存到边缘服务器中。本发明充分利用了云端服务器的计算资源,同时使用边缘服务器进行视频缓存,减小主干网络开销,同时提高了用户体验。
Description
技术领域
本发明涉及一种图神经网络和边缘计算技术,具体涉及一种基于图神经网络的推荐算法来实现边缘服务器视频缓存的方法,属于边缘计算技术领域。
背景技术
随着科技的进步和网络技术的发展,流媒体应用在人们的日常生活中占有越来越重要的地位。目前,流媒体的应用非常广泛,包括视频点播、在线听歌、电视直播、视频会议等方面。人们不只固定在一个地方使用各种流媒体,通过使用手机等移动设备,在地铁、等车、漫步的过程中也在广泛使用。
视频是流媒体的一部分。如果完整播放一个高质量的视频,会占用很多的带宽资源。如在高峰期大量用户同时请求视频资源,这样不仅造成了资源浪费,而且给主干网络带来了严重的负担,也会造成用户体验下降。
在5G背景下,进行视频点播的两大挑战是超低延迟与超大流量。如果使用基于云或者CDN(Content Delivery Network,内容分发网络)的传统视频点播方式,则会产生大量的冗余视频传输,同时产生大量的资源浪费和带宽占用。此外,从远程云端获取数据也会带来大量的传输延迟,从而使用户体验质量降低。
使用边缘计算技术,将一部分视频缓存在边缘服务器,更靠近用户终端,从而能减轻主干线带宽占用和减少传输时延,提高用户体验质量、减轻传输成本。将视频资源存放在边缘服务器可以很好的解决当前所遇到的带宽不足以及减少用户延迟,可以提供给用户一个很好的观看视频体验。
但是,将视频缓存在边缘服务器中面临着两个问题:
1.将怎样的视频存放在边缘服务器中。
因为每个人的喜好不同,用户可能具有不同的视频类型倾向。如用户A喜欢喜剧片,而用户B喜欢恐怖片,这样不同的边缘服务器应该缓存不同类型的视频资源,以满足不同用户的爱好需求。
2.如何进行视频资源的缓存。
边缘服务器存储空间有限,它不能像云服务器或者CDN存储大量的视频资源,而是只能存储部分视频资源。当达到存储上限时,应该可以进行资源的置换,以继续满足用户需求。
目前,基于图神经网络的推荐算法来实现边缘服务器视频缓存的技术,尚未见到有关文献或专利公开。
发明内容
本发明的目的是针对现有技术存在的不足,为了解决在边缘计算背景下的视频资源缓存问题,创造性地提出一种基于图神经网络推荐算法的视频资源缓存方法。本方法采用一种基于图神经网络推荐算法预测用户行为,将用户可能观看的视频提前缓存在边缘服务器端,尽可能的减少主干网络消耗,提高用户体验。
本发明的目的是通过下述技术方案实现的。
一种基于图神经网络推荐算法的视频资源缓存方法,包括以下步骤:
步骤1:将边缘服务器划分为不同的区域,每个边缘服务器只向其区域内用户提供服务。
步骤2:确定用户推荐列表。在云服务器运行推荐算法,计算出每个用户的推荐视频列表。
步骤3:根据步骤2所获得的不同用户的推荐列表,选取其最靠前的K个视频文件执行缓存策略,将其缓存到边缘服务器中。
有益效果
本发明方法,对比现有技术,具有以下优点:
1.本发明充分利用了云端服务器的计算资源,同时使用边缘服务器进行视频缓存,减小主干网络开销,同时提高了用户体验。
2.本发明采用的推荐方法是一种基于表示学习的方法,通过这种方法将用户和项目同时编码为连续的向量,从而使他们具有直接可比性。表示学习的方法在推荐算法结果上优于基于邻域的方法,而在基于表示学习的方法中,基于深度学习的方法因为能够有效的捕获用户-项目之间潜在的关系,因此能够取得更好的成效。
3.图神经网络作为深度学习的一种方法,在处理图状结构方面有着先天优势,在推荐系统中,大部分数据均为图数据,因此,使用图神经网络设计推荐系统非常有优势,可以更好的挖掘用户-项目之间的关联关系。本发明使用图神经网络实现推荐算法,根据推荐算法选择出符合每个用户喜爱视频的候选集合,用于边缘服务器的资源卸载任务。
附图说明
图1为本发明方法的流程图;
图2为本发明方法的场景描述图;
图3为本发明方法的缓存有效性和视频分辨率的关系示意;
图4为本发明方法的缓存有效性和视频块大小的关系示意。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步详细说明。
如图1所示,一种基于图神经网络推荐算法的视频资源缓存方法,包括以下步骤:
步骤1:将边缘网络区域划分为相等的网格,并记录每一个边缘服务器所服务的用户信息。每个边缘服务器只向其区域内用户提供服务。
具体地,将整个边缘网络划分为不同区域,且这些覆盖区域没有重叠。每个区域均有若干数量的用户,每个用户只能属于一个边缘服务器。
边缘服务器负责向其覆盖区域内的用户提供视频资源服务。如果边缘服务器没有缓存该资源,则向其邻居服务器请求视频资源。
如果其邻居服务器也没有缓存该视频资源,则边缘服务器向远端云服务器发送资源请求,由远端云服务器响应用户请求。如图2所示。
步骤2:云服务器计算每个用户的偏好,确定用户推荐列表。
具体地,云服务器运行基于图神经网络的推荐算法,计算出每个用户的推荐视频列表。推荐算法包括三个部分:嵌入向量学习、用户嵌入和视频嵌入聚合、预测。
步骤2.1:嵌入向量学习,用于将用户数据和向量数据表示为嵌入向量,供推荐学习使用。包括以下步骤:
第一步:将数据集进行划分,其中80%的数据作为训练集,20%的数据作为测试集。本实施方式中,采用的数据集为MovieLens数据集。
第二步:根据第一步划分的数据,进行图的稀疏矩阵构建。
具体地,读取划分的训练集和测试集,分别对每个块构建稀疏矩阵,同时统计出每个数据集的用户数量和视频数量。之后,将生成的邻接矩阵进行保存。
第三步:构建图神经网络模型。
根据第二步生成的邻接矩阵,确定图关系。通过邻接矩阵的信息获取用户和视频节点的数量,同时设定网络模型的初始化参数。为防止过拟合,在模型训练过程中可以采用dropout方法,即,在训练过程中随机舍去一部分节点。在测试数据集运行时,则不采用dropout方法。
步骤2.2:用户嵌入和视频嵌入的聚合。
图卷积神经网络的基本思想是,通过在图上平滑特征来学习节点的表示。为实现这一点,它迭代地执行图卷积,即,将邻居的特征聚合为目标节点的新表示。
计算用户u每层的状态,采用加权聚合得出节点u的最终嵌入表示eu,即其中αk为一个大于0的值,代表第k层的权重,k=0时代表节点本身信息。K表示卷积层数。通过聚合k层节点信息,获取用户和项目高阶节点信息,从而获得更好的推荐效果。
步骤2.3:预测。
通过聚合的用户和项目嵌入,分析用户和项目的特征。然后,通过协同过滤算法进行预测,得出符合用户喜好的视频文件列表。
步骤3:根据步骤2产生的每个用户喜好的视频列表,将用户推荐视频放入边缘服务器。
具体地,包括以下步骤:
为计算方便,将视频文件切分为不同的视频块,每个视频块大小是固定的,一个视频可由若干个视频块组成。当边缘服务器容量未满时,根据用户喜好列表依次向其中填充缓存内容,直至达到边缘服务器的容量上限。
处在同一边缘服务器的用户可能有相同喜好的视频,如果在轮询过程中该视频已经缓存在边缘服务器中,则在下一个用户的喜好列表中取出该用户所喜好的视频进行缓存。
第二步:当边缘服务器缓存容量满时,此时边缘服务器无法缓存新的视频资源。此时,使用缓存置换算法用以更新视频资源。
本实施方式中,采用的缓存置换算法为LRU算法(Least Recently Used,即最近最少使用),用于更新视频资源。在整个设定中,将时间划分为连续的时间段,只在每个阶段结束时进行缓存置换。
实施例
为验证本发明的有益效果,对本实例进行仿真验证。主要从两个角度评判本方法提出的有效性:1、推荐算法的有效性。2、边缘视频缓存的有效性。
为了评估推荐算法的有效性,采用recall(召回率)以及NDCG(NormalizedDiscounted Cumulative Gain,即归一化折损累计增益)评测本发明所述推荐算法的有效性。其中,recall=正样本预测为真/(正样本预测为真+正样本预测为假)。
推荐系统为每个用户返回一个视频推荐列表,假设列表长度为Q,这时可以使用NDCG@Q评价该排序列表与用户真实交互列表的差距。
为验证边缘缓存的有效性,选择不同分辨率的视频以及不同长度的视频块进行传输实验验证。
实验过程中,忽略网络波动带来的影响,所测得数据均处在正常范围内,异常数据没有进行考虑,直接抛弃(比如测试过程中的网络波动、丢包导致的异常数据)。
用户进行视频点播,包括有三种情况:
1.命中边缘服务器缓存。
2.命中邻居服务器缓存。
3.命中云服务器缓存。
在本发明中,主要存在三种类型的延迟,分别是用户到边缘服务器端的延迟、边缘服务器到边缘服务器的延迟和边缘服务器到远程云端的延迟。根据缓存命中的不同情况,用户请求的延迟也各不相同。在任何情况下均具有从用户端到边缘服务器端的延迟,因此,可以不失一般性的忽略掉这一延迟。
由于采用视频块的格式,用户在何时接收到第一块视频块并进行视频播放,对用户体验尤为重要。设网络条件良好,在接受整个视频过程中除了初始化,其余时间不会再产生卡顿。因此,只需要注重初始化的延迟。
首先,测试分辨率与响应时间的关系。每一个dash块都很小,实验中,将视频编码为不同的分辨率文件,分别为360p、480p、720p以及1080p的视频。测试时,分别在边缘节点、边缘节点+邻居节点以及远程主机获得响应所花费的时间,如图3所示。可以看出,不同的分辨率会带来不同的响应时延,在高分辨率下时,延时尤为突出,而使用边缘服务器可以降低响应时延,从而提高用户体验。
然后,测试每块视频的长度与响应时间的关系。测试方法同上。此时,使用码率更高的1080p的视频,将该视频根据每块的时长不同进行切割。每块时长分别为3s、5s、7s、10s、15s。实验结果如图4所示,可以看出当每个片段长度处在3-7秒阶段时,每个片段长度变化对时延的影响不大。时间片段为变化到10时,时延有了明显的提升,当片段长度变为15s时,时延有了明显的提升。使用边缘服务器的优势也变得更加明显。
综上所述,本发明方法,适应于边缘计算下用户视频资源请求,可以满足不同用户的不同资源请求。此外,本发明基本不满足了对于主干网络开销和用户对高质量视频所需要的低延迟需求。
以上所述的具体实例是对本发明的进一步解释说明,并不用于限定本发明的保护范围,凡在本发明原则和精神之内,所做的更改和等同替换都应是本发明的保护范围之内。
Claims (6)
1.一种基于图神经网络推荐算法的视频资源缓存方法,其特征在于,包括以下步骤:
步骤1:将边缘网络区域划分为相等的网格,并记录每一个边缘服务器所服务的用户信息,每个边缘服务器只向其区域内用户提供服务;
步骤2:云服务器运行基于图神经网络的推荐算法,计算每个用户的偏好,确定用户推荐列表,其中推荐算法包括三个部分:嵌入向量学习、用户嵌入和视频嵌入聚合、预测;包括以下步骤:
步骤2.1:嵌入向量学习,用于将用户数据和视频数据表示为嵌入向量,供推荐学习使用;
步骤2.2:用户嵌入和视频嵌入的聚合;
计算用户u每层的状态,采用加权聚合得出节点u的最终嵌入表示eu,即其中αk为一个大于0的值,代表第k层的权重,k=0时代表节点本身信息;K表示卷积层数;通过聚合k层节点信息,获取用户和视频高阶节点信息;
步骤2.3:通过聚合的用户和视频嵌入,分析用户和视频的特征;然后,通过协同过滤算法进行预测,得出符合用户喜好的视频文件列表;
步骤3:根据步骤2所获得的每个用户喜好的视频列表,选取其最靠前的N个视频文件,将其存到边缘服务器中。
2.如权利要求1所述的一种基于图神经网络推荐算法的视频资源缓存方法,其特征在于,步骤1中,将整个边缘网络划分为不同区域,且这些覆盖区域没有重叠,每个区域均有若干数量的用户,每个用户只能属于一个边缘服务器;
边缘服务器负责向其覆盖区域内的用户提供视频资源服务,如果边缘服务器没有缓存该资源,则向其邻居服务器请求视频资源;如果其邻居服务器也没有缓存该视频资源,则边缘服务器向远端云服务器发送资源请求,由远端云服务器响应用户请求。
3.如权利要求1所述的一种基于图神经网络推荐算法的视频资源缓存方法,其特征在于,步骤2.1包括以下步骤:
第一步:将视频数据集进行划分,其中80%的数据作为训练集,20%的数据作为测试集;
第二步:根据第一步划分的数据,进行图的稀疏矩阵构建;
读取划分的训练集和测试集,分别对每个块构建稀疏矩阵,同时统计出每个数据集的用户数量和视频数量;之后,将生成的邻接矩阵进行保存;
第三步:构建图神经网络模型;根据第二步生成的邻接矩阵,确定图关系;通过邻接矩阵的信息获取用户和视频节点的数量,同时设定网络模型的初始化参数。
4.如权利要求3所述的一种基于图神经网络推荐算法的视频资源缓存方法,其特征在于,为防止过拟合,在模型训练过程中采用dropout方法,即,在训练过程中随机舍去一部分节点;在测试集运行时,则不采用dropout方法。
5.如权利要求1所述的一种基于图神经网络推荐算法的视频资源缓存方法,其特征在于,步骤3包括以下步骤:
第一步:每个边缘服务器均有存储上限空间C,每个边缘服务器的缓存视频总大小不得超过C的容量限制;每个边缘服务器均为n个用户提供服务;
将视频文件切分为不同的视频块,每个视频块大小是固定的,一个视频由若干个视频块组成;当边缘服务器容量未满时,根据用户喜好列表依次向其中填充缓存内容,直至达到边缘服务器的容量上限;
如果在轮询过程中某个用户所喜好的视频已经缓存在边缘服务器中,则在下一个用户的喜好列表中取出该用户所喜好的视频进行缓存;
第二步:当边缘服务器缓存容量满时,使用缓存置换算法更新视频资源。
6.如权利要求5所述的一种基于图神经网络推荐算法的视频资源缓存方法,其特征在于,步骤3中,采用最近最少使用算法LRU用于更新视频资源;
在整个设定中,将时间划分为连续的时间段,只在每个阶段结束时进行缓存置换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034887.0A CN114584801B (zh) | 2022-01-13 | 2022-01-13 | 一种基于图神经网络推荐算法的视频资源缓存方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034887.0A CN114584801B (zh) | 2022-01-13 | 2022-01-13 | 一种基于图神经网络推荐算法的视频资源缓存方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114584801A CN114584801A (zh) | 2022-06-03 |
CN114584801B true CN114584801B (zh) | 2022-12-09 |
Family
ID=81772633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034887.0A Active CN114584801B (zh) | 2022-01-13 | 2022-01-13 | 一种基于图神经网络推荐算法的视频资源缓存方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114584801B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115484314B (zh) * | 2022-08-10 | 2024-04-02 | 重庆大学 | 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 |
CN115633380B (zh) * | 2022-11-16 | 2023-03-17 | 合肥工业大学智能制造技术研究院 | 一种考虑动态拓扑的多边缘服务缓存调度方法和系统 |
CN116916048B (zh) * | 2023-09-07 | 2023-11-17 | 典基网络科技(上海)有限公司 | 一种用于流媒体传输优化的混合架构、方法、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110430440A (zh) * | 2019-06-19 | 2019-11-08 | 鹏城实验室 | 视频传输方法、系统、计算机设备和存储介质 |
CN110913239A (zh) * | 2019-11-12 | 2020-03-24 | 西安交通大学 | 一种精细化的移动边缘计算的视频缓存更新方法 |
CN113282786A (zh) * | 2021-05-12 | 2021-08-20 | 河海大学 | 一种基于深度强化学习的全景视频边缘协作缓存替换方法 |
CN113315978A (zh) * | 2021-05-13 | 2021-08-27 | 江南大学 | 一种基于联邦学习的协作式在线视频边缘缓存方法 |
WO2021212444A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京邮电大学 | 边缘网络环境下基于随机森林算法的vod业务缓存替换方法 |
CN113810931A (zh) * | 2021-08-27 | 2021-12-17 | 南京邮电大学 | 一种面向移动边缘计算网络的自适应视频缓存方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10601946B2 (en) * | 2017-02-23 | 2020-03-24 | The Directv Group, Inc. | Edge cache segment prefetching |
-
2022
- 2022-01-13 CN CN202210034887.0A patent/CN114584801B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110430440A (zh) * | 2019-06-19 | 2019-11-08 | 鹏城实验室 | 视频传输方法、系统、计算机设备和存储介质 |
CN110913239A (zh) * | 2019-11-12 | 2020-03-24 | 西安交通大学 | 一种精细化的移动边缘计算的视频缓存更新方法 |
WO2021212444A1 (zh) * | 2020-04-20 | 2021-10-28 | 南京邮电大学 | 边缘网络环境下基于随机森林算法的vod业务缓存替换方法 |
CN113282786A (zh) * | 2021-05-12 | 2021-08-20 | 河海大学 | 一种基于深度强化学习的全景视频边缘协作缓存替换方法 |
CN113315978A (zh) * | 2021-05-13 | 2021-08-27 | 江南大学 | 一种基于联邦学习的协作式在线视频边缘缓存方法 |
CN113810931A (zh) * | 2021-08-27 | 2021-12-17 | 南京邮电大学 | 一种面向移动边缘计算网络的自适应视频缓存方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114584801A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114584801B (zh) | 一种基于图神经网络推荐算法的视频资源缓存方法 | |
US11303970B2 (en) | Systems and methods for internet video delivery | |
US7028096B1 (en) | Method and apparatus for caching for streaming data | |
EP2479684B1 (en) | Method and evaluation server for evaluating a plurality of videos | |
US9402058B2 (en) | Content delivery system, content delivery method and content delivery program | |
US20210185368A1 (en) | Adaptive bitrate video cache | |
Maniotis et al. | Tile-based edge caching for 360° live video streaming | |
US11695978B2 (en) | Methods for generating video-and audience-specific encoding ladders with audio and video just-in-time transcoding | |
CN111314772B (zh) | 一种视频下载码率的确定方法、装置、终端和存储介质 | |
KR102472971B1 (ko) | 인공지능 모델을 이용한 동영상 인코딩 최적화 방법, 시스템, 및 컴퓨터 프로그램 | |
Baccour et al. | Proactive video chunks caching and processing for latency and cost minimization in edge networks | |
CN108156459A (zh) | 可伸缩视频传输方法及系统 | |
CN112468827B (zh) | 视频获取方法、装置、设备及计算机可读存储介质 | |
Zhang et al. | Short video streaming with data wastage awareness | |
CN112714315A (zh) | 基于全景视频的分层缓冲方法及系统 | |
Ma et al. | APRank: Joint mobility and preference-based mobile video prefetching | |
Liu et al. | Tile caching for scalable VR video streaming over 5G mobile networks | |
CN114025190B (zh) | 多码率调度方法和多码率调度装置 | |
Zhao et al. | Optimizing Quality of Experience of Free-Viewpoint Video Streaming with Markov Decision Process | |
US11870833B2 (en) | Methods and systems for encoder parameter setting optimization | |
Li et al. | JUST360: Optimizing 360-Degree Video Streaming Systems With Joint Utility | |
US20220303306A1 (en) | Compression of uniform resource locator sequences for machine learning-based detection of target category examples | |
US11616993B1 (en) | Dyanamic parameter adjustment for adaptive bitrate algorithm | |
Ding et al. | 360 ROI EXPLORATION: REGION OF INTEREST EXPLORATION FOR CACHING IN VR PANORAMIC VIDEO TRANSMISSION | |
US20220385689A1 (en) | Compression of user interaction data for machine learning-based detection of target category examples |
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 |