CN109658187A - 推荐云服务商的方法、装置、存储介质及电子设备 - Google Patents
推荐云服务商的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109658187A CN109658187A CN201811534355.3A CN201811534355A CN109658187A CN 109658187 A CN109658187 A CN 109658187A CN 201811534355 A CN201811534355 A CN 201811534355A CN 109658187 A CN109658187 A CN 109658187A
- Authority
- CN
- China
- Prior art keywords
- cloud service
- service provider
- recommended
- index
- target
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种推荐云服务商的方法、装置、存储介质及电子设备,首先获取云服务需求信息,其中,该云服务需求信息可以包括用户输入的云服务指标,然后获取待推荐云服务商的云服务商信息,并根据该云服务指标和该云服务商信息,从该待推荐云服务商中,确定目标云服务商,并推荐该目标云服务商。
Description
技术领域
本公开涉及云服务商推荐领域,具体地,涉及一种推荐云服务商的方法、装置、存储介质及电子设备。
背景技术
云计算作为一种新型的IT技术,可提供无处不在、按需获取、自由配置的计算资源,其具有弹性灵活、提高资源利用率、节约成本等优点,目前,云计算已经广泛应用于政府、企业的业务***中。基于战略、业务或成本的考虑,云服务的用户一般采用多家云服务商,由于不同云服务商规模大小、服务等级、服务能力、服务价格各不相同,而不同的业务***对计算能力、磁盘IO、网络IO等方面需求各不相同,因此,如何选择合适的云服务商并配置恰当的服务配置,进而最大限度提高资源利用率、保障业务SLA、有效控制成本,亟需一种有效的技术手段。
实际情况中,用户选择业务***的云服务商需要多方面的考量,例如对服务商服务能力的考量,对成本、业务***特性的考量等,相关技术中已经对云服务商的服务性能及服务能力进行了评价,但并未考虑用户业务***的实际需求,因此,对云服务商的评价结果对用户选择适合自己的目标云服务商的参考价值较小,同时也需要用户自己查找该目标云服务商,从而会降低用户选择目标云服务商的效率。
发明内容
本公开提供一种推荐云服务商的方法、装置、存储介质及电子设备。
第一方面,提供一种推荐云服务商的方法,所述方法包括:获取云服务需求信息,所述云服务需求信息包括用户输入的云服务指标;获取待推荐云服务商的云服务商信息;根据所述云服务指标和所述云服务商信息从所述待推荐云服务商中,确定目标云服务商;推荐所述目标云服务商。
可选地,所述根据所述云服务指标和所述云服务商信息从所述待推荐云服务商中,确定目标云服务商包括:获取云服务商推荐模型;将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得到每个待推荐云服务商对应的推荐度;根据每个所述待推荐云服务商对应的推荐度从所述待推荐云服务商中,确定所述目标云服务商。
可选地,所述云服务指标包括硬性指标和柔性指标;在将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得的每个待推荐云服务商对应的推荐度前,所述方法还包括:获取每个所述云服务指标的云服务标签;根据所述硬性指标和所述云服务标签,从所述待推荐云服务商中确定备选云服务商;从所述云服务商信息中确定所述备选云服务商对应的备选云服务商信息;所述将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得的每个待推荐云服务商对应的推荐度包括:将所述云服务指标和所述备选云服务商信息作为所述云服务商推荐模型的输入,得到所述备选云服务商对应的推荐度;所述根据每个所述待推荐云服务商对应的推荐度从所述待推荐云服务商中,确定所述目标云服务商包括:根据所述备选云服务商对应的推荐度从所述备选云服务商中确定所述目标云服务商。
可选地,在所述确定目标云服务商后,所述方法还包括:确定所述目标云服务商对应的目标云服务商信息;根据所述目标云服务商信息训练所述云服务商推荐模型,得到更新后的云服务商推荐模型。
第二方面,提供一种推荐云服务商的装置,所述装置包括:第一获取模块,用于获取云服务需求信息,所述云服务需求信息包括用户输入的云服务指标;第二获取模块,用于获取待推荐云服务商的云服务商信息;第一确定模块,用于根据所述云服务指标和所述云服务商信息从所述待推荐云服务商中,确定目标云服务商;推荐模块,用于推荐所述目标云服务商。
可选地,所述第一确定模块用于获取云服务商推荐模型;将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得到每个待推荐云服务商对应的推荐度;用于根据每个所述待推荐云服务商对应的推荐度从所述待推荐云服务商中,确定所述目标云服务商。
可选地,所述云服务指标包括硬性指标和柔性指标;所述装置还包括:第三获取模块,用于获取每个所述云服务指标的云服务标签;第二确定模块,用于根据所述硬性指标和所述云服务标签,从所述待推荐云服务商中确定备选云服务商;第三确定模块,用于从所述云服务商信息中确定所述备选云服务商对应的备选云服务商信息;所述第一确定模块,用于将所述云服务指标和所述备选云服务商信息作为所述云服务商推荐模型的输入,得到所述备选云服务商对应的推荐度;根据所述备选云服务商对应的推荐度从所述备选云服务商中确定所述目标云服务商。
可选地,所述装置还包括:第四确定模块,用于确定所述目标云服务商对应的目标云服务商信息;模型更新模块,用于根据所述目标云服务商信息训练所述云服务商推荐模型,得到更新后的云服务商推荐模型。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所述方法的步骤。
第四方面,提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
通过上述技术方案,获取云服务需求信息,所述云服务需求信息包括用户输入的云服务指标;获取待推荐云服务商的云服务商信息;根据所述云服务指标和所述云服务商信息从所述待推荐云服务商中,确定目标云服务商;推荐所述目标云服务商,这样,根据用户输入的云服务需求信息进行推荐得到的目标云服务商,更能满足用户的实际业务需求,也避免了用户自己查找该目标云服务商的繁琐过程,从而提高了用户选择目标云服务商的效率,进而提高用户的体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的第一种推荐云服务商的方法的流程图;
图2是根据一示例性实施例示出的第二种推荐云服务商的方法的流程图;
图3是根据一示例性实施例示出的第三种推荐云服务商的方法的流程图;
图4是根据一示例性实施例示出的第一种推荐云服务商的装置的框图;
图5是根据一示例性实施例示出的第二种推荐云服务商的装置的框图;
图6是根据一示例性实施例示出的第三种推荐云服务商的装置的框图;
图7是根据一示例性实施例示出的一种电子设备的结构框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
本公开提供一种推荐云服务商的方法、装置、存储介质及电子设备,在用户输入业务***的云服务需求信息时,云服务商推荐***可以获取该云服务需求信息,其中,该云服务需求信息可以包括用户输入的云服务指标,然后获取待推荐云服务商的云服务商信息,根据该云服务指标和该云服务商信息从该待推荐云服务商中,确定目标云服务商,并推荐该目标云服务商,这样,根据用户输入的云服务需求信息进行推荐得到的目标云服务商,更能满足用户的实际业务需求,也避免了用户自己查找该目标云服务商的繁琐过程,从而提高了用户选择目标云服务商的效率,进而提高用户的体验。
下面结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种推荐云服务商的方法的流程图,如图1所示,该方法包括以下步骤:
S101,获取云服务需求信息,该云服务需求信息包括用户输入的云服务指标。
其中,该云服务指标可以包括满足用户业务***实际需求的云服务的指标数据,例如,该云服务指标可以包括CPU个数、内存大小、磁盘大小、每秒读写操作次数(Input/Output Operations Per Second,IOPS)、存储类别、价格范围等数据。
在一种可能的实现方式中,用户可以通过云服务商的自服务门户(如网站、云服务商应用软件等)输入该云服务指标,例如,可以在该自服务门户提供的申请表单上输入该云服务指标。
S102,获取待推荐云服务商的云服务商信息。
其中,该云服务商信息可以包括表示云服务商服务质量的数据,例如,云服务商历史SLA(Service-Level Agreement,服务等级协议)数据(可以利用第三方评估机构或监控工具采集该云服务商历史SLA数据),同时,该云服务商信息还可以包括用户根据云服务的实际使用情况进行评价后的用户评价历史数据,以及用户购买历史数据、个人偏好历史数据等相关数据。
S103,根据该云服务指标和该云服务商信息从该待推荐云服务商中,确定目标云服务商。
其中,该云服务指标可以包括硬性指标和柔性指标,考虑到不同用户的业务***对云服务的实际需求也不相同,例如,大部分用户可能更看重云服务商的服务质量是否满足自己业务***的实际需求,并且还会考虑云服务商的服务价格是否满足自己的成本要求,此时,用户可以将输入的与服务质量相关的云服务指标(例如CPU个数、IOPS数据等)以及云服务商需满足的价格范围设置为目标云服务商必须满足的硬性指标,将磁盘大小、云服务商服务评级等其它云服务指标设置为最好满足的柔性指标。
需要说明的是,在一种可能的实现方式中,在申请表单上每一个需要填写的云服务指标上均有硬性指标和柔性指标的标注(例如,在自服务门户的图形化界面中,可以将硬性指标标注为“必须满足”或者“必选”,将柔性指标标注为“最好满足”或者“可选”),用户可以根据自己业务***的实际需求设置输入的每一项云服务指标是硬性指标还是柔性指标,以便云服务商推荐***可以根据用户设置的云服务指标的指标属性(硬性指标或者柔性指标)快速帮助用户查找到满足用户需求的目标云服务商。
在本步骤中,可以通过以下两种方式中的任意一种方式实现。
方式一,获取云服务商推荐模型;将该云服务指标和该云服务商信息作为该云服务商推荐模型的输入,得的每个待推荐云服务商对应的推荐度;根据每个该待推荐云服务商对应的推荐度从该待推荐云服务商中,确定该目标云服务商。
另外,为降低云服务商推荐模型的计算复杂度,提高推荐效率,还可以采用方式二确定该目标云服务商。
方式二、获取每个该云服务指标的云服务标签;根据该硬性指标和该云服务标签,从待推荐云服务商中确定备选云服务商;从该云服务商信息中确定该备选云服务商对应的备选云服务商信息;获取云服务商推荐模型,将该云服务指标和该备选云服务商信息作为该云服务商推荐模型的输入,得的该备选云服务商对应的推荐度;根据该备选云服务商对应的推荐度从该备选云服务商中确定该目标云服务商。
其中,该云服务商推荐模型可以包括逻辑回归(Logistic Regression,LR)模型,需要说明的是,在首次进行云服务商的推荐时,该云服务商推荐模型可以是根据经验值预设的推荐模型,在已经进行了多次云服务商的推荐时,该云服务商推荐模型即为根据实际推荐的目标云服务商进行反馈训练后得到的推荐模型。
另外,该云服务标签可以包括云服务商推荐***根据预设规则对用户输入的云服务指标自动标注的特征标签,该云服务标签也可以包括***管理员根据经验手动标注的特征标签,例如,该云服务标签可以包括通用计算型、CPU密集型、内存密集型、大数据型、高IO吞吐型、GPU加速型等。
在一种可能的实现方式中,***在自动标注特征标签时,该预设规则可以包括根据用户输入的CPU内存大小占总内存的比例将用户输入的云服务指标中的CPU内存大小标注为通用计算型或者CPU密集型,例如,当CPU内存大小占用总内存的1/4时,可以将用户输入的CPU内存大小标注为通用计算型,当CPU内存大小占用总内存的1/2时,可以将用户输入的CPU内存大小标注为CPU密集型,另外,该预设规则还可以包括根据用户输入的IOPS数据的大小对用户输入的云服务指标中的IOPS数据进行标注,例如,当用户输入的IOPS数据大于2000时,可以将用户输入的IOPS标注为高IO吞吐型,此处只是举例说明,本公开对此不作限定。
需要说明的是,待推荐云服务商可以按照与对云服务指标进行标签标注时的预设规则同样的规则,预先进行特征标签的标注,这样,在根据该硬性指标和该云服务标签,从待推荐云服务商中确定备选云服务商时,可以将该硬性指标对应的云服务标签与每个待推荐云服务商预先标注的云服务商标签进行比对,并将满足该硬性指标的待推荐云服务商确定为该备选云服务商,将不满足该硬性指标的待推荐云服务商予以淘汰,从而降低后续云服务商推荐模型的计算复杂度,提供计算效率。
另外,在得到该备选云服务商对应的推荐度后,可以按照推荐度由大到小的顺序对该备选云服务商进行排序,这样,在根据该备选云服务商对应的推荐度从该备选云服务商中确定该目标云服务商时,方便用户或者***管理员可以根据该排序结果,并结合用户输入的云服务需求信息确定该目标云服务商。
S104,推荐该目标云服务商。
在一种可能的实现方式中,在确定该目标云服务商后,云服务商推荐***可以自动为用户开通该目标云服务商提供的云服务相关服务。
考虑到云服务的用户对云服务商的评价可以作为推荐时的一种参考因素,但不同用户在不同时期或不同应用场景下,对云服务及云服务商的评价是动态变化的,因此,需要云服务商推荐模型可以进行自学习,从而可以不断优化云服务商推荐模型的模型参数,进而提高模型推荐的准确度,在一种可能的实现方式中,在确定目标云服务商后,可以确定该目标云服务商对应的目标云服务商信息;然后根据该目标云服务商信息训练该云服务商推荐模型,得到更新后的云服务商推荐模型,这样,在获取到用户重新输入的云服务指标时,可以根据更新后的该云服务商推荐模型确定满足用户新的业务需求的目标云服务商,从而提高云服务商推荐的准确度。
采用上述方法,根据用户输入的云服务需求信息进行推荐得到的目标云服务商,更能满足用户的实际业务需求,也避免了用户自己查找该目标云服务商的繁琐过程,从而提高了用户选择目标云服务商的效率,进而提高用户的体验。
图2是根据一示例性实施例示出的一种推荐云服务商的方法的流程图,如图2所示,该方法包括以下步骤:
S201,获取云服务需求信息,该云服务需求信息包括用户输入的云服务指标。
其中,该云服务指标可以包括满足用户业务***实际需求的云服务的指标数据,例如,该云服务指标可以包括CPU个数、内存大小、磁盘大小、每秒读写操作次数(IOPS)、存储类别、价格范围等数据。
在一种可能的实现方式中,用户可以通过云服务商的自服务门户(如网站、云服务商应用软件等)输入该云服务指标,例如,可以在该自服务门户提供的申请表单上输入该云服务指标。
S202,获取待推荐云服务商的云服务商信息。
其中,该云服务商信息可以包括表示云服务商服务质量的数据,例如,云服务商历史SLA(服务等级协议)数据(可以利用第三方评估机构或监控工具采集该云服务商历史SLA数据),同时,该云服务商信息还可以包括用户根据云服务的实际使用情况进行评价后的用户评价历史数据,以及用户购买历史数据、个人偏好历史数据等相关数据。
S203,获取云服务商推荐模型。
其中,该云服务商推荐模型可以包括逻辑回归模型。
需要说明的是,在首次进行云服务商的推荐时,该云服务商推荐模型可以是根据经验值预设的推荐模型,在已经进行了多次云服务商的推荐时,该云服务商推荐模型即为根据实际推荐的目标云服务商进行反馈训练后得到的推荐模型。
具体地,在对该逻辑回归模型进行求解后可以得到如下公式:
其中,X=(X1,X2,...,Xk)表示该逻辑回归模型的输入,θ表示该逻辑回归模型的模型参数(也可以称之为模型的回归系数),Y为该逻辑回归模型的输出,通常情况下,该逻辑回归模型的输出Y的取值可以为0或1,P(Y=1|X;θ)表示在该逻辑回归模型的输入为X,模型参数为θ的条件下,模型输出Y=1的概率,在本实施例中,X即为用户输入的云服务指标以及每个待推荐云服务商的云服务商信息,θ(其中,θ=(θ1,θ2,...,θk))可以表示各云服务指标以及一个待推荐云服务商对应的各云服务商信息分别对应的权重参数,Y=1可以表示“推荐”,Y=0可以表示“不推荐”。
S204,将该云服务指标和该云服务商信息作为该云服务商推荐模型的输入,得到每个待推荐云服务商对应的推荐度。
具体地,在将该云服务指标和该云服务商信息输入该云服务商推荐模型后,根据公式(1)可以得到每个待推荐云服务商对应的推荐概率,由于概率值的数值范围为0到1,此时,为便于计算,在一种可能的实现方式中,可以将每个待推荐云服务商对应的推荐概率乘以100,然后得到位于0到100之间的每个待推荐云服务商的推荐度,还需说明的是,该推荐度也可以包括每个待推荐云服务商对应的推荐概率,此时,可以不进行数值的转换,本公开对此不作限定。
示例地,当前有A、B、C三个待推荐云服务商,将用户输入的云服务指标和待推荐云服务商A的云服务商信息输入逻辑回归模型后,得到待推荐云服务商A的推荐概率为0.55,将用户输入的云服务指标和待推荐云服务商B的云服务商信息输入逻辑回归模型后,得到待推荐云服务商B的推荐概率为0.78,将用户输入的云服务指标和待推荐云服务商C的云服务商信息输入逻辑回归模型后,得到待推荐云服务商C的推荐概率为0.93,此时,可以将A、B、C三个待推荐云服务商分别对应的推荐概率乘以100,从而可以得到A、B、C三个待推荐云服务商的推荐度分别为55、78以及93,上述示例只是举例说明,本公开对此不作限定。
S205,根据每个该待推荐云服务商对应的推荐度从该待推荐云服务商中,确定目标云服务商。
在得到每个该待推荐云服务商对应的推荐度后,可以按照推荐度由大到小的顺序对该待推荐云服务商进行排序,这样,在根据该待推荐云服务商对应的推荐度从该待推荐云服务商中确定该目标云服务商时,方便用户或者***管理员可以根据该排序结果,并结合用户输入的云服务需求信息确定该目标云服务商。
示例地,继续以A、B、C三个待推荐云服务商为例进行说明,在执行S204后,可以得到A、B、C三个待推荐云服务商的推荐度分别为55、78以及93,这样,可以按照推荐度由大到小的顺序对该待推荐云服务商进行排序,该排序结果即为待推荐云服务商C、待推荐云服务商B、待推荐云服务商A,此时,用户或者***管理员可以根据该排序结果,选择推荐度最高的待推荐云服务商C作为该目标云服务商,当然,用户或者管理员也可以根据输入的云服务需求信息以及该排序结果选择更能满足用户实际业务需求的目标云服务商,例如,虽然待推荐云服务商C的推荐度高于待推荐云服务商B,但是待推荐云服务商B的服务价格与用户输入的价格范围更接近,此时,此时,考虑到成本因素,用户或者***管理员也可以选择待推荐云服务商B作为该目标云服务商,此处只是举例说明,本公开对此不作限定。
S206,推荐该目标云服务商。
在一种可能的实现方式中,在确定该目标云服务商后,云服务商推荐***可以自动为用户开通该目标云服务商提供的云服务相关服务。
考虑到云服务的用户对云服务商的评价可以作为推荐时的一种参考因素,但不同用户在不同时期或不同应用场景下,对云服务及云服务商的评价是动态变化的,因此,需要云服务商推荐模型可以进行自学习,从而可以不断优化云服务商推荐模型的模型参数,进而提高模型推荐的准确度。
在一种可能的实现方式中,在确定目标云服务商后,可以确定该目标云服务商对应的目标云服务商信息;然后根据该目标云服务商信息训练该云服务商推荐模型,得到更新后的云服务商推荐模型,这样,在获取到用户重新输入的云服务指标时,可以根据更新后的该云服务商推荐模型确定满足用户新的业务需求的目标云服务商,从而提高云服务商推荐的准确度。
需要说明的是,该逻辑回归模型训练过程属于有监督的训练,为便于说明,该模型的训练数据可以表示为(S,T)并且S=(S1,S2,...),T=(T1,T2,...),其中,S可以表示用户输入的云服务指标以及目标云服务商的目标云服务商信息,T可以表示该目标云服务商的推荐概率(即为模型的期望输出),在每次进行云服务商推荐并得到该目标云服务商后,该模型的训练数据可以得到更新,例如,在第一次推荐并得到该目标云服务商1时,该训练数据为(S1,T1),其中,S1为用户第一次输入的云服务指标以及目标云服务商1对应的目标云服务商信息1,T1为该目标云服务商1对应的推荐概率,在第二次推荐并得到该目标云服务商2时,该训练数据为其中,S2为用户第二次输入的云服务指标以及目标云服务商2对应的目标云服务商信息2,T2为该目标云服务商2对应的推荐概率,以此类推,可以根据最新得到的目标云服务商更新该云服务商推荐模型的训练数据,并根据最新的训练数据对模型进行训练,得到优化后的模型参数,从而得到更新后的云服务商推荐模型。
在一种可能的实现方式中,可以采用梯度下降法对该云服务商推荐模型进行训练,具体的训练步骤可以参考现有技术中的相关描述,本公开对此不作赘述。
采用上述方法,根据用户输入的云服务需求信息进行推荐得到的目标云服务商,更能满足用户的实际业务需求,也避免了用户自己查找该目标云服务商的繁琐过程,从而提高了用户选择目标云服务商的效率,进而提高用户的体验。
另外,在本公开中,为降低云服务商推荐模型的计算复杂度,提高推荐效率,还可以采用图3所示的具体实施方式进行云服务商的推荐。
图3是根据一示例性实施例示出的一种推荐云服务商的方法的流程图,如图3所示,该方法包括以下步骤:
S301,获取云服务需求信息,该云服务需求信息包括用户输入的云服务指标,该云服务指标包括硬性指标和柔性指标。
其中,该云服务指标可以包括满足用户业务***实际需求的云服务的指标数据,例如,该云服务指标可以包括CPU个数、内存大小、磁盘大小、每秒读写操作次数(IOPS)、存储类别、价格范围等数据,在一种可能的实现方式中,用户可以通过云服务商的自服务门户(如网站、云服务商应用软件等)输入该云服务指标,例如,可以在该自服务门户提供的申请表单上输入该云服务指标。
另外,考虑到不同用户的业务***对云服务的实际需求也不相同,例如,大部分用户可能更看重云服务商的服务质量是否满足自己业务***的实际需求,并且还会考虑云服务商的服务价格是否满足自己的成本要求,此时,用户可以将输入的与服务质量相关的云服务指标(例如CPU个数、IOPS数据等)以及云服务商需满足的价格范围设置为目标云服务商必须满足的硬性指标,将磁盘大小、云服务商服务评级等其它云服务指标设置为最好满足的柔性指标。
需要说明的是,在一种可能的实现方式中,在申请表单上每一个需要填写的云服务指标上均有硬性指标和柔性指标的标注(例如,在自服务门户的图形化界面中,可以将硬性指标标注为“必须满足”或者“必选”,将柔性指标标注为“最好满足”或者“可选”),用户可以根据自己业务***的实际需求设置输入的每一项云服务指标是硬性指标还是柔性指标,以便云服务商推荐***可以根据用户设置的云服务指标的指标属性(硬性指标或者柔性指标)快速帮助用户查找到满足用户需求的目标云服务商。
S302,获取待推荐云服务商的云服务商信息以及云服务商推荐模型。
其中,该云服务商信息可以包括表示云服务商服务质量的数据,例如,云服务商历史SLA(服务等级协议)数据(可以利用第三方评估机构或监控工具采集该云服务商历史SLA数据),同时,该云服务商信息还可以包括用户根据云服务的实际使用情况进行评价后的用户评价历史数据,以及用户购买历史数据、个人偏好历史数据等相关数据,该云服务商推荐模型可以包括逻辑回归模型。
需要说明的是,在首次进行云服务商的推荐时,该云服务商推荐模型可以是根据经验值预设的推荐模型,在已经进行了多次云服务商的推荐时,该云服务商推荐模型即为根据实际推荐的目标云服务商进行反馈训练后得到的推荐模型。
具体地,在对该逻辑回归模型进行求解后可以得到如下公式:
其中,X=(X1,X2,...,Xk)表示该逻辑回归模型的输入,θ表示该逻辑回归模型的模型参数(也可以称之为模型的回归系数),Y为该逻辑回归模型的输出,通常情况下,该逻辑回归模型的输出Y的取值可以为0或1,P(Y=1|X;θ)表示在该逻辑回归模型的输入为X,模型参数为θ的条件下,模型输出Y=1的概率,在本实施例中,X即为用户输入的云服务指标以及每个备选云服务商的云服务商信息,θ(其中,θ=(θ1,θ2,...,θk))可以表示各云服务指标以及一个备选云服务商对应的各云服务商信息分别对应的权重参数,Y=1可以表示“推荐”,Y=0可以表示“不推荐”。
S303,获取每个云服务指标的云服务标签。
其中,该云服务标签可以包括云服务商推荐***根据预设规则对用户输入的云服务指标自动标注的特征标签,该云服务标签也可以包括***管理员根据经验手动标注的特征标签,例如,该云服务标签可以包括通用计算型、CPU密集型、内存密集型、大数据型、高IO吞吐型、GPU加速型等。
在一种可能的实现方式中,***在自动标注特征标签时,该预设规则可以包括根据用户输入的CPU内存大小占总内存的比例将用户输入的云服务指标中的CPU内存大小标注为通用计算型或者CPU密集型,例如,当CPU内存大小占用总内存的1/4时,可以将用户输入的CPU内存大小标注为通用计算型,当CPU内存大小占用总内存的1/2时,可以将用户输入的CPU内存大小标注为CPU密集型,另外,该预设规则还可以包括根据用户输入的IOPS数据的大小对用户输入的云服务指标中的IOPS数据进行标注,例如,当用户输入的IOPS数据大于2000时,可以将用户输入的IOPS标注为高IO吞吐型,此处只是举例说明,本公开对此不作限定。
S304,根据该硬性指标和该云服务标签,从待推荐云服务商中确定备选云服务商。
需要说明的是,待推荐云服务商可以按照与对云服务指标进行标签标注时的预设规则同样的规则,预先进行特征标签的标注,这样,在根据该硬性指标和该云服务标签,从待推荐云服务商中确定备选云服务商时,可以将该硬性指标对应的云服务标签与每个待推荐云服务商预先标注的云服务商标签进行比对,并将满足该硬性指标的待推荐云服务商确定为该备选云服务商,将不满足该硬性指标的待推荐云服务商予以淘汰,从而降低后续云服务推荐模型的计算复杂度,提供计算效率。
S305,从该云服务商信息中确定该备选云服务商对应的备选云服务商信息。
S306,将该云服务指标和该备选云服务商信息作为该云服务商推荐模型的输入,得的该备选云服务商对应的推荐度。
具体地,在将该云服务指标和该备选云服务商信息输入该云服务商推荐模型后,根据公式(1)可以得到每个备选云服务商对应的推荐概率,由于概率值的数值范围为0到1,此时,为便于计算,在一种可能的实现方式中,可以将每个备选云服务商对应的推荐概率乘以100,然后得到位于0到100之间的每个备选云服务商的推荐度,还需说明的是,该推荐度也可以包括每个备选云服务商对应的推荐概率,此时,可以不进行数值的转换,本公开对此不作限定。
示例地,当前有D、E、F三个备选云服务商,将用户输入的云服务指标和备选云服务商D的备选云服务商信息输入逻辑回归模型后,得到备选云服务商D的推荐概率为0.87,将用户输入的云服务指标和备选云服务商E的云服务商信息输入逻辑回归模型后,得到备选云服务商E的推荐概率为0.76,将用户输入的云服务指标和备选云服务商F的云服务商信息输入逻辑回归模型后,得到备选云服务商F的推荐概率为0.95,此时,可以将D、E、F三个备选云服务商分别对应的推荐概率乘以100,从而可以得到D、E、F三个备选云服务商的推荐度分别为87、76以及95,上述示例只是举例说明,本公开对此不作限定。
S307,根据该备选云服务商对应的推荐度从该备选云服务商中确定该目标云服务商。
在得到该备选云服务商对应的推荐度后,可以按照推荐度由大到小的顺序对该备选云服务商进行排序,这样,在根据该备选云服务商对应的推荐度从该备选云服务商中确定该目标云服务商时,方便用户或者***管理员可以根据该排序结果,并结合用户输入的云服务需求信息确定该目标云服务商。
示例地,继续以D、E、F三个备选云服务商为例进行说明,在执行S306后,可以得到D、E、F三个备选云服务商的推荐度分别为87、76以及95,这样,可以按照推荐度由大到小的顺序对该备选云服务商进行排序,该排序结果即为备选云服务商F、备选云服务商D、备选云服务商E,此时,用户或者***管理员可以根据该排序结果,选择推荐度最高的备选云服务商F作为该目标云服务商,当然,用户或者管理员也可以根据输入的云服务需求信息以及该排序结果选择更能满足用户实际业务需求的目标云服务商,例如,虽然备选云服务商F的推荐度高于备选云服务商D,但是备选云服务商D的服务价格与用户输入的价格范围更接近,此时,考虑到成本因素,用户或者***管理员也可以选择备选云服务商D作为该目标云服务商,此处只是举例说明,本公开对此不作限定。
S308,推荐该目标云服务商。
在一种可能的实现方式中,在确定该目标云服务商后,云服务商推荐***可以自动为用户开通该目标云服务商提供的云服务相关服务。
考虑到云服务的用户对云服务商的评价可以作为推荐时的一种参考因素,但不同用户在不同时期或不同应用场景下,对云服务及云服务商的评价是动态变化的,因此,需要云服务商推荐模型可以进行自学习,从而可以不断优化云服务商推荐模型的模型参数,进而提高模型推荐的准确度,在一种可能的实现方式中,在确定目标云服务商后,可以确定该目标云服务商对应的目标云服务商信息;然后根据该目标云服务商信息训练该云服务商推荐模型,得到更新后的云服务商推荐模型,这样,在获取到用户重新输入的云服务指标时,可以根据更新后的该云服务商推荐模型确定满足用户新的业务需求的目标云服务商,从而提高云服务商推荐的准确度。
需要说明的是,该逻辑回归模型训练过程属于有监督的训练,为便于说明,该模型的训练数据可以表示为(S,T)并且S=(S1,S2,...),T=(T1,T2,...),其中,S可以表示用户输入的云服务指标以及目标云服务商的目标云服务商信息,T可以表示该目标云服务商的推荐概率(即为模型的期望输出),在每次进行云服务商推荐并得到该目标云服务商后,该模型的训练数据可以得到更新,例如,在第一次推荐并得到该目标云服务商1时,该训练数据为(S1,T1),其中,S1为用户第一次输入的云服务指标以及目标云服务商1对应的目标云服务商信息1,T1为该目标云服务商1对应的推荐概率,在第二次推荐并得到该目标云服务商2时,该训练数据为其中,S2为用户第二次输入的云服务指标以及目标云服务商2对应的目标云服务商信息2,T2为该目标云服务商2对应的推荐概率,以此类推,可以根据最新得到的目标云服务商更新该云服务商推荐模型的训练数据,并根据最新的训练数据对模型进行训练,得到优化后的模型参数,从而得到更新后的云服务商推荐模型。
在一种可能的实现方式中,可以采用梯度下降法对该云服务商推荐模型进行训练,具体的训练步骤可以参考现有技术中的相关描述,本公开对此不作赘述。
采用上述方法,根据用户输入的云服务需求信息进行推荐得到的目标云服务商,更能满足用户的实际业务需求,也避免了用户自己查找该目标云服务商的繁琐过程,从而提高了用户选择目标云服务商的效率,进而提高用户的体验。
图4是根据一示例性实施例示出的一种推荐云服务商的装置的框图,如图4所示,该装置包括:
第一获取模块401,用于获取云服务需求信息,该云服务需求信息包括用户输入的云服务指标;
第二获取模块402,用于获取待推荐云服务商的云服务商信息;
第一确定模块403,用于根据该云服务指标和该云服务商信息从该待推荐云服务商中,确定目标云服务商;
推荐模块404,用于推荐该目标云服务商。
可选地,该第一确定模块403用于获取云服务商推荐模型;将该云服务指标和该云服务商信息作为该云服务商推荐模型的输入,得到每个待推荐云服务商对应的推荐度;用于根据每个该待推荐云服务商对应的推荐度从该待推荐云服务商中,确定该目标云服务商。
可选地,图5是根据图4所示实施例示出的一种推荐云服务商的装置的框图,其中,该云服务指标可以包括硬性指标和柔性指标;如图5所示,该装置还包括:
第三获取模块405,用于获取每个该云服务指标的云服务标签;
第二确定模块406,用于根据该硬性指标和该云服务标签,从该待推荐云服务商中确定备选云服务商;
第三确定模块407,用于从该云服务商信息中确定该备选云服务商对应的备选云服务商信息;
该第一确定模块403,用于将该云服务指标和该备选云服务商信息作为该云服务商推荐模型的输入,得到该备选云服务商对应的推荐度;根据该备选云服务商对应的推荐度从该备选云服务商中确定该目标云服务商。
可选地,图6是根据图4所示实施例示出的一种推荐云服务商的装置的框图,如图6所示,该装置还包括:
第四确定模块408,用于确定该目标云服务商对应的目标云服务商信息;
模型更新模块409,用于根据该目标云服务商信息训练该云服务商推荐模型,得到更新后的云服务商推荐模型。
关于上述实施例中的装置,其中各个模块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。
采用上述装置,根据用户输入的云服务需求信息进行推荐得到的目标云服务商,更能满足用户的实际业务需求,也避免了用户自己查找该目标云服务商的繁琐过程,从而提高了用户选择目标云服务商的效率,进而提高用户的体验。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的推荐云服务商的方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件707可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的推荐云服务商的方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的推荐云服务商的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的推荐云服务商的方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种推荐云服务商的方法,其特征在于,所述方法包括:
获取云服务需求信息,所述云服务需求信息包括用户输入的云服务指标;
获取待推荐云服务商的云服务商信息;
根据所述云服务指标和所述云服务商信息从所述待推荐云服务商中,确定目标云服务商;
推荐所述目标云服务商。
2.根据权利要求1所述的方法,其特征在于,所述根据所述云服务指标和所述云服务商信息从所述待推荐云服务商中,确定目标云服务商包括:
获取云服务商推荐模型;
将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得到每个待推荐云服务商对应的推荐度;
根据每个所述待推荐云服务商对应的推荐度从所述待推荐云服务商中,确定所述目标云服务商。
3.根据权利要求2所述的方法,其特征在于,所述云服务指标包括硬性指标和柔性指标;在将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得的每个待推荐云服务商对应的推荐度前,所述方法还包括:
获取每个所述云服务指标的云服务标签;
根据所述硬性指标和所述云服务标签,从所述待推荐云服务商中确定备选云服务商;
从所述云服务商信息中确定所述备选云服务商对应的备选云服务商信息;
所述将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得的每个待推荐云服务商对应的推荐度包括:
将所述云服务指标和所述备选云服务商信息作为所述云服务商推荐模型的输入,得到所述备选云服务商对应的推荐度;
所述根据每个所述待推荐云服务商对应的推荐度从所述待推荐云服务商中,确定所述目标云服务商包括:
根据所述备选云服务商对应的推荐度从所述备选云服务商中确定所述目标云服务商。
4.根据权利要求2或3所述的方法,其特征在于,在所述确定目标云服务商后,所述方法还包括:
确定所述目标云服务商对应的目标云服务商信息;
根据所述目标云服务商信息训练所述云服务商推荐模型,得到更新后的云服务商推荐模型。
5.一种推荐云服务商的装置,其特征在于,所述装置包括:
第一获取模块,用于获取云服务需求信息,所述云服务需求信息包括用户输入的云服务指标;
第二获取模块,用于获取待推荐云服务商的云服务商信息;
第一确定模块,用于根据所述云服务指标和所述云服务商信息从所述待推荐云服务商中,确定目标云服务商;
推荐模块,用于推荐所述目标云服务商。
6.根据权利要求5所述的装置,其特征在于,所述第一确定模块用于获取云服务商推荐模型;将所述云服务指标和所述云服务商信息作为所述云服务商推荐模型的输入,得到每个待推荐云服务商对应的推荐度;用于根据每个所述待推荐云服务商对应的推荐度从所述待推荐云服务商中,确定所述目标云服务商。
7.根据权利要求6所述的装置,其特征在于,所述云服务指标包括硬性指标和柔性指标;所述装置还包括:
第三获取模块,用于获取每个所述云服务指标的云服务标签;
第二确定模块,用于根据所述硬性指标和所述云服务标签,从所述待推荐云服务商中确定备选云服务商;
第三确定模块,用于从所述云服务商信息中确定所述备选云服务商对应的备选云服务商信息;
所述第一确定模块,用于将所述云服务指标和所述备选云服务商信息作为所述云服务商推荐模型的输入,得到所述备选云服务商对应的推荐度;根据所述备选云服务商对应的推荐度从所述备选云服务商中确定所述目标云服务商。
8.根据权利要求6或7所述的装置,其特征在于,所述装置还包括:
第四确定模块,用于确定所述目标云服务商对应的目标云服务商信息;
模型更新模块,用于根据所述目标云服务商信息训练所述云服务商推荐模型,得到更新后的云服务商推荐模型。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534355.3A CN109658187A (zh) | 2018-12-14 | 2018-12-14 | 推荐云服务商的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534355.3A CN109658187A (zh) | 2018-12-14 | 2018-12-14 | 推荐云服务商的方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109658187A true CN109658187A (zh) | 2019-04-19 |
Family
ID=66114152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811534355.3A Pending CN109658187A (zh) | 2018-12-14 | 2018-12-14 | 推荐云服务商的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109658187A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110719325A (zh) * | 2019-09-30 | 2020-01-21 | 恩亿科(北京)数据科技有限公司 | 响应用户请求的方法和装置 |
CN115438270A (zh) * | 2022-10-26 | 2022-12-06 | 深圳市信润富联数字科技有限公司 | 设备信息智能推荐方法、装置、设备及存储介质 |
WO2023226963A1 (zh) * | 2022-05-27 | 2023-11-30 | 华为技术有限公司 | 一种云资源推荐方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523247A (zh) * | 2011-11-24 | 2012-06-27 | 合肥工业大学 | 一种基于多属性匹配的云服务推荐方法及装置 |
CN106204087A (zh) * | 2015-05-06 | 2016-12-07 | 北京派择网络科技有限公司 | 用于选择广告媒体的方法和装置 |
CN107491992A (zh) * | 2017-08-25 | 2017-12-19 | 哈尔滨工业大学(威海) | 一种基于云计算的智能服务推荐算法 |
-
2018
- 2018-12-14 CN CN201811534355.3A patent/CN109658187A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523247A (zh) * | 2011-11-24 | 2012-06-27 | 合肥工业大学 | 一种基于多属性匹配的云服务推荐方法及装置 |
CN106204087A (zh) * | 2015-05-06 | 2016-12-07 | 北京派择网络科技有限公司 | 用于选择广告媒体的方法和装置 |
CN107491992A (zh) * | 2017-08-25 | 2017-12-19 | 哈尔滨工业大学(威海) | 一种基于云计算的智能服务推荐算法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110719325A (zh) * | 2019-09-30 | 2020-01-21 | 恩亿科(北京)数据科技有限公司 | 响应用户请求的方法和装置 |
WO2023226963A1 (zh) * | 2022-05-27 | 2023-11-30 | 华为技术有限公司 | 一种云资源推荐方法及相关设备 |
CN115438270A (zh) * | 2022-10-26 | 2022-12-06 | 深圳市信润富联数字科技有限公司 | 设备信息智能推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019090954A1 (zh) | 一种预测方法及终端、服务器 | |
US10474957B2 (en) | Method and apparatus for forecasting characteristic information change | |
Ying et al. | Bi-objective reentrant hybrid flowshop scheduling: an iterated Pareto greedy algorithm | |
KR102125119B1 (ko) | 데이터 핸들링 방법 및 장치 | |
US20220261591A1 (en) | Data processing method and apparatus | |
CN109658187A (zh) | 推荐云服务商的方法、装置、存储介质及电子设备 | |
WO2010010654A1 (ja) | 使い方推定装置 | |
US20150161706A1 (en) | Systems and methods for providing shopping recommendations | |
CN110162292A (zh) | 语音播报方法及装置 | |
WO2016202214A2 (zh) | 一种关键词的展示方法和装置 | |
CN109274987A (zh) | 一种视频集合排序方法、服务器及可读存储介质 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN109146551A (zh) | 一种广告推荐方法、服务器及计算机可读介质 | |
CN111522840B (zh) | 标签的配置方法、装置、设备及计算机可读存储介质 | |
CN113077321A (zh) | 物品推荐方法、装置、电子设备和存储介质 | |
Byrd et al. | An active-set algorithm for nonlinear programming using parametric linear programming | |
CN109086289A (zh) | 一种媒体数据处理方法、客户端、介质和设备 | |
WO2021042541A1 (zh) | 新零售模式下的商品导购方法、装置、设备及存储介质 | |
CN116485391A (zh) | 支付推荐处理方法及装置 | |
CN110930226A (zh) | 一种金融产品推荐方法、装置、电子设备及存储介质 | |
US20160124959A1 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
CN113761381B (zh) | 兴趣点推荐的方法、装置、设备以及存储介质 | |
CN109785037A (zh) | 资源托管服务方法、电子装置及计算机可读存储介质 | |
CN110659919A (zh) | 数据匹配方法、装置、介质及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |