JP6999119B6 - Ｃａｎ基盤の通信ネットワークにおける信号検出方法および装置 - Google Patents

Ｃａｎ基盤の通信ネットワークにおける信号検出方法および装置 Download PDF

Info

Publication number
JP6999119B6
JP6999119B6 JP2020136708A JP2020136708A JP6999119B6 JP 6999119 B6 JP6999119 B6 JP 6999119B6 JP 2020136708 A JP2020136708 A JP 2020136708A JP 2020136708 A JP2020136708 A JP 2020136708A JP 6999119 B6 JP6999119 B6 JP 6999119B6
Authority
JP
Japan
Prior art keywords
reverse
data
gru
input data
sampling
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
JP2020136708A
Other languages
English (en)
Other versions
JP6999119B2 (ja
JP2021034043A (ja
Inventor
乘瑩 朴
相奎 沈
徳洙 金
錫雨 李
明珍 金
義錫 金
Original Assignee
ペンタ・セキュリティ・システムズ・インコーポレーテッド
アウトクリプト カンパニー リミテッド
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 ペンタ・セキュリティ・システムズ・インコーポレーテッド, アウトクリプト カンパニー リミテッド filed Critical ペンタ・セキュリティ・システムズ・インコーポレーテッド
Publication of JP2021034043A publication Critical patent/JP2021034043A/ja
Publication of JP6999119B2 publication Critical patent/JP6999119B2/ja
Application granted granted Critical
Publication of JP6999119B6 publication Critical patent/JP6999119B6/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/20—Arrangements for detecting or preventing errors in the information received using signal quality detector
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L12/40169—Flexible bus arrangements
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0056—Systems characterized by the type of code used
    • H04L1/0061—Error detection codes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40267—Bus for use in transportation systems
    • H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Environmental & Geological Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Small-Scale Networks (AREA)

Description

本発明はＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）基盤の通信ネットワークにおける信号検出方法および装置に関し、車両ネットワークでＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークを利用して信号を検出する方法および装置に関する。
マシンラーニング（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ：機械学習）とは人工知能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ：ＡＩ）の一種であって、データを基盤としてコンピュータが自ら学習した内容に基づいて回帰、分類、群集化などの予測作業を遂行することをいう。
ディープラーニング（ｄｅｅｐ ｌｅａｒｎｉｎｇ）は人の考え方をコンピュータに教える機械学習の一分野であり、多様な非線形変換技法の組み合わせを通じて高い水準の抽象化（ａｂｓｔｒａｃｔｉｏｎｓ：多量のデータや複雑な資料の中から核心的な内容または機能を要約する作業）を試みる機械学習（ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ）アルゴリズムの集合と定義され得る。
ディープラーニング構造は人工ニューラルネットワーク（ＡＮＮ：Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）に基づいて設計された概念である。人工ニューラルネットワークは仮想のニューロンを数学的にモデリングした後、シミュレーションして人間の脳のような学習能力を有するようにしようとするアルゴリズムであって、主にパターン認識に多く使われる。ディープラーニングで利用する人工ニューラルネットワークモデルは、線形フィッティング（ｌｉｎｅａｒ ｆｉｔｔｉｎｇ）と非線形変換（ｎｏｎｌｉｎｅａｒ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｏｒ ａｃｔｉｖａｔｉｏｎ）を繰り返して積み上げた構造を有する。ディープラーニングで使うニューラルネットワークモデルはディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）、回帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＲＮＮ）、制限ボルツマンマシン（Ｒｅｓｔｒｉｃｔｅｄ Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ：ＲＢＭ）、ディープビリーフネットワーク（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋ：ＤＢＮ）、ディープ・Ｑ・ネットワーク（Ｄｅｅｐ Ｑ－Ｎｅｔｗｏｒｋｓ）等が挙げられる。
一方、車両用部品の電子化が急速に進行するにつれて、車両に搭載される電子装置の種類と数が大きく増加している。電子装置は大きくパワートレイン（ｐｏｗｅｒ ｔｒａｉｎ）制御システム、ボディー（ｂｏｄｙ）制御システム、シャーシ（ｃｈａｓｓｉｓ）制御システム、車両ネットワーク（ｎｅｔｗｏｒｋ）、マルチメディア（ｍｕｌｔｉｍｅｄｉａ）システムなどで使われ得る。パワートレイン制御システムはエンジン制御システム、自動変速制御システムなどを意味し得る。ボディー制御システムはボディー電装品制御システム、便宜装置制御システム、ランプ（ｌａｍｐ）制御システムなどを意味し得る。シャーシ制御システムは操向装置制御システム、ブレーキ（ｂｒａｋｅ）制御システム、サスペンション（ｓｕｓｐｅｎｓｉｏｎ）制御システムなどを意味し得る。車両ネットワークはＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）、フレックスレイ（ＦｌｅｘＲａｙ（登録商標））基盤のネットワーク、ＭＯＳＴ（Ｍｅｄｉａ Ｏｒｉｅｎｔｅｄ Ｓｙｓｔｅｍ Ｔｒａｎｓｐｏｒｔ）（登録商標）基盤のネットワークなどを意味し得る。マルチメディアシステムは航法装置システム、テレマティクス（ｔｅｌｅｍａｔｉｃｓ）システム、インフォテインメント（ｉｎｆｏｔａｉｎｍｅｎｔ）システムなどを意味し得る。
このようなシステムおよびシステムそれぞれを構成する電子装置は車両ネットワークを通じて連結されており、電子装置それぞれの機能を支援するための車両ネットワークが要求されている。ＣＡＮは最大１Ｍｂｐｓの伝送速度を支援することができ、衝突したフレーム（ｆｒａｍｅ）の自動再伝送、ＣＲＣ（Ｃｙｃｌｉｃ Ｒｅｄｕｎｄａｎｃｙ Ｃｈｅｃｋ）基盤のエラー検出などを支援することができる。
一方、ＣＡＮ基盤の車両ネットワークで補間法を使って車両ネットワークの受信信号を前処理することができる。ただし、補間法を使って受信信号を前処理する場合、解像度により車両ネットワークの性能が低下し得る。
本発明は、ＣＡＮ基盤の通信ネットワークでＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークを利用して信号を検出する方法および装置を提供することにその目的がある。
本発明の実施例に係る通信ノードの動作方法は、複数のＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）通信ノードからＣＡＮ信号を受信する段階、受信したＣＡＮ信号を順方向サンプリング時点に基づいて順方向前処理して順方向入力データを生成する段階、前記順方向入力データに対する順方向マスクデータと前記順方向サンプリング時点による順方向タイムインターバルデータを生成する段階、前記ＣＡＮ信号を逆方向サンプリング時点に基づいて逆方向前処理して逆方向入力データを生成する段階、前記逆方向入力データに対する逆方向マスクデータと前記逆方向サンプリング時点による逆方向タイムインターバルデータを生成する段階および前記順方向入力データ、順方向マスクデータ、順方向タイムインターバルデータ、逆方向入力データ、逆方向マスクデータおよび逆方向タイムインターバルデータをＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークに入力して前記ＣＡＮ信号のうちの異常信号を感知する段階を含むことができる。
ここで、前記順方向入力データを生成する段階は、前記順方向サンプリング時点に基づいて順方向受信ウィンドウを獲得する段階、時間軸を基準として前記順方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張する段階、前記時間軸を基準として前記順方向受信ウィンドウを受信信号が存在するサンプリング時点まで逆方向に拡張する段階および前記拡張した受信ウィンドウに基づいて、前記信号の種類を表す行列である順方向入力データを生成する段階をさらに含むことができる。
ここで、前記順方向マスクデータは、前記サンプリング時点でデータが存在する場合には１値を有し、データが存在しない場合には０値を有する行列であり得る。
ここで、前記順方向タイムインターバルデータは前記サンプリング時点の差に基づいて生成され得る。
ここで、前記逆方向入力データを生成する段階は、前記逆方向サンプリング時点に基づいて逆方向受信ウィンドウを獲得する段階、時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで逆方向に拡張する段階、前記時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張する段階および前記拡張した逆方向受信ウィンドウに基づいて、前記信号の種類を表す行列である逆方向入力データを生成する段階をさらに含むことができる。
ここで、前記逆方向タイムインターバルデータは前記逆方向サンプリング時点の差に基づいて生成され得る。
ここで、前記ＧＲＵ－Ｄニューラルネットワークは、複数のＧＲＵ－Ｄレイヤーを含むＧＲＵ－Ｄエンコーダおよび前記ＧＲＵ－Ｄエンコーダと対称的な構造を有する前記ＧＲＵ－Ｄデコーダを含むことができる。
ここで、前記異常信号を感知する段階は、前記ＧＲＵ－Ｄエンコーダが前記逆方向入力データ、前記逆方向マスクデータおよび前記順方向タイムインターバルデータに基づいて第２ヒドゥン（ｈｉｄｄｅｎ）行列およびエンコーダデータを出力する段階、前記ＧＲＵ－Ｄデコーダが前記第２ヒドゥン行列、前記エンコーダデータ、前記逆方向マスクデータおよび前記逆方向タイムインターバルデータに基づいて推定データを出力する段階および前記順方向入力データと前記推定データを比較して、ＣＡＮ信号のうちの異常信号を感知することができる。
本発明の他の実施例に係る通信ノードは、プロセッサ（ｐｒｏｃｅｓｓｏｒ）および前記プロセッサによって実行される一つ以上の命令が保存されたメモリ（ｍｅｍｏｒｙ）を含むことができ、前記一つ以上の命令は、複数のＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）通信ノードからＣＡＮ信号を受信し、前記ＣＡＮ信号を順方向サンプリング時点に基づいて順方向前処理して入力データを生成し、前記順方向入力データに対する順方向マスクデータと前記順方向サンプリング時点による順方向タイムインターバルデータを生成し、前記ＣＡＮ信号を逆方向サンプリング時点に基づいて逆方向前処理して逆方向入力データを生成し、前記逆方向入力データに対する逆方向マスクデータと前記逆方向サンプリング時点による逆方向タイムインターバルデータを生成し、そして、前記順方向入力データ、順方向マスクデータ、順方向タイムインターバルデータ、逆方向入力データ、逆方向マスクデータおよび逆方向タイムインターバルデータをＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークに入力して前記ＣＡＮ信号のうちの異常信号を感知するように実行され得る。
ここで、前記順方向入力データを生成する場合、前記一つ以上の命令は、前記順方向サンプリング時点に基づいて順方向受信ウィンドウを獲得し、時間軸を基準として前記順方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張し、前記時間軸を基準として前記順方向受信ウィンドウを信号が存在するサンプリング時点まで逆方向に拡張し、そして前記拡張した受信ウィンドウに基づいて前記信号の種類を表す行列である順方向入力データを生成するようにさらに実行され得る。
ここで、前記順方向マスクデータは、前記サンプリング時点でデータが存在する場合には１値を有し、データが存在しない場合には０値を有する行列であり得る。
ここで、前記順方向タイムインターバルデータは前記サンプリング時点の差に基づいて生成され得る。
ここで、前記逆方向入力データを生成する場合、前記一つ以上の命令は、前記逆方向サンプリング時点に基づいて逆方向受信ウィンドウを獲得し、時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで逆方向に拡張し、前記時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張し、そして、前記拡張した逆方向受信ウィンドウに基づいて、前記信号の種類を表す行列である逆方向入力データを生成するようにさらに実行され得る。
ここで、前記ＧＲＵ－Ｄニューラルネットワークは、複数のＧＲＵ－Ｄレイヤーを含むＧＲＵ－Ｄエンコーダおよび前記ＧＲＵ－Ｄエンコーダと対称的な構造を有するＧＲＵ－Ｄデコーダを含むことができる。
ここで、前記異常信号を感知する場合、前記一つ以上の命令は、前記ＧＲＵ－Ｄエンコーダが前記逆方向入力データ、前記逆方向マスクデータおよび前記順方向タイムインターバルデータに基づいて第２ヒドゥン行列およびエンコーダデータを出力し、前記ＧＲＵ－Ｄデコーダが前記第２ヒドゥン行列、前記エンコーダデータ、前記逆方向マスクデータおよび前記逆方向タイムインターバルデータに基づいて推定データを出力し、そして、前記順方向入力データと前記推定データを比較して、ＣＡＮ信号のうちの異常信号を感知するようにさらに実行され得る。
本発明によると、ＣＡＮ基盤の通信ネットワークで補間法を使わずに受信信号の前処理を遂行することによって、受信信号の解像度が高くなっても通信ネットワークの性能が低下しないことができ、受信信号の特性にかかわらず前処理を遂行することができるため、受信信号の検出性能が向上し得る。
また、ＣＡＮ基盤の通信ネットワークでＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークを利用して信号を検出することによって、信号を検出する速度および正確性が向上し得る。したがって通信ネットワークの性能が向上し得る。
車両ネットワークのトポロジー（ｎｅｔｗｏｒｋ ｔｏｐｏｌｏｇｙ）の第１実施例を図示したブロック図である。 車両ネットワークを構成する通信ノードの構造についての一実施例を図示したブロック図である。 車両ネットワークで異常信号を感知する方法の第１実施例を示したフローチャートである。 車両ネットワークで順方向前処理を遂行する方法の第１実施例を示したフローチャートである。 車両ネットワークで順方向受信ウィンドウを獲得する方法の第１実施例を説明するための概念図である。 車両ネットワークで順方向受信ウィンドウを拡張する方法の第１実施例を説明するための概念図である。 車両ネットワークで逆方向前処理を遂行する方法の第１実施例を示したフローチャートである。 車両ネットワークで逆方向受信ウィンドウを獲得する方法の第１実施例を説明するための概念図である。 車両ネットワークで逆方向受信ウィンドウを拡張する方法の第１実施例を説明するための概念図である。 車両ネットワークでＧＲＵ－Ｄニューラルネットワークの第１実施例を示したブロック図である。 車両ネットワークでＧＲＵ－Ｄエンコーダの第１実施例を示したブロック図である。 車両ネットワークでＧＲＵ－Ｄデコーダの第１実施例を示したブロック図である。 車両ネットワークでＧＲＵ－Ｄレイヤーの第１実施例を示したブロック図である。
本発明は多様な変更を加えることができ、多様な実施例を有することができるところ、特定の実施例を図面に例示して詳細に説明する。しかし、これは本発明を特定の実施形態に対して限定しようとするものではなく、本発明の思想および技術範囲に含まれるすべての変更、均等物乃至代替物を含むものと理解されるべきである。
第１、第２等の用語は多様な構成要素の説明に使われ得るが、前記構成要素は前記用語によって限定されてはならない。前記用語は一つの構成要素を他の構成要素から区別する目的でのみ使われる。例えば、本発明の権利範囲を逸脱することなく第１構成要素は第２構成要素と命名され得、同様に第２構成要素も第１構成要素と命名され得る。および／またはという用語は複数の関連した記載された項目の組み合わせまたは複数の関連した記載された項目のうちいずれかの項目を含む。
ある構成要素が他の構成要素に「連結されて」いるとか「接続されて」いると言及された時には、その他の構成要素に直接的に連結されていてもよくまたは接続されていてもよいが、中間に他の構成要素が存在してもよいと理解されるべきである。その反面、ある構成要素が他の構成要素に「直接連結されて」いるとか「直接接続されて」いると言及された時には、中間に他の構成要素が存在しないものと理解されるべきである。
本出願で使った用語は単に特定の実施例を説明するために使われたものであって、本発明を限定しようとする意図ではない。単数の表現は文脈上明白に異なって意味しない限り、複数の表現を含む。本出願で、「含む」または「有する」等の用語は明細書上に記載された特徴、数字、段階、動作、構成要素、部品またはこれらを組み合わせたものが存在することを指定しようとするものであって、一つまたはそれ以上の他の特徴や数字、段階、動作、構成要素、部品またはこれらを組み合わせたものなどの存在または付加の可能性をあらかじめ排除しないものと理解されるべきである。
異なって定義されない限り、技術的または科学的な用語を含んでここで使われるすべての用語は、本発明が属する技術分野で通常の知識を有する者によって一般的に理解されるものと同じ意味を有している。一般的に使われる辞書に定義されているような用語は関連技術の文脈上有する意味と一致する意味を有するものと解釈されるべきであり、本出願で明白に定義しない限り、理想的または過度に形式的な意味で解釈されない。
以下、添付した図面を参照して本発明の好ましい実施例をより詳細に説明する。本発明の説明において、全体的な理解を助けるために、図面上の同じ構成要素については同じ参照符号を付し、重複する説明は省略する。
図１は、車両ネットワークのトポロジー（ｎｅｔｗｏｒｋ ｔｏｐｏｌｏｇｙ）の第１実施例を図示したブロック図である。
図１を参照すると、車両ネットワークは複数のエンドノード１１１～１１３および制御器１２０を含むことができる。図１の複数のエンドノード１１１～１１３および制御器１２０を含むことができる。
また、車両ネットワークを構成する通信ノード（エンドノード１１１～１１３および制御器１２０）は、スター（ｓｔａｒ）トポロジー、バス（ｂｕｓ）トポロジー、リング（ｒｉｎｇ）トポロジー、ツリー（ｔｒｅｅ）トポロジー、メッシュ（ｍｅｓｈ）トポロジーなどに連結され得る。また、車両ネットワークを構成する通信ノードそれぞれは、ＣＡＮプロトコル、フレックスレイプロトコル、ＭＯＳＴ（登録商標）プロトコル、ＬＩＮプロトコル、イーサネット（登録商標）プロトコルなどを支援することができる。本発明に係る実施例は前述したネットワークトポロジーに適用され得、本発明に係る実施例が適用されるネットワークトポロジーはこれに限定されず多様に構成され得る。
一方、図１の複数のエンドノード１１１～１１３および制御器１２０は次のように構成され得る。
図２は、車両ネットワークを構成する通信ノードの一実施例を図示したブロック図である。
図２を参照すると、通信ノード２００は少なくとも一つのプロセッサ２１０、メモリ２２０およびネットワークと連結されて通信を遂行する送受信装置２３０を含むことができる。また、通信ノード２００は入力インターフェース装置２４０、出力インターフェース装置２５０、保存装置２６０等をさらに含むことができる。通信ノード２００に含まれたそれぞれの構成要素はバス（ｂｕｓ）２７０により連結されて通信を遂行できる。
ただし、通信ノード２００に含まれたそれぞれの構成要素は、共通バス２７０ではなくプロセッサ２１０を中心に個別インターフェースまたは個別バスを通じて連結されてもよい。例えば、プロセッサ２１０はメモリ２２０、送受信装置２３０、入力インターフェース装置２４０、出力インターフェース装置２５０および保存装置２６０のうち少なくとも一つと専用インターフェースを通じて連結されてもよい。
プロセッサ２１０はメモリ２２０および保存装置２６０のうち少なくとも一つに保存されたプログラム命令（ｐｒｏｇｒａｍ ｃｏｍｍａｎｄ）を実行することができる。プロセッサ２１０は中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＣＰＵ）、グラフィック処理装置（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＧＰＵ）、または本発明の実施例に係る方法が実行される専用のプロセッサを意味し得る。
メモリ２２０および保存装置２６０それぞれは、揮発性保存媒体および不揮発性保存媒体のうち少なくとも一つで構成され得る。例えば、メモリ２２０は読み取り専用メモリ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ：ＲＯＭ）およびランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ：ＲＡＭ）のうち少なくとも一つで構成され得る。
再び図１を参照すると、車両ネットワークで複数のエンドノード１１１～１１３はバスライン（ｂｕｓ ｌｉｎｅ）を通じて連結され得る。すなわち、複数のエンドノード１１１～１１３間の通信はバスラインを通じて遂行され得る。また、複数のエンドノード１１１～１１３はバスラインを通じて制御器１２０と通信を遂行できる。複数のエンドノード１１１～１１３はそれぞれのサンプリング時点で制御器１２０に信号を伝送することができる。
エンドノード１１１～１１３は車両に含まれた各種装置を制御するＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｎｔｒｏｌ Ｕｎｉｔ）を意味し得る。例えば、エンドノード１１１～１１３はインフォテインメント（ｉｎｆｏｒｔａｉｎｍｅｎｔ）装置（例えば、ディスプレイ（ｄｉｓｐｌａｙ）装置、ナビゲーション（ｎａｖｉｇａｔｉｏｎ）装置、アラウンドビューモニタリング（ａｒｏｕｎｄ ｖｉｅｗ ｍｏｎｉｔｏｒｉｎｇ）装置）等を構成するＥＣＵを意味し得る。
制御器１２０はバスラインを通じて複数のエンドノード１１１～１１３から信号を受信することができる。制御器１２０は複数のエンドノード１１１～１１３がそれぞれのサンプリング時点で送信した信号を受信することができる。制御器１２０は複数のエンドノード１１１～１１３から受信した信号のうち異常信号を感知することができる。
図３は、車両ネットワークで異常信号を感知する方法の第１実施例を示したフローチャートである。
図３のエンドノードおよび制御器は図１のエンドノード１１１～１１３および制御器１２０と同一または類似するように構成され得る。図３を参照すると、制御器（例えば図１の制御器１２０）はエンドノード（例えば、図１のエンドノード１１１～１１３）から受信した信号に基づいて順方向前処理を遂行できる（Ｓ３１０）。
図４は、車両ネットワークで順方向前処理を遂行する方法の第１実施例を示したフローチャートである。
図４のエンドノードおよび制御器は図１のエンドノード１１１～１１３および制御器１２０と同一または類似するように構成され得る。
図４を参照すると、制御器（例えば、図１の制御器１２０）はエンドノード（例えば、図１のエンドノード１１１～１１３）から受信した信号および信号のサンプリング時点に基づいて順方向受信ウィンドウを獲得することができる（Ｓ４１０）。
制御器はあらかじめ設定した周期でサンプリングを遂行できる。すなわち制御器はサンプリングを遂行した時点のうち、エンドノードから信号を受信したサンプリング時点を検出することができる。
制御器はそれぞれのエンドノードのＣＡＮ ＩＤおよびエンドノードから信号を受信したサンプリング時点に基づいて受信信号を整列することができる。制御器は、それぞれのエンドノードのＣＡＮ ＩＤを縦軸に、サンプリング時点のうちエンドノードから信号を受信したサンプリング時点を横軸にする順方向グラフを生成することができる。
順方向グラフにはエンドノードから受信した信号が時間順に整列され得る。制御器は生成されたグラフのうちあらかじめ設定された区間のグラフを獲得することによって、順方向受信ウィンドウを獲得することができる。
図５は、車両ネットワークで、順方向受信ウィンドウを獲得する方法の第１実施例を説明するための概念図である。
図５のエンドノードおよび制御器は図１のエンドノード１１１～１１３および制御器１２０と同一または類似するように構成され得る。図５のＣＡＮ ＩＤ Ａは図１の第１エンドノード１１１のＣＡＮ ＩＤであり得、ＣＡＮ ＩＤ Ｂは第２エンドノード１１２のＣＡＮ ＩＤであり得、ＣＡＮ ＩＤ Ｃは第３エンドノード１１３のＣＡＮ ＩＤであり得る。
図５を参照すると、制御器はサンプリング時点のうちいずれか一つ以上にエンドノードから信号を受信することができる。制御器は第１エンドノードからto[sec]、to＋1.9[sec]およびto＋2.7[sec]に信号を受信することができる。制御器は第２エンドノードからto＋1.0[sec]、to＋1.6[sec]およびto＋2.5[sec]に信号を受信することができる。
制御器はそれぞれのエンドノードから信号を受信したサンプリング時点（to[sec]、to＋1.0[sec]、to＋1.9[sec]、to＋1.6[sec]、to＋2.5[sec]およびto＋2.7[sec]）を横軸に、それぞれのエンドノードのＣＡＮ ＩＤ（ＣＡＮ ＩＤ Ａ、ＣＡＮ ＩＤ ＢおよびＣＡＮ ＩＤ Ｃ）を縦軸にする順方向グラフを生成することができる。順方向グラフには制御器がエンドノードから受信した信号が受信時点順に配列され得る。
制御器は生成された順方向グラフのうち一部であるto[sec]からto＋2.7[sec]区間の順方向グラフを順方向受信ウィンドウで獲得することができる。
再び図４を参照すると、制御器は時間軸を基準として順方向受信ウィンドウを拡張することができる（Ｓ４２０）。制御器は順方向受信ウィンドウの横軸を両側に拡張する方式で順方向受信ウィンドウを拡張することができる。すなわち制御器は、すべてのエンドノード（例えば図１のエンドノード１１１～１１３）から信号を受信した時点を検出するために、順方向受信ウィンドウを両側に拡張することができる。
図６は、車両ネットワークで、順方向受信ウィンドウを拡張する方法の第１実施例を説明するための概念図である。
図６のエンドノードおよび制御器は図１のエンドノード１１１～１１３および制御器１２０と同一または類似するように構成され得る。また、図６の順方向受信ウィンドウは図５の順方向受信ウィンドウと同じでもよい。
図６を参照すると、制御器は受信ウィンドウの開始時点であるto[sec]前に第２エンドノードおよび第３エンドノードから信号を受信したサンプリング時点を獲得することができる。制御器は受信ウィンドウの終了時点であるto＋2.7[sec]後に第２エンドノードおよび第３エンドノードから信号を受信したサンプリング時点を獲得することができる。
制御器はＳ４１０段階で獲得した順方向受信ウィンドウの横軸を両側に拡張することができる。すなわち、制御器はＳ４１０段階で獲得した順方向受信ウィンドウをto[sec]から左側（時間が減少する方向）に拡張することができ、to＋2.7[sec]から右側（時間が増加する方向）に拡張することができる。
制御器はto[sec]前に残りのエンドノードから信号を受信した時点（例えば、第２エンドノードから信号を受信した時点であるto－0.6[sec]）まで順方向受信ウィンドウを左側に拡張することができる。制御器は順方向受信ウィンドウをto＋2.7[sec]後に残りのエンドノードから信号を受信した時点（例えば、第３エンドノードから信号を受信した時点であるto＋3.7[sec]）まで順方向受信ウィンドウを右側に拡張することができる。
再び、図４を参照すると、制御器はＳ４２０段階で拡張した順方向受信ウィンドウ（図６参照）に基づいて順方向入力データを生成することができる（Ｓ４３０）。
制御器はＳ４２０段階で拡張した順方向受信ウィンドウを下記の数１のように一つの行列で表すことによって順方向入力データを生成することができる。
Figure 0006999119000001
数１でx0,0、x0,3、x0,5、x1,0、x1,3およびx1,5は第１エンドノードから、to＋1.9[sec]およびto＋2.7[sec]に受信した信号を表すことができる。x2,-2、x2,1、x2,2、x2,4、x2,6、x3,-2、x3,1、x3,2、x3,4およびx3,6は第２エンドノードからto－0.6[sec]、to＋1.0[sec]、to＋1.6[sec]およびto＋2.5[sec]およびto＋3.2[sec]に受信した信号を表すことができる。x4,-1、x4,7、x5,-1およびx5,7は第３エンドノードからto－0.5[sec]、to＋3.7[sec]に受信した信号であり得る。
制御器はＳ４３０段階で生成した順方向入力データに基づいて順方向マスクデータおよび順方向タイムインターバルを生成することができる（Ｓ４４０）。
マスクデータは特定のサンプリング時点で、特定のエンドノードが信号を受信したか否かを表す行列であり得る。制御器はサンプリング時点で信号を受信した場合は１値を有し、受信しなかった場合は０値を有する行列である順方向マスクデータを生成することができる。ここでサンプリング時点とは、エンドノード１１１～１１３のうち少なくともいずれか一つから信号を受信した時点であり得る。例えば、制御器は数１により生成された順方向入力データに基づいて下記の数２のようなマスクデータを生成することができる。
Figure 0006999119000002
制御器はエンドノードから信号を受信したサンプリング時点の差を表す順方向サンプリング行列を生成することができる。順方向サンプリング行列は、拡張された順方向受信ウィンドウで最も速い信号受信時点と残りの信号受信時点の時間差を表す行列であり得る。例えば、図６の拡張された順方向受信ウィンドウに基づいて次の数３のような順方向サンプリング行列を生成することができる。
Figure 0006999119000003
数３で、順方向サンプリング行列それぞれの成分は、エンドノードから信号を受信した時点のうち最も速いサンプリング時点であるto－0.6[sec]と残りの信号受信時点の差を表すことができる。
制御器は順方向サンプリング行列および順方向マスクデータに基づいて順方向タイムインターバルデータを生成することができる。制御器は下記の数４に基づいて行列形態の順方向タイムインターバルデータを生成することができる。
Figure 0006999119000004
数４で、δk,tは順方向タイムインターバルデータのｋ行、ｔ列の成分であり得る。stは順方向サンプリング行列のｔ番目の成分であり得、δk,t-1は順方向タイムインターバルデータのｋ行、ｔ－１列の成分であり得、ｍｉｎ（ｔ）は拡張された順方向受信ウィンドウのサンプリング時点のうち最も早い時間であり得、mk,tは順方向マスクデータのｋ行、ｔ列の成分であり得る。
例えば、数２によって生成された順方向マスクデータおよび数３によって生成された順方向サンプリング行列に基づいて下記の数５のように順方向タイムインターバルデータを生成することができる。
Figure 0006999119000005
再び、図３を参照すると、制御器はエンドノードから受信した信号に基づいて逆方向前処理を遂行できる（Ｓ３２０）。
図７は、車両ネットワークで、逆方向前処理を遂行する方法の第１実施例を示したフローチャートである。
図７のエンドノードおよび制御器は図１のエンドノード１１１～１１３および制御器１２０と同一または類似するように構成され得る。
図７を参照すると、制御器（例えば、図１の制御器１２０）はエンドノード（例えば、図１のエンドノード１１１～１１３）から受信した信号および信号のサンプリング時点に基づいて逆方向受信ウィンドウを獲得することができる（Ｓ７１０）。
制御器はあらかじめ設定した周期でサンプリングを遂行できる。すなわち制御器はサンプリングを遂行した時点のうち、エンドノードから信号を受信した時点を検出することができる。制御器はそれぞれのエンドノードのＣＡＮ ＩＤおよび信号の受信時点に基づいて受信信号を信号受信時点の逆順で整列することができる。
制御器はそれぞれのエンドノードのＣＡＮ ＩＤを縦軸に、逆方向サンプリング時点のうちエンドノードから信号を受信した時点を横軸にする逆方向グラフを生成することができる。ここで、逆方向サンプリング時点とは、それぞれの制御器のサンプリング時点に－１値を掛けたサンプリング時点であり得る。
図８は、車両ネットワークで、逆方向受信ウィンドウを獲得する方法の第１実施例を説明するための概念図である。
図８のエンドノードおよび制御器は図１のエンドノード１１１～１１３および制御器１２０と同一または類似するように構成され得る。図８のＣＡＮ ＩＤ Ａは図１の第１エンドノード１１１のＣＡＮ ＩＤであり得、ＣＡＮ ＩＤ Ｂは第２エンドノード１１２のＣＡＮ ＩＤであり得、ＣＡＮ ＩＤ Ｃは第３エンドノード１１３のＣＡＮ ＩＤであり得る。
図８を参照すると、制御器は逆方向サンプリング時点の中でエンドノードから信号を受信した時点を獲得することができる。制御器は信号を受信した時点に－１値を掛けて逆方向サンプリング時点の中で信号を受信した時点を獲得することができる。
制御器はサンプリング時点のうちいずれか一つ以上にエンドノードから信号を受信することができる。制御器は第１エンドノードからto[sec]、to＋1.9[sec]およびto＋2.7[sec]に信号を受信することができる。制御器は第２エンドノードからto＋1.0[sec]、to＋1.6[sec]およびto＋2.5[sec]に信号を受信することができる。
それぞれのエンドノードから信号を受信した時点（to[sec]、to＋1.0[sec]、to＋1.6[sec]、to＋1.9[sec]、to＋2.5[sec]およびto＋2.7[sec]）に－１値を掛けて、逆方向サンプリング時点の中で信号を受信した時点（－to[sec]、－to－1.0[sec]、－to－1.6[sec]、－to－1.9[sec]、－to－2.5[sec]および－to－2.7[sec]）を獲得することができる。制御器は獲得した逆方向信号受信時点を横軸に、それぞれのエンドノードのＣＡＮ ＩＤ（ＣＡＮ ＩＤ Ａ、ＣＡＮ ＩＤ ＢおよびＣＡＮ ＩＤ Ｃ）を縦軸にする逆方向グラフを生成することができる。
逆方向グラフには制御器がエンドノードから信号を受信した受信時点が逆順で配列され得る。制御器は生成された順方向グラフのうち一部である－to－2.7[sec]から－to[sec]区間の逆方向グラフを逆方向受信ウィンドウで獲得することができる。
再び図７を参照すると、制御器は時間軸を基準として逆方向受信ウィンドウを拡張することができる（Ｓ７２０）。制御器は逆方向受信ウィンドウの横軸を両側に拡張する方式で逆方向受信ウィンドウを拡張することができる。すなわち制御器はすべてのエンドノード（例えば図１のエンドノード１１１～１１３）から信号を受信するために、逆方向受信ウィンドウを両側に拡張することができる。
図９は、車両ネットワークで、逆方向受信ウィンドウを拡張する方法の第１実施例を説明するための概念図である。
図９のエンドノードおよび制御器は図１のエンドノード１１１～１１３および制御器１２０と同一または類似するように構成され得る。また、図９の逆方向受信ウィンドウは図８の逆方向受信ウィンドウと同じでもよい。
図９を参照すると、制御器は逆方向サンプリング時点を基準として、逆方向受信ウィンドウの開始時点である－to－2.7[sec]前に第２エンドノードおよび第３エンドノードから信号を受信した逆方向サンプリング時点を獲得することができる。制御器は逆方向受信ウィンドウの終了時点である－to後に第２エンドノードおよび第３エンドノードから信号を受信した逆方向サンプリング時点を獲得することができる。
制御器はＳ７１０段階で獲得した逆方向受信ウィンドウの横軸を両側に拡張することができる。すなわち、制御器はＳ７１０段階で獲得した逆方向受信ウィンドウを－to－2.7[sec]から左側（時間が減少する方向）に拡張することができ、－toから右側（時間が増加する方向）に拡張することができる。
制御器は－to－2.7[sec]前に残りのエンドノードから信号を受信した逆方向サンプリング時点（例えば、第３エンドノードから信号を受信した逆方向サンプリング時点である－to－3.7[sec]）まで逆方向受信ウィンドウを左側に拡張することができる。制御器は－to[sec]後に残りのエンドノードが信号を受信したサンプリング時点（例えば、第２エンドノードから信号を受信した逆方向サンプリング時点である－to＋0.6[sec]）まで逆方向受信ウィンドウを右側に拡張することができる。
再び、図７を参照すると、制御器はＳ７２０段階で拡張した逆方向受信ウィンドウに基づいて逆方向入力データを生成することができる（Ｓ７３０）。
制御器はＳ７３０段階で拡張した逆方向受信ウィンドウを下記の数７のように一つの行列で表すことによって、逆方向入力データを生成することができる。
Figure 0006999119000006
Figure 0006999119000007
Figure 0006999119000008
制御器はＳ７３０段階で生成した逆方向入力データに基づいて逆方向マスクデータおよび逆方向タイムインターバルを生成することができる（Ｓ７４０）。
制御器は逆方向サンプリング時点で信号を受信した場合は１値を有し、受信しなかった場合は０値を有する行列である逆方向マスクデータを生成することができる。ここで逆方向サンプリング時点とは、エンドノード１１１～１１３のうち少なくともいずれか一つから信号を受信した時点であり得る。例えば、制御器は数７により生成された逆方向入力データに基づいて下記の数８のような逆方向マスクデータを生成することができる。
Figure 0006999119000009
制御器はエンドノードの逆方向サンプリング時点の差を表す逆方向サンプリング行列を生成することができる。逆方向サンプリング行列は拡張された逆方向受信ウィンドウで最も速い逆方向サンプリング時点と残りの逆方向サンプリング時点の時間差を表す行列であり得る。例えば、図９の拡張された逆方向受信ウィンドウに基づいて次の数９のような逆方向サンプリング行列を生成することができる。
Figure 0006999119000010
数９で、逆方向行列それぞれの成分はエンドノードの逆方向サンプリング時点のうち最も速い時点である(－to－3.7)[sec]と残りのサンプリング時点の差を表すことができる。
制御器は逆方向サンプリング行列および逆方向マスクデータに基づいて、逆方向タイムインターバルデータを生成することができる。制御器は下記の数１０に基づいて行列形態の逆方向タイムインターバルデータを生成することができる。
Figure 0006999119000011
Figure 0006999119000012
例えば、数８で生成した逆方向マスクデータおよび数９で生成された逆方向サンプリング行列に基づいて下記の数１１のように逆方向タイムインターバルデータを生成することができる。
Figure 0006999119000013
再び図３を参照すると、制御器はＳ３１０で遂行した順方向前処理結果およびＳ３２０で遂行した逆方向前処理結果に基づいて受信信号のうち異常信号を感知することができる（Ｓ３３０）。
制御器は順方向前処理結果である順方向入力データ、順方向マスクデータおよび順方向タイムインターバルと逆方向前処理結果である逆方向入力データ、逆方向マスクデータおよび逆方向タイムインターバルをＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークに入力することができる。ＧＲＵ－Ｄニューラルネットワークは入力データに基づいて受信信号の異常の有無を判断することができる。
図１０は、車両ネットワークで、ＧＲＵ－Ｄニューラルネットワークの第１実施例を示したブロック図である。図１０を参照すると、ＧＲＵ－ＤニューラルネットワークはＧＲＵ－Ｄエンコーダ１００１およびＧＲＵ－Ｄデコーダ１００２を含むことができる。図１０には複数のＧＲＵ－Ｄエンコーダ１００１およびＧＲＵ－Ｄデコーダ１００２が図示されているが、これは複数のＧＲＵ－Ｄエンコーダ１００１およびＧＲＵ－Ｄデコーダ１００２の繰り返される演算を説明するためのものであって、すべて同一のＧＲＵ－Ｄエンコーダ１００１およびＧＲＵ－Ｄデコーダ１００２であり得る。
図１１は、車両ネットワークで、ＧＲＵ－Ｄエンコーダの第１実施例を示したブロック図である。
図１１を参照すると、ＧＲＵ－Ｄエンコーダは複数のＧＲＵ－Ｄレイヤー１１０１～１１０３およびＦＣ（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ）レイヤー１１０４を含むことができる。
再び図１１を参照すると、複数のＧＲＵ－Ｄレイヤーのうち最下位レイヤーである第０ＧＲＵ－Ｄレイヤー１１０１は、順方向入力データのうちいずれか一列であるxt、マスクデータのうちいずれか一列であるmtおよび順方向インターバルデータのうちいずれか一列であるδtを入力信号として受信することができる。xt、mtおよびδtはそれぞれの行列のｔ番目の列の成分であり得る。
第０ＧＲＵ－Ｄレイヤー１１０１はxt、mtおよびδtに基づいて、０番目のヒドゥン行列であるht 0を生成することができる。第０ＧＲＵ－Ｄレイヤー１１０１はht 0を第１ＧＲＵ－Ｄレイヤー１１０２に伝送することができる。第１ＧＲＵ－Ｄレイヤー１１０２は第０ＧＲＵ－Ｄレイヤー１１０１からht 0を受信することができる。第１ＧＲＵ－Ｄレイヤー１１０２はht 0に基づいて第１レイヤーヒドゥン行列であるht 1を生成することができる。
第Ｎ－１ＧＲＵ－Ｄレイヤー１１０３は第Ｎ－２ＧＲＵ－Ｄレイヤーから第Ｎ－２レイヤーヒドゥン行列であるht ｎ-2を受信することができる。第Ｎ－１レイヤー１１０３はht ｎ-2に基づいて第１ヒドゥン行列であるht ｎ-1を生成することができる。
また、第Ｎ－１レイヤー１１０３は生成した第１ヒドゥン行列であるht ｎ-1をＦＣレイヤー１１０４に伝送することができる。ＦＣレイヤー１１０４は第Ｎ－１レイヤー１１０３から第１ヒドゥン行列ht ｎ-1を受信することができる。ＦＣレイヤー１１０４はht ｎ-1に基づいてエンコーダデータzt+1を生成することができる。
一方、図１０の複数のＧＲＵ－Ｄデコーダ１００２は次のように構成され得る。
図１２を参照すると、ＧＲＵ－Ｄデコーダは複数のＧＲＵ－Ｄレイヤー１２０１～１２０３およびＦＣレイヤー１２０４を含むことができる。
Figure 0006999119000014
Figure 0006999119000015
Figure 0006999119000016
Figure 0006999119000017
一方、それぞれのＧＲＵ－Ｄレイヤー（１１０１～１１０３および１２０１～１２０３）は次のように構成され得る。
図１３は、ＧＲＵ－Ｄレイヤーの第１実施例を示した概念図である。
図１３はＧＲＵ－Ｄエンコーダのレイヤーに基づいて説明するが、これはＧＲＵ－Ｄデコーダのレイヤーにも同様に適用され得る。
図１３を参照すると、ＧＲＵ－Ｄレイヤーはリセットゲートｒおよびアップデートゲートｙおよびマスクゲートｇを含むことができる。リセットゲートｒは新しい入力を以前のメモリとどのように合わせるかを決定することができる。アップデートゲートｙは以前のメモリをどれくらい反映するかを決定することができる。
リセットゲートｒは下記の数１２に基づいて、リセットパラメータを獲得することができる。
Figure 0006999119000018
Figure 0006999119000019
Figure 0006999119000020
Figure 0006999119000021
Figure 0006999119000022
Figure 0006999119000023
数１４で、Ｗγはδｔの加重値であり得、ｂγはバイアスベクターを意味し得る。
一方、アップデートゲートｙは下記の数１５を利用して、アップデートパラメータｙを獲得することができる。
Figure 0006999119000024
Figure 0006999119000025
Figure 0006999119000026
一方、ＧＲＵ－Ｄレイヤーは新しいヒドゥンベクターｈｔを次の数１７により演算することができる。
Figure 0006999119000027
再び図１０を参照すると、ＧＲＵ－Ｄエンコーダ１００１は順方向入力データ、順方向マスクデータおよび順方向タイムインターバルデータを受信することができる。
ＧＲＵ－Ｄエンコーダ１００１は順方向入力データの第１列成分（例えば、図４の数１のｘ－２列成分）、順方向マスクデータの第１列成分（例えば、図４の数２のｍ－２列成分）、および順方向タイムインターバルの第１列成分（例えば、図４の数５のδ－２列成分）に基づいてエンコーダデータｚ－１および第１ヒドゥン行列ｈ－２ ｎ－１を生成することができる。ここでｚ－１はＧＲＵ－Ｄエンコーダ１００１のＦＣレイヤー（例えば、図１１のＦＣレイヤー１１０４）が生成することができ、第１ヒドゥン行列ｈ－２ ｎ－１はＧＲＵ－Ｄエンコーダ１００１の最後のＧＲＵ－Ｄレイヤー（例えば、図１１の最後のレイヤー１１０３）が生成することができる。
ＧＲＵ－Ｄデコーダ１００２は逆方向入力データ、逆方向マスクデータおよび逆方向インターバルデータを受信することができる。またＧＲＵ－Ｄデコーダ１００２はＧＲＵ－Ｄエンコーダ１００１から第Ｎヒドゥン行列ｈｎ－１ ｎ－１を受信することができる。
Figure 0006999119000028
Figure 0006999119000029
Figure 0006999119000030
Figure 0006999119000031
ＧＲＵ－Ｄニューラルネットワークは順方向入力データとＧＲＵ－Ｄデコーダ１００２が出力する推定データを比較して受信信号のうち異常信号を感知することができる。
一方、制御器は下記の数１８に基づいて入力データと推定データの差を表すＭＳＥ（Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）を演算することができる。
Figure 0006999119000032
Figure 0006999119000033
Figure 0006999119000034
制御器はＭＳＥ値の大きさに基づいて、異常信号を感知することができる。ＭＳＥ値があらかじめ設定した値以上である場合、制御器は入力信号が異常信号であると判断することができる。ＭＳＥ値があらかじめ設定した値未満である場合、制御器は入力信号が正常信号であると判断することができる。
制御器は数１８にしたがってＧＲＤ－Ｄレイヤー（例えば、図１３のＧＲＵ－Ｄレイヤー）のパラメータを調整してＭＳＥを最小化することができる。制御器はＲＭＳＰｒｏｐ、ＡＤＡＭアルゴリズムのようなアルゴリズムを利用してパラメータを調整することができる。ＲＭＳＰｒｏｐ、ＡＤＡＭアルゴリズムは通常の技術者に自明な事項であるため本明細書では説明を省略する。
本発明に係る方法は、多様なコンピュータ手段を通じて遂行され得るプログラム命令の形態で具現されてコンピュータ読み取り可能な媒体に記録され得る。コンピュータ読み取り可能な媒体はプログラム命令、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。コンピュータ読み取り可能な媒体に記録されるプログラム命令は、本発明のために特別に設計されて構成されたものであるか、コンピュータソフトウェアの当業者に公知となっていて使用可能なものでもよい。
コンピュータ読み取り可能な媒体の例には、ロム、ラム、フラッシュメモリ（ｆｌａｓｈ ｍｅｍｏｒｙ）等のようにプログラム命令を保存して遂行するように特別に構成されたハードウェア装置が含まれる。プログラム命令の例には、コンパイラ（ｃｏｍｐｉｌｅｒ）により作られるような機械語コードだけでなく、インタープリタ（ｉｎｔｅｒｐｒｅｔｅｒ）等を使ってコンピュータによって実行され得る高級言語コードを含む。前述したハードウェア装置は、本発明の動作を遂行するために少なくとも一つのソフトウェアモジュールで作動するように構成され得、その逆も同じである。
以上、実施例を参照して説明したが、当該技術分野の熟練した当業者は、下記の特許請求の範囲に記載された本発明の思想及び領域から逸脱しない範囲内で、本発明を多様に修正及び変更できることが理解できるであろう。

Claims (15)

  1. 通信ネットワークで通信ノードの動作方法であって、
    複数のＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）通信ノードからＣＡＮ信号を受信する段階と、
    受信した前記ＣＡＮ信号を順方向サンプリング時点に基づいて順方向前処理して順方向入力データを生成する段階と、
    前記順方向入力データに対する順方向マスクデータおよび前記順方向サンプリング時点による順方向タイムインターバルデータを生成する段階と、
    前記ＣＡＮ信号を逆方向サンプリング時点に基づいて逆方向前処理して逆方向入力データを生成する段階と、
    前記逆方向入力データに対する逆方向マスクデータと前記逆方向サンプリング時点による逆方向タイムインターバルデータを生成する段階と、
    前記順方向入力データ、順方向マスクデータ、順方向タイムインターバルデータ、逆方向入力データ、逆方向マスクデータおよび逆方向タイムインターバルデータを、ＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークに入力して前記ＣＡＮ信号のうちの異常信号を感知する段階と、
    を含む、通信ノードの動作方法。
  2. 前記順方向入力データを生成する段階は、
    前記順方向サンプリング時点に基づいて順方向受信ウィンドウを獲得する段階と、
    時間軸を基準として前記順方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張する段階と、
    前記時間軸を基準として前記順方向受信ウィンドウを受信信号が存在するサンプリング時点まで逆方向に拡張する段階と、
    前記拡張した受信ウィンドウに基づいて、前記信号の種類を表す行列である順方向入力データを生成する段階と、
    をさらに含む、請求項１に記載の通信ノードの動作方法。
  3. 前記順方向マスクデータは、前記サンプリング時点でデータが存在する場合には１値を有し、データが存在しない場合には０値を有する行列である、請求項２に記載の通信ノードの動作方法。
  4. 前記順方向タイムインターバルデータは前記サンプリング時点の差に基づいて生成される、請求項２に記載の通信ノードの動作方法。
  5. 前記逆方向入力データを生成する段階は、
    前記逆方向サンプリング時点に基づいて逆方向受信ウィンドウを獲得する段階と、
    時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで逆方向に拡張する段階と、
    前記時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張する段階と、
    前記拡張した逆方向受信ウィンドウに基づいて、前記信号の種類を表す行列である逆方向入力データを生成する段階と、
    をさらに含む、請求項１に記載の通信ノードの動作方法。
  6. 前記逆方向タイムインターバルデータは前記逆方向サンプリング時点の差に基づいて生成される、請求項５に記載の通信ノードの動作方法。
  7. 前記ＧＲＵ－Ｄニューラルネットワークは、
    複数のＧＲＵ－ＤレイヤーとＦＣレイヤーとを含むＧＲＵ－Ｄエンコーダおよび複数のＧＲＵ－ＤレイヤーとＦＣレイヤーとを含むＧＲＵ－Ｄデコーダを含み、前記ＧＲＵ－Ｄエンコーダと前記ＧＲＵ－Ｄデコーダとは対称的な構造を有する、請求項１に記載の通信ノードの動作方法。
  8. 前記異常信号を感知する段階は、
    前記ＧＲＵ－Ｄエンコーダの前記複数のＧＲＵ－Ｄレイヤーが前記順方向入力データ、前記順方向マスクデータおよび前記順方向タイムインターバルデータに基づいて第１ヒドゥン行列を生成する段階と、
    前記ＧＲＵ－Ｄエンコーダの前記ＦＣレイヤーが前記第１ヒドゥン行列に基づいてエンコーダデータを生成する段階と、
    前記ＧＲＵ－Ｄデコーダの前記複数のＧＲＵ－Ｄレイヤーが前記逆方向入力データ、前記逆方向マスクデータおよび前記逆方向タイムインターバルデータに基づいて第２ヒドゥン行列を生成する段階と、
    前記ＧＲＵ－Ｄデコーダの前記ＦＣレイヤーが前記第２ヒドゥン行列に基づいて前記順入力データの推定データを生成する段階と、
    前記順方向入力データおよび前記推定データを比較して、前記ＣＡＮ信号のうちの前記異常信号を感知する段階と、
    を含む、請求項７に記載の通信ノードの動作方法。
  9. 通信ネットワークの通信ノードであって、
    プロセッサ（ｐｒｏｃｅｓｓｏｒ）と、
    前記プロセッサによって実行される一つ以上の命令が保存されたメモリ（ｍｅｍｏｒｙ）と、
    を含み、
    前記一つ以上の命令は、複数のＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）通信ノードからＣＡＮ信号を受信し、前記ＣＡＮ信号を順方向サンプリング時点に基づいて順方向前処理して順方向入力データを生成し、前記順方向入力データに対する順方向マスクデータと前記順方向サンプリング時点による順方向タイムインターバルデータを生成し、前記ＣＡＮ信号を逆方向サンプリング時点に基づいて逆方向前処理して逆方向入力データを生成し、前記逆方向入力データに対する逆方向マスクデータと前記逆方向サンプリング時点による逆方向タイムインターバルデータを生成し、前記順方向入力データ、前記順方向マスクデータ、前記順方向タイムインターバルデータ、前記逆方向入力データ、前記逆方向マスクデータおよび前記逆方向タイムインターバルデータをＧＲＵ－Ｄ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ－Ｄｅｃａｙ）ニューラルネットワークに入力して前記ＣＡＮ信号のうちの異常信号を感知するように実行される、通信ノード。
  10. 前記順方向入力データを生成する場合、前記一つ以上の命令は、
    前記順方向サンプリング時点に基づいて順方向受信ウィンドウを獲得し、
    時間軸を基準として前記順方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張し、
    前記時間軸を基準として前記順方向受信ウィンドウを信号が存在するサンプリング時点まで逆方向に拡張し、
    前記拡張した受信ウィンドウに基づいて前記信号の種類を表す行列である順方向入力データを生成するようにさらに実行される、
    請求項９に記載の通信ノード。
  11. 前記順方向マスクデータは、前記サンプリング時点でデータが存在する場合には１値を有し、データが存在しない場合には０値を有する行列である、請求項１０に記載の通信ノード。
  12. 前記順方向タイムインターバルデータは前記サンプリング時点の差に基づいて生成される、請求項１０に記載の通信ノード。
  13. 前記逆方向入力データを生成する場合、前記一つ以上の命令は、
    前記逆方向サンプリング時点に基づいて逆方向受信ウィンドウを獲得し、
    時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで逆方向に拡張し、
    前記時間軸を基準として前記逆方向受信ウィンドウを受信信号が存在するサンプリング時点まで順方向に拡張し、
    前記拡張した逆方向受信ウィンドウに基づいて、前記信号の種類を表す行列である逆方向入力データを生成するようにさらに実行される、
    請求項９に記載の通信ノード。
  14. 前記ＧＲＵ－Ｄニューラルネットワークは、
    複数のＧＲＵ－ＤレイヤーとＦＣレイヤーとを含むＧＲＵ－Ｄエンコーダおよび複数のＧＲＵ－ＤレイヤーとＦＣレイヤーとを含むＧＲＵ－Ｄデコーダを含み、前記ＧＲＵ－Ｄエンコーダと前記ＧＲＵ－Ｄデコーダとは対称的な構造を有する、請求項９に記載の通信ノード。
  15. 前記異常信号を感知する場合、前記一つ以上の命令は、
    前記ＧＲＵ－Ｄエンコーダの前記複数のＧＲＵ－Ｄレイヤーが前記順方向入力データ、前記順方向マスクデータおよび前記順方向タイムインターバルデータに基づいて第１ヒドゥン行列を生成し、
    前記ＧＲＵ－Ｄエンコーダの前記ＦＣレイヤーが前記第１ヒドゥン行列に基づいてエンコーダデータを生成し、
    前記ＧＲＵ－Ｄデコーダの前記複数のＧＲＵ－Ｄレイヤーが前記逆方向入力データ、前記逆方向マスクデータおよび前記逆方向タイムインターバルデータに基づいて第２ヒドゥン行列を生成し、
    前記ＧＲＵ－Ｄデコーダの前記ＦＣレイヤーが前記第２ヒドゥン行列に基づいて前記順入力データの推定データを生成し、
    前記順方向入力データおよび前記推定データを比較して、前記ＣＡＮ信号のうちの前記異常信号を感知するようにさらに実行される、
    請求項１４に記載の通信ノード。
JP2020136708A 2019-08-14 2020-08-13 Ｃａｎ基盤の通信ネットワークにおける信号検出方法および装置 Active JP6999119B6 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190099372A KR102232871B1 (ko) 2019-08-14 2019-08-14 Can 기반의 통신 네트워크에서 신호 검출 방법 및 장치
KR10-2019-0099372 2019-08-14

Publications (3)

Publication Number Publication Date
JP2021034043A JP2021034043A (ja) 2021-03-01
JP6999119B2 JP6999119B2 (ja) 2022-01-18
JP6999119B6 true JP6999119B6 (ja) 2022-03-14

Family

ID=72050742

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020136708A Active JP6999119B6 (ja) 2019-08-14 2020-08-13 Ｃａｎ基盤の通信ネットワークにおける信号検出方法および装置

Country Status (4)

Country Link
US (1) US11438248B2 (ja)
JP (1) JP6999119B6 (ja)
KR (1) KR102232871B1 (ja)
CN (1) CN112394706B (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11368284B2 (en) * 2019-09-25 2022-06-21 Ford Global Technologies, Llc Vehicle blockchain transactions
EP4106269A1 (en) * 2021-06-16 2022-12-21 Autocrypt Co., Ltd. Method and apparatus for detecting attack in can bus
CN113516228B (zh) * 2021-07-08 2023-04-18 哈尔滨理工大学 一种基于深度神经网络的网络异常检测方法
KR20230086045A (ko) * 2021-12-08 2023-06-15 고려대학교 산학협력단 Can 메시지 분석과 신경망 모델을 이용한 경량화된 실시간 이상 탐지 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108958217A (zh) 2018-06-20 2018-12-07 长春工业大学 一种基于深度学习的can总线报文异常检测方法
JP2019061647A (ja) 2017-09-22 2019-04-18 ペンタ・セキュリティ・システムズ・インコーポレーテッド 異常セッション感知方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9008854B2 (en) * 1995-06-07 2015-04-14 American Vehicular Sciences Llc Vehicle component control methods and systems
US8229624B2 (en) * 1995-06-07 2012-07-24 American Vehicular Sciences Llc Vehicle diagnostic information generating and transmission systems and methods
KR101714520B1 (ko) * 2015-10-30 2017-03-09 현대자동차주식회사 차량 내 네트워크 공격 탐지 방법 및 장치
US10198693B2 (en) * 2016-10-24 2019-02-05 International Business Machines Corporation Method of effective driving behavior extraction using deep learning
US20180129937A1 (en) * 2016-11-04 2018-05-10 Salesforce.Com, Inc. Quasi-recurrent neural network
CN106656637B (zh) * 2017-02-24 2019-11-26 国网河南省电力公司电力科学研究院 一种电网异常检测方法及装置
US10929749B2 (en) * 2017-04-24 2021-02-23 Intel Corporation Neural network optimization mechanism
US11501152B2 (en) * 2017-05-05 2022-11-15 Intel Corporation Efficient learning and using of topologies of neural networks in machine learning
KR102286050B1 (ko) * 2017-06-23 2021-08-03 현대자동차주식회사 차량 네트워크에서 진단 오류 방지를 위한 방법 및 장치
DE102017210787A1 (de) * 2017-06-27 2018-12-27 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
DE102017213771A1 (de) * 2017-08-08 2019-02-14 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk
KR102424540B1 (ko) * 2017-10-16 2022-07-25 삼성전자주식회사 문장 생성 모델의 업데이트 방법 및 문장 생성 장치
JP6915554B2 (ja) 2018-01-18 2021-08-04 マツダ株式会社 送受信装置及び車両
CN109084980B (zh) * 2018-10-10 2019-11-05 北京交通大学 基于均等分割的轴承故障预测方法及装置
US11400944B2 (en) * 2019-01-04 2022-08-02 Byton North America Corporation Detecting and diagnosing anomalous driving behavior using driving behavior models
US20200216027A1 (en) * 2019-01-04 2020-07-09 Byton North America Corporation Detecting vehicle intrusion using command pattern models

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019061647A (ja) 2017-09-22 2019-04-18 ペンタ・セキュリティ・システムズ・インコーポレーテッド 異常セッション感知方法
CN108958217A (zh) 2018-06-20 2018-12-07 长春工业大学 一种基于深度学习的can总线报文异常检测方法

Also Published As

Publication number Publication date
US11438248B2 (en) 2022-09-06
CN112394706A (zh) 2021-02-23
EP3780508A1 (en) 2021-02-17
US20210051085A1 (en) 2021-02-18
KR20210020298A (ko) 2021-02-24
JP6999119B2 (ja) 2022-01-18
CN112394706B (zh) 2024-07-02
KR102232871B1 (ko) 2021-03-26
JP2021034043A (ja) 2021-03-01

Similar Documents

Publication Publication Date Title
JP6999119B6 (ja) Ｃａｎ基盤の通信ネットワークにおける信号検出方法および装置
US11373084B2 (en) Apparatus and methods for forward propagation in fully connected layers of convolutional neural networks
JP6853148B2 (ja) 検知装置、検知方法及び検知プログラム
JP2019061647A (ja) 異常セッション感知方法
US10345433B2 (en) Data acquiring method and apparatus applied to driverless vehicle
CN113366509B (zh) 运算装置
KR20220036200A (ko) 차량의 속도 예측 장치 및 그 방법
US20190332940A1 (en) Method and system for performing machine learning
CN111295676A (zh) 用于自动产生人工神经网络的方法和设备
JP2023052390A (ja) 判定装置、判定プログラム、判定方法及びニューラルネットワークモデルの生成方法
WO2019057552A1 (en) TIME REGROUP AND CORRELATION IN AN ARTIFICIAL NEURAL NETWORK
CN110719487B (zh) 视频预测方法和装置、电子设备及车辆
CN111461310A (zh) 处理神经网络模型的神经网络设备、神经网络系统和方法
EP3780508B1 (en) Detecting abnormal signals of a can system using a gated recurrent unit-decay neural network
KR102417967B1 (ko) 다중 출력 아키텍처를 통한 점진적 초해상도 영상 변환 장치 및 방법
CN111090269B (zh) 基于生成对抗网络的传感器模拟方法、装置和存储介质
JP2012048405A (ja) 制御装置、電子制御ユニット、異常検出方法
JP6703960B2 (ja) 演算装置、ログ記録方法、ログ記録システム
US11524409B2 (en) Method and device for efficiently ascertaining output signals of a machine learning system
JP2022507939A (ja) 調整されたコンポーネントインターフェース制御フレームワーク
CN118195077A (zh) 轨迹预测及其模型的训练方法、装置、存储介质、设备
KR102648646B1 (ko) 인공지능 기반의 이상 예측을 위한 장치 및 이를 위한 방법
US20240249180A1 (en) Systems and methods for adjustment-based causally robust prediction
US20240351582A1 (en) Diverse future predictions for pedestrians
EP3742348A1 (en) Method to set the type of writing to either internal or external memory for layers of a computer-implemented neural network

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200824

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210825

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210831

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211115

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: 20211130

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211213

R150 Certificate of patent or registration of utility model

Ref document number: 6999119

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150