JP6831527B2 - 経路制御方法及び経路設定装置 - Google Patents
経路制御方法及び経路設定装置 Download PDFInfo
- Publication number
- JP6831527B2 JP6831527B2 JP2019534056A JP2019534056A JP6831527B2 JP 6831527 B2 JP6831527 B2 JP 6831527B2 JP 2019534056 A JP2019534056 A JP 2019534056A JP 2019534056 A JP2019534056 A JP 2019534056A JP 6831527 B2 JP6831527 B2 JP 6831527B2
- Authority
- JP
- Japan
- Prior art keywords
- path
- procedure
- router
- learner
- training
- 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 description 89
- 238000012549 training Methods 0.000 claims description 32
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/22—Alternate routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/70—Routing based on monitoring results
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/122—Avoiding congestion; Recovering from congestion by diverting traffic away from congested entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/125—Avoiding congestion; Recovering from congestion by balancing the load, e.g. traffic engineering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Description
通信ネットワークの各ルータに対してパスを設定し、前記パス毎に学習器を用意する前処理手順と、
全ての前記ルータのトラフィック情報、及び現在パケットを転送しているパスの輻輳情報を収集するとともに、前記前処理手順で設定したパス毎の過去の前記トラフィック情報と前記輻輳情報の蓄積に追加し、前記蓄積を教師データとしてパス毎に機械学習を行う訓練手順と、
与えられた前記トラフィック情報に対し、前記訓練手順で行った前記機械学習の結果に基づく輻輳予測のうち、輻輳しないと予測される1つのパスを前記ルータに設定する予測手順と、
を行う。
通信ネットワークの各ルータに対して設定されたパス毎に用意される学習器と、
全ての前記ルータのトラフィック情報、及び現在パケットを転送しているパスの輻輳情報を収集するとともに、前記設定されたパス毎の過去の前記トラフィック情報と前記輻輳情報の蓄積に追加し、前記蓄積を教師データとしてそれぞれの前記学習器の訓練を行う訓練器と、
全ての前記学習器に前記トラフィック情報を与え、前記学習器が出力する輻輳予測のうち、輻輳しないと予測される1つのパスを前記ルータに設定するパス予測設定を行う予測器と、
を備える。
本実施形態の経路制御方法及び経路設定装置は、リアルタイムに機械学習を実行する。輻輳予測をパス毎に行うため、パスごとに学習器を用意する。また、始点と終点のペアごとに経路設定装置を用意し、始点と終点を同じくする学習器はその経路設定装置によって管理される。経路設定装置たちは、一カ所にまとめて設置してもよいし、始点ルータごとに設置してもよい。
T(=t0,t−1,・・・,t1−H)は、NWの状態を観測するHスロットの時刻からなるベクトルであり、t0は、最新(現在)のNWの状態を示している。
R(=r0,r1,・・・,ri,・・・,rN−1)は、NW内のルータの集合を表しており、N台のルータによって構成されているNWを表現している。
図4は、本実施形態の経路設定装置を説明するブロック図である。本経路設定装置は、
通信ネットワークNWの各ルータ(r0、r1、r2)に対して設定されたパス毎に用意される学習器12と、
全ての前記ルータのトラフィック情報、及び現在パケットを転送しているパスの輻輳情報を収集するとともに、前記設定されたパス毎の過去の前記トラフィック情報と前記輻輳情報の蓄積に追加し、前記蓄積を教師データとしてそれぞれの前記学習器の訓練を行う訓練器13と、
全ての学習器12に前記トラフィック情報を与え、学習器12が出力する輻輳予測のうち、輻輳しないと予測される1つのパスを前記ルータに設定するパス予測設定を行う予測器14と、
を備える。
なお、通信ネットワークNWの各ルータに対して設定されたパス毎に学習器12を用意するともに、初期値として最短パスを設定する前処理器11を備えてもよい。
通信ネットワークNWの各ルータ(r0、r1、r2)に対してパスを設定し、前記パス毎に学習器12を用意する前処理手順と、
全ての前記ルータのトラフィック情報、及び現在パケットを転送しているパスの輻輳情報を収集するとともに、前記前処理手順で設定したパス毎の過去の前記トラフィック情報と前記輻輳情報の蓄積に追加し、前記蓄積を教師データとしてパス毎の学習器12で機械学習を行う訓練手順と、
与えられた前記トラフィック情報に対し、前記訓練手順で行った前記機械学習の結果に基づく輻輳予測のうち、輻輳しないと予測される1つのパスを前記ルータに設定する予測手順と、
を行う。
初期化手順では、トラフィックと輻輳状態の時系列データを初期化する(それぞれ1−3行目)。また、学習器も初期化する。このとき、学習器と輻輳状態は、パスごとに処理を行う。続いて、5行目で最短パスを選択し、そのパスに沿ってパケットが転送されるように、6行目で各ルータにパスを設定する。
訓練手順では、その時点でのトラフィック情報と輻輳状態を取得し(8−9行目)、過去の時系列データに追加する(10−11行目)。12行目では、時系列データを用いて学習器を訓練し直す。
予測手順は、現在利用しているパスp*が混雑しているときに実行される(13行目)。14行目では、最新のトラフィック情報を用いて輻輳しないパスを選択する。15行目では、そのパスを各ルータに設定する。
前処理手順は、前処理器11が行う手順である。
r0−r2間の二つのパスをp1、p2とし、それぞれp1:r0−>r2、p2:r0−>r1−>r2とする。r0−r2間のパスを担当する経路設定装置は、パス集合Pr0r2={p1,p2}を作成する。本実施形態では、説明のため通信ネットワークのルータ数を3としているが、ルータ数を4以上でも同様である。ルータ数が多くなるとパス数が増加し、学習器の数も増加する。ここでは、前処理器11は、r0−r2間にある二つのパスをともに集合Pr0r2に含めたが、ルータ数が多い場合、パス長に上限を設けるなどの制限を課して一部のパスを除外してもよい(主要なパスのみ以下の手順を行う)。
トラフィックの時系列データをXとし、空集合φで初期化する。
二つのパスそれぞれについて、学習器12(Lp1、Lp2)を用意し、必要に応じて初期化処理を行っておく。具体的な処理は、機械学習の実装によって異なるため、省略する。
二つのパスそれぞれについて、輻輳状態の時系列データYp1、Yp2を用意し、φで初期化する。
パス集合Pr0r2から最短パスp1を選び、r0からr2に向かうパケットのパスとする。具体的には、パス上のルータr0に次ホップとしてr2を設定することで、パケットがp1に従って転送されるようにする。
以下、1秒ごとに訓練・予測手順を繰り返す。
訓練手順は、訓練器13が行う手順である。
所定時間(例えば、最初の1秒)が経過し、訓練手順を開始する。全ルータr0、r1、r2から、トラフィック情報を取得する。ここではトラフィック情報として到着パケット数のみを考え、図5のような情報x0を得られたとする。図5は、たとえばr0からr1へのパケットが34個到着したことを意味する(図5の表を一列に並べたのが、図1のc0のt0の行である)。このトラフィック情報を、トラフィックの時系列データXに追加する。トラフィック情報は、すべての経路設定装置が共通して利用する。
次に、r0−r2間の経路設定装置の訓練処理を説明する。
現在、r0−r2間のパスとしてp1を利用している。そこで、p1を通過したパケットの輻輳状態を取得する。ここでは、通過時間が1msを超えていたかどうかを輻輳の基準とする。入り口ルータr0がパケットにタイムスタンプを書き込み、出口ルータr2が現在時刻との差を計算することで通過時間を計測する。この方法以外にも、ルータのキュー長から推測する方法なども利用できる。ここでは、p1が輻輳していたとする。この輻輳状態を、p1の時系列データYp1に追加する。
XとYp1を用いて、学習器12(Lp1)を訓練する。具体的な処理は機械学習の実装によって異なるため、省略する。
予測手順は、予測器14が行う手順である。
利用していたパスp1が輻輳している場合、予測手順を実行する。まず、p1以外のパスの学習器に対し、現在のトラフィック情報x0を用いて輻輳状態を予測させる。ここでは、パスp2の学習器12(Lp2)に予測を行わせる。学習器12(Lp2)はまだ訓練を行っていない初期状態であるが、初期状態では「輻輳しない」という結果を返すものとする。
なお、運用の初期段階では、すべてのパスについて十分な訓練を行うために、輻輳と予測されたパスをあえて選ぶこともある。たとえば、あらかじめ設定した確率εで、輻輳状態にかかわらずランダムにパスを選択する(εグリーディー手法)。
予測器14は、輻輳しないとされたp2を、r0からr2に向かうパケットのパスとする。具体的には、r0に次ホップとしてr1を設定し、r1の次ホップとしてr2を設定する。
上記のような訓練・予測をしばらく(たとえば600秒ほど)繰り返し、二つの学習器12(Lp1、Lp2)が何度も訓練されたとする。この時点で、r0からr2に向かうパケットは、パスp1を利用していたとする。各学習器12の訓練手順については上記と同じであるため省略し、以下で訓練が進んだ後の予測手順を説明する。
利用していたパスp1が輻輳していたため、予測器14は予測手順2を実行する。まず、p1以外のパスの学習器に対し、その時点でのトラフィック情報x0を用いて輻輳状態を予測させる。ここでは、パスp2の学習器12(Lp2)に予測を行わせる。その結果、学習器12(Lp2)は輻輳しないと予測した。
予測器14は、輻輳しないp2を、r0からr2に向かうパケットのパスとする。具体的には、r0に次ホップとしてr1を設定し、r1の次ホップとしてr2を設定する。
パケットを転送するパス毎に予測手順を行うことで、各パスの学習器12の関数形が正確となる。このため、既存のOSPF等のルーティングプロトコルでは回避できない、突発的なトラフィックによる輻輳状態をオンライン学習にて検知及び予測することができるようになる。そして、輻輳を回避するパスを設定することで、ネットワーク遅延やパケットロス率を削減することができる。
12:学習器
13:訓練器
14:予測器
NW:ネットワーク
Claims (6)
- 通信ネットワークの各ルータに対してパスを設定し、前記パス毎に学習器を用意する前処理手順と、
全ての前記ルータのトラフィック情報、及び現在パケットを転送しているパスの輻輳情報を収集するとともに、前記前処理手順で設定したパス毎の過去の前記トラフィック情報と前記輻輳情報の蓄積に追加し、前記蓄積を教師データとしてパス毎に機械学習を行う訓練手順と、
与えられた前記トラフィック情報に対し、前記訓練手順で行った前記機械学習の結果に基づく輻輳予測のうち、輻輳しないと予測される1つのパスを前記ルータに設定する予測手順と、
を行う経路制御方法。 - 前記前処理手順後、設定したパスの内、最短のパスを選択して前記訓練手順を開始し、所定時間、前記訓練手順と前記予測手順を繰り返すことを特徴とする請求項1に記載の経路制御方法。
- 前記所定時間、予め設定された確率で前記予測手順で輻輳しないと予測される1つのパス以外のパスを前記ルータに設定することを特徴とする請求項2に記載の経路制御方法。
- 通信ネットワークの各ルータに対して設定されたパス毎に用意される学習器と、
全ての前記ルータのトラフィック情報、及び現在パケットを転送しているパスの輻輳情報を収集するとともに、前記設定されたパス毎の過去の前記トラフィック情報と前記輻輳情報の蓄積に追加し、前記蓄積を教師データとしてそれぞれの前記学習器の訓練を行う訓練器と、
全ての前記学習器に前記トラフィック情報を与え、前記学習器が出力する輻輳予測のうち、輻輳しないと予測される1つのパスを前記ルータに設定するパス予測設定を行う予測器と、
を備える経路設定装置。 - 前記訓練器は、前記設定されたパスの内、最短のパスを選択して前記学習器の訓練を開始し、
所定時間、前記訓練器と前記予測器が前記学習器の訓練と前記パス予測設定を繰り返すことを特徴とする請求項4に記載の経路設定装置。 - 前記予測器は、前記所定時間、予め設定された確率で前記輻輳しないと予測される1つのパス以外のパスを前記ルータに設定することを特徴とする請求項5に記載の経路設定装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017151199 | 2017-08-04 | ||
JP2017151199 | 2017-08-04 | ||
PCT/JP2018/027672 WO2019026684A1 (ja) | 2017-08-04 | 2018-07-24 | 経路制御方法及び経路設定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019026684A1 JPWO2019026684A1 (ja) | 2020-03-19 |
JP6831527B2 true JP6831527B2 (ja) | 2021-02-17 |
Family
ID=65232620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019534056A Active JP6831527B2 (ja) | 2017-08-04 | 2018-07-24 | 経路制御方法及び経路設定装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11057294B2 (ja) |
JP (1) | JP6831527B2 (ja) |
WO (1) | WO2019026684A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7041917B2 (ja) * | 2018-02-08 | 2022-03-25 | 日本電信電話株式会社 | 制御装置及び経路制御方法 |
WO2021064769A1 (ja) * | 2019-09-30 | 2021-04-08 | 日本電気株式会社 | システム、方法及び制御装置 |
US11451478B1 (en) * | 2019-11-22 | 2022-09-20 | Juniper Networks, Inc. | Distributed tactical traffic engineering (TE) using loop free alternative (LFA), remote-LFA (R-LFA) and/or topology independent-LFA (TI-LFA) secondary paths |
US20210243125A1 (en) * | 2020-01-31 | 2021-08-05 | Hewlett Packard Enterprise Development Lp | System and method for avoiding congestion in a computer network |
CN113315715B (zh) * | 2021-04-07 | 2024-01-05 | 北京邮电大学 | 基于qmix的分布式网内拥塞控制方法 |
US11658869B2 (en) | 2021-04-09 | 2023-05-23 | Huawei Technologies Co., Ltd. | Method and apparatus for configuring a communication network using a connectivity metric |
US11606285B2 (en) * | 2021-05-07 | 2023-03-14 | Huawei Technologies Co., Ltd. | Method and apparatus for configuring a communication network using a distance metric |
US20230135397A1 (en) * | 2021-10-29 | 2023-05-04 | At&T Intellectual Property I, L.P. | Selecting network routes based on aggregating models that predict node routing performance |
CN114915595B (zh) * | 2022-03-11 | 2023-08-01 | 北京邮电大学 | 突发包装配方法和电子设备 |
CN115022231B (zh) * | 2022-06-30 | 2023-11-03 | 武汉烽火技术服务有限公司 | 一种基于深度强化学习的最优路径规划的方法和系统 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0413343A (ja) * | 1990-05-02 | 1992-01-17 | Nippon Telegr & Teleph Corp <Ntt> | 学習型リンク容量制御方式 |
JP3223898B2 (ja) | 1999-01-06 | 2001-10-29 | 日本電気株式会社 | 集中型通信網観測制御装置 |
JP4396859B2 (ja) * | 2004-01-09 | 2010-01-13 | 日本電気株式会社 | 負荷分散方法、ノード及び制御プログラム |
WO2006000027A1 (en) * | 2004-06-23 | 2006-01-05 | Telstra Corporation Limited | A network optimisation system |
KR20080066653A (ko) * | 2005-06-29 | 2008-07-16 | 트러스티스 오브 보스턴 유니버시티 | 완전한 네트워크 변칙 진단을 위한 방법 및 장치와 트래픽피쳐 분포를 사용하여 네트워크 변칙들을 검출하고분류하기 위한 방법 |
US9083627B2 (en) * | 2011-12-20 | 2015-07-14 | Cisco Technology, Inc. | Assisted traffic engineering for minimalistic connected object networks |
CN104335540B (zh) * | 2012-03-30 | 2017-12-19 | 英国电讯有限公司 | 用于选择通信链路的方法 |
EP2728828A1 (en) * | 2012-10-31 | 2014-05-07 | British Telecommunications public limited company | Session admission in a communications network |
EP2728827A1 (en) * | 2012-10-31 | 2014-05-07 | British Telecommunications public limited company | Communications network using a tunnel to connect two network nodes |
US20140222997A1 (en) * | 2013-02-05 | 2014-08-07 | Cisco Technology, Inc. | Hidden markov model based architecture to monitor network node activities and predict relevant periods |
US10142236B2 (en) * | 2013-03-14 | 2018-11-27 | Comcast Cable Communications, Llc | Systems and methods for managing a packet network |
EP2784994A1 (en) * | 2013-03-28 | 2014-10-01 | British Telecommunications public limited company | Multicast routing system and method |
JP6102461B2 (ja) * | 2013-04-23 | 2017-03-29 | 富士通株式会社 | 通信装置、マルチホップ無線通信ネットワークシステム及び通信方法 |
US9736056B2 (en) * | 2014-05-02 | 2017-08-15 | Cisco Technology, Inc. | Centralized predictive routing using delay predictability measurements |
US9813259B2 (en) * | 2014-05-13 | 2017-11-07 | Cisco Technology, Inc. | Probing available bandwidth along a network path |
US9871730B2 (en) * | 2014-08-22 | 2018-01-16 | Futurewei Technologies, Inc. | Network element configured to operate in an information centric network |
US10454828B2 (en) * | 2016-12-21 | 2019-10-22 | Cisco Technology, Inc. | Machine learning-derived entropy path graph from in-situ OAM (iOAM) data |
US20180270305A1 (en) * | 2017-03-17 | 2018-09-20 | Google Inc. | Systems and methods for throttling incoming network traffic requests |
US10735268B2 (en) * | 2017-04-21 | 2020-08-04 | System73 Ltd. | Predictive overlay network architecture |
US20180359172A1 (en) * | 2017-06-12 | 2018-12-13 | Juniper Networks, Inc. | Network path prediction and selection using machine learning |
-
2018
- 2018-07-24 JP JP2019534056A patent/JP6831527B2/ja active Active
- 2018-07-24 WO PCT/JP2018/027672 patent/WO2019026684A1/ja active Application Filing
- 2018-07-24 US US16/636,158 patent/US11057294B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2019026684A1 (ja) | 2019-02-07 |
JPWO2019026684A1 (ja) | 2020-03-19 |
US20200177495A1 (en) | 2020-06-04 |
US11057294B2 (en) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6831527B2 (ja) | 経路制御方法及び経路設定装置 | |
Xu et al. | Experience-driven networking: A deep reinforcement learning based approach | |
Mao et al. | A novel non-supervised deep-learning-based network traffic control method for software defined wireless networks | |
Poupart et al. | Online flow size prediction for improved network routing | |
CN112511457B (zh) | 一种数据流类型识别方法及相关设备 | |
US20120314605A1 (en) | Communication system, path control apparatus, packet forwarding apparatus, and path control method | |
CN106817299B (zh) | 软件定义网络的表项生成方法和装置以及报文转发方法 | |
CN111614567A (zh) | 区块链网络中的节点路径选择方法、系统及装置 | |
Lei et al. | Congestion control in SDN-based networks via multi-task deep reinforcement learning | |
CN113518035B (zh) | 路由确定方法及装置 | |
Ouamri et al. | Load balancing optimization in software-defined wide area networking (SD-WAN) using deep reinforcement learning | |
He et al. | RTHop: Real-time hop-by-hop mobile network routing by decentralized learning with semantic attention | |
Luo et al. | Achieving fast and lightweight SDN updates with segment routing | |
Zeng et al. | Multi-agent reinforcement learning for adaptive routing: A hybrid method using eligibility traces | |
Tang et al. | Constructing a DRL decision making scheme for multi-path routing in All-IP access network | |
JP6600917B2 (ja) | Ai学習による経路制御手法、サーバ装置及び経路制御プログラム | |
JP2014049851A (ja) | ネットワークトポロジの推定方法及びトポロジ推定装置 | |
Chen et al. | Traffic engineering based on deep reinforcement learning in hybrid IP/SR network | |
Zhukovyts’kyy et al. | Distribution of information flows in the advanced network of MPLS of railway transport by means of a neural model | |
Martins et al. | Policy distillation for real-time inference in fronthaul congestion control | |
JP7041917B2 (ja) | 制御装置及び経路制御方法 | |
JP6426076B2 (ja) | ルーティングテーブル生成装置、ルーティングテーブル生成方法、及びプログラム | |
Garg et al. | Adaptive optimized open shortest path first algorithm using enhanced moth flame algorithm | |
Ye et al. | Minimizing packet loss by optimizing OSPF weights using online simulation | |
CN103905316B (zh) | 一种应用与网络融合驱动的多协议选路系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191025 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20191025 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210113 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6831527 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |